一种基于自注意力机制的多维泰勒网的雷达脉内调制信号识别方法

本发明属于雷达信号识别和深度学习，具体涉及一种基于自注意力机制的多维泰勒网的雷达脉内调制信号识别方法。

背景技术：

1、雷达脉内调制信号是指在雷达信号的脉冲内进行频率、相位、幅值等参数调制的电磁波信号。这种调制方式使得雷达信号具有更加复杂的频率、相位和时间特性，从而增强了信号的抗干扰能力和信息承载能力。通过对雷达脉内调制信号的解调和处理，可以获取更加详细和准确的目标物体信息，包括其位置、速度、形状和材质等。这种信号在目标检测、跟踪和识别中发挥着重要作用，尤其在复杂的电磁环境下，更能体现其优越性。雷达脉内调制信号识别在军事、航空、气象等领域的应用日益广泛，成为雷达信号处理领域的重要研究方向。

2、雷达脉内调制信号识别是指通过对雷达发射的脉冲信号中所包含的调制信息进行分析和处理，从中提取目标物体的详细特征信息，并进一步对不同类型的脉内调制模式进行识别和分类。在多数应用领域中，雷达脉内调制信号识别追求较高的精度和较快的速度；然而在实际应用中，识别系统不得不在面临可供选取的特征数量少、特征与目标类别相关性弱、样本无序分布、较低信噪比的情况下，实现预期的识别效果。目前已有的主流深度学习算法识别雷达脉内调制信号时虽然精度较高，但是缺点是模型复杂度高，通常包含大量参数，需要耗费较多的时间训练模型，同时依赖于较多特征的提取以及与目标类别之间的较强相关性。在电子对抗中，雷达脉内调制信号识别需要实时进行，同时需要在复杂的电磁环境中面对较少特征信息的情况下，依然能够保证较高的准确率，以便及时采取较精准的对抗措施。

技术实现思路

1、解决的技术问题：本发明公开了一种基于自注意力机制的多维泰勒网的雷达脉内调制信号识别方法，充分沟通样本与样本之间的关系，兼顾在较低信噪比、选取的特征数量少、特征与目标类别相关性弱的情况下满足较高识别准确率和较快速度的需求。

2、技术方案：

3、一种基于自注意力机制的多维泰勒网的雷达脉内调制信号识别方法，所述雷达脉内调制信号识别方法包括以下步骤：

4、步骤s1. 针对单载频信号、线性调频信号、非线性调频信号、二相编码信号、四相编码信号、二频编码信号、四频编码信号这7种典型的雷达脉内调制信号，采集这7种信号所对应的各个样本的数据，根据采集的数据选取快速傅里叶变换时各采样点幅值的标准差、平均值、最小值以及信号的有效频谱占比作为分类特征；

5、步骤s2. 根据雷达脉内调制信号的类型，以及在步骤s1中采集的包含所选分类特征的雷达信号数据构成各个样本，分别用1、2、3、4、5、6、7作为单载频信号、线性调频信号、非线性调频信号、二相编码信号、四相编码信号、二频编码信号、四频编码信号的标签，确定标识数据集中每个样本所对应的雷达信号类型的标签，将输入层所接收的特征数据进行预处理，并将数据集划分为训练集和测试集；

6、步骤s3. 针对自注意力机制中原本以文本形式令牌化后嵌入式输入的语句序列结构，随机打乱原有的以各个单位向量构成的语句序列，消除模型所接收的语句序列中单位向量的位置信息，得到乱序数据结构；

7、步骤s4. 将步骤s2获得的预处理后的特征数据进行转置，针对转置后的特征数据，将各个单位向量构成的乱序数据结构转变为采集到的雷达信号的不同样本对应各个特征的数据构成的矩阵结构，将原本用数字对单位向量在不同维度上的表示改进为采集到的雷达信号样本对应的不同特征的数据；

8、步骤s5. 基于改进沟通方式后的自注意力机制，搭建自注意力机制层；

9、步骤s6. 将步骤s5获得的自注意力机制层融入多维泰勒网，构建雷达信号分类器，获得雷达信号分类模型；

10、步骤s7. 构建加入elastic net正则化的交叉熵损失函数celf，训练雷达信号分类模型；

11、步骤s8. 应用步骤s6中获得的雷达信号分类模型对测试集中的7种雷达脉内调制信号进行分类，然后与不同的深度学习分类器对比识别性能。

12、进一步地，步骤s8中，用于评价不同分类器识别性能的评价指标包括分类的准确率、查准率、特异度、宏召回率、宏f1分数、p值以及训练时间。

13、步骤s2进一步包括：

14、s21，令获得的特征数据表示为：

15、；

16、其中，，n表示数据集中含有的总样本数，f表示所选取的特征类型数，为样本n对应第f个特征的数据；

17、s22，基于上述7种典型的雷达脉内调制信号分别对应各种类型的各个样本的数据，针对所选取的各个特征，将输入层所接收的特征数据进行预处理，预处理后获得的特征数据表示为：

