基于多类型注意力耦合的多功能雷达信号分选系统及方法

本发明属于雷达信号分选，特别涉及一种基于多类型注意力耦合的多功能雷达信号分选系统及方法。

背景技术：

1、雷达信号分选通过将所截获的交织雷达信号分选至所属辐射源，为电子监视系统提供关键信息，是辐射源识别、定位和后续反对抗措施的基础。随着现代电磁频谱战中雷达反侦察和抗干扰能力的提高，所截获信号存在交叠程度高、调制方式复杂、脉冲丢失等问题。因此，研究解交织能力强、泛化能力强、对脉冲丢失问题鲁棒性高的信号稳健分选技术，具有重要意义。早期算法利用信号参数中脉冲到达时间(toa)的一阶差分计算结果，通过识别脉冲流的pri特征规律，实现雷达信号分选。代表方法有：累积差直方图(cdif)、序列差直方图(sdif)和pri变换等。dif和sdif算法通过计算接收脉冲序列的自相关函数，pri变换法利用toa估计脉冲重复间隔得到信号规律，实现信号分选。此类算法对参数分布假设依赖性强、数据动态灵活性低，虽然在pri固定的信号分选问题中有较好表现，但对雷达工作模式切换导致的pri滑变、pri参差、pri抖动等实际常见雷达信号失效，难以应对复杂信号流。

2、脉冲间参数密度同样可作为信号分选的依据。基于参数密度聚类的分选算法通常利用包括脉冲宽度(pulse width,pw)、波达时间(time of arrival,toa)、波达方向(direction of arrival,doa)、载波频率(radio frequency,rf)、脉冲幅度(pa)等特征的经典脉冲描述字(pulse description word,pdw)进行信号分选。常使用如k-means、dbscan、模糊共振聚类、密度峰值聚类等算法。k-means、dbscan、模糊共振聚类、密度峰值聚类等算法，利用脉冲间欧式距离将同一辐射源信号聚为一类，从而实现信号分选。此类算法面对辐射源间密度区分度小且参数交叠严重的情况时，可能误将pdw参数相近或交叠率较大的两类辐射源信号归为一类，或将同一辐射源的不同工作模式信号归为不同辐射源，出现“增批”现象。

3、近年来，随着深度学习的快速发展，基于循环神经网络(rnn)、自编码器网络、卷积神经网络(cnn)等智能算法的雷达信号分选成为研究热点。深度学习算法通常会遇到模型泛化能力弱、计算复杂度高、对训练样本需求量大等问题，导致算法对非理想信号敏感。

4、本发明致力于解决在交叠程度高、调制方式复杂、脉冲丢失情况下，信号分选或信号解交织识别率低的技术难题。

技术实现思路

1、本发明的目的在于针对脉冲参数交叠率大、脉冲丢失严重、数据标记率低等问题带来的信号解交织或信号分选难度大的技术缺陷，本发明提供一种基于多类型注意力耦合的多功能雷达信号分选系统及方法，基于transformer架构，在脉冲序列层次上挖掘非相邻脉冲之间的语义信息，按照脉冲和参数的重要程度生成注意力权重矩阵；为可靠脉冲参数所得的特征矩阵赋予更大权重，并将高维特征矩阵逐个解码为对应的辐射源标签，实现信号分选。

2、为了实现上述目的，本发明采取如下技术方案。

3、作为本发明的一个方面，提供了基于多类型注意力耦合的多功能雷达信号分选系统，包括脉冲位置编码模块、多注意力耦合模块、批归一化模块、解码器；

4、所述解码器，包括前馈神经网络与softmax模块；

5、所述脉冲位置编码模块与多注意力耦合模块相连，所述多注意力耦合模块与批归一化模块相连，批归一化模块与解码器相连；

6、所述脉冲位置编码模块使用可学习位置编码代替脉冲到达时间，为脉冲流提供时间信息；

7、所述多注意力耦合模块将线性与非线性注意力通过残差网络相连接，其中线性注意力使用聚焦注意力，非线性注意力使用softmax注意力；

8、所述批归一化模块通过对每个参数维度分别进行归一化计算，有效减小脉冲中离群值对于信号分选效果的影响；

9、所述解码器中的前馈神经网络将信号映射至高维后降至低维，从而提取信号高维特征，softmax模块利用softmax函数计算特征矩阵对应每种标签的概率，实现特征矩阵解码。

10、作为本发明的一个方面，提供了基于多类型注意力耦合的多功能雷达信号分选方法，包括以下步骤：

11、步骤1)构建雷达特征参数数据集，具体为：选用雷达信号脉冲描述字中脉冲到达时间、波达方向、脉冲宽度、脉冲载频作为雷达信号的特征参数构建雷达特征参数数据集，把该数据集划分为训练集和测试集并进行标签化处理；

12、步骤2)对数据集中的雷达特征参数进行归一化和脉冲位置编码后，得到归一化和位置编码后的雷达特征参数并输出至多注意力耦合模块；

13、步骤3)依次通过线性与非线性注意力计算归一化和位置编码后雷达特征参数的注意力特征矩阵；

14、步骤4)通过前馈神经网络挖掘注意力特征矩阵的高维特征得到前馈神经网络输出矩阵；再使用批归一化对注意力特征矩阵和前馈神经网络输出矩阵进行归一化，得到高维特征矩阵；

15、步骤5)使用softmax函数逐个计算归一化后的高维特征矩阵对每个脉冲标签的分布情况，实现特征矩阵解码，得到预测标签；

16、步骤6)将训练集和测试集输入多功能雷达信号分选网络进行训练和测试，输出训练及测试标签完成雷达信号的分选。

17、步骤1)中构建的雷达特征参数，具体包括：雷达信号脉冲描述字中脉冲到达时间、波达方向、脉冲宽度、脉冲载频作为雷达信号的特征参数。

18、步骤3)中的所述线性注意力使用聚焦注意力，非线性注意力使用softmax注意力；所述线性注意力与非线性注意力通过残差网络相连接。