18、；

19、其中，为缩放归一化的结果。

20、步骤s3进一步包括：

21、改变原始文本序列的结构，其中单位向量是，嵌入向量的每个维度是对该单位向量在某个语义上的数值体现，，嵌入序列组合表示为：

22、；

23、其中，，为单位向量在维度d上的表示；

24、将嵌入的单位向量随机打乱，消除模型对单位向量位置的依赖，乱序结构表示为：

25、；

26、其中，，为随机打乱后的重新组合。

27、步骤s4进一步包括：

28、将步骤s2中获得的预处理后的特征数据转置得到，表示为：

29、；

30、将中的样本随机打乱，获得特征数据打乱后的结果，表示为：

31、；

32、其中，，为随机打乱后的结果；

33、将映射为相同维度的乱序结构，中的样本、样本、…、样本、…、样本、样本对应于中的单位向量、单位向量、…、单位向量、…、单位向量、单位向量，特征1、特征2、…、特征f、…、特征f-1、特征f对应于在维度1、维度2、…、维度d、…、维度d-1、维度d上的表示。

34、步骤s5进一步包括：

35、步骤s5-1. 将雷达信号分类器的输入层接收的雷达信号数据传递给自注意力机制层的权重矩阵、和，权重矩阵、和的维度均为，权重矩阵、和分别表示为：

36、；

37、；

38、；

39、其中，，、和分别表示权重矩阵、和中位于第行第列的权重元素，、和均是雷达信号分类器的待训练参数，f表示所选取的特征类型数；

40、步骤s5-2. 将输入的雷达信号数据和权重矩阵、和分别相乘，依次得到查询矩阵q、键矩阵k和值矩阵v；查询矩阵q、键矩阵k和值矩阵v分别表示为：

41、；

42、；

43、；

44、其中，，、和分别表示查询矩阵q、键矩阵k和值矩阵v中位于第n行第f列的元素，n表示数据集中含有的总样本数，f表示所选取的特征类型数；

45、步骤s5-3. 将雷达信号分类器的查询矩阵q和键矩阵k的转置相乘后除以，再经过softmax函数处理，得到注意力分数矩阵as；注意力分数矩阵as表示为：

46、；

47、其中，表示缩放系数，数值上等于查询矩阵q和键矩阵k的维度f；

48、步骤s5-4. 将雷达信号分类器的注意力分数矩阵as和值矩阵v相乘，得到注意力输出矩阵ao；注意力输出矩阵ao表示为：

49、；

50、步骤s5-5. 将雷达信号分类器的注意力输出矩阵ao作为原始输入层经过自注意力机制处理后得到的新的特征数据的转置，；特征数据表示为：

51、；

52、其中，，表示原始输入层经过自注意力机制处理后样本n对应第f个特征的数据，n表示数据集中含有的总样本数，f表示所选取的特征类型数。

53、步骤s6进一步包括：

54、步骤s6-1. 将特征数据传递给多项式层，按照最高展开次项为m展开，多项式层的输出表示为：

55、；

56、；

57、；

58、；

59、其中，，w是与之间的权重矩阵，表示多项式层中关于雷达信号的第f个特征类型的权值向量，表示中第t个权值元素，是雷达信号分类器的待训练参数，表示基于展开的逼近多项式中乘积项的总数，表示关于最高展开次项为m的各次项展开式，表示多项式层中雷达信号对应样本n的第f个特征的输出；

60、步骤s6-2.使用激活函数对多项式层的输出进行处理，激活函数为函数,函数表达式为，多项式层的输出经处理后得到激活函数的输出；激活函数的输出表示为：

61、；

62、步骤s6-3.将自注意力机制层的输出跨过多项式层后与激活函数的输出直接叠加，并传递给全连接层；自注意力连接通路后的共同输出表示为：

63、；

64、步骤s6-4.全连接层接收自注意力连接通路后的共同输出，并传递给softmax层，由softmax层使用归一化指数函数计算分类概率，全连接层的输出表示为：

65、；

66、；

67、；

68、其中，，r表示雷达信号的总类型数，k是与之间的权重矩阵，表示第r个类型的雷达信号的权值向量，表示第f个特征类型到第r个雷达信号类型的权值元素，是雷达信号分类器的待训练参数，表示全连接层中雷达信号样本n对应的第r个类型的雷达信号的输出；归一化指数函数表示为：

69、。

70、进一步地，步骤s7中，交叉熵损失函数celf的表达式为：

71、；

72、其中，是用来控制整体正则化强度的正则化参数，是用来控制l1正则化和l2正则化混合比例的混合参数，w是与之间的权重矩阵，k是与之间的权重矩阵，n表示数据集中含有的总样本数，r表示雷达信号的总类型数，表示雷达信号样本n是否对应第r个类型的雷达信号的真实标签，如果是，则为1，否则为0。

73、有益效果：

74、本发明的基于自注意力机制的多维泰勒网的雷达脉内调制信号识别方法，基于7种典型的雷达脉内调制信号，创新性地改进了自注意力机制的沟通方式，使特征数量少、特征与目标类别相关性弱、不具有序列性、较低信噪比下的所有样本与样本(包括自身)之间通过自注意力机制沟通特性关系，进而决定模型的分类方向；基于实际应用中对识别效率的高要求，本发明设计了融入新自注意力机制的多维泰勒网(mtn)，显著降低了模型的训练时间，有效解决了引入自注意力机制后带来的计算成本问题。与现有对雷达脉内调制信号的识别方法相比，自注意力机制多维泰勒网充分沟通了样本与样本之间的关系，兼顾了在较低信噪比、选取的特征数量少、特征与目标类别相关性弱的情况下满足较高识别准确率和较快速度的需求。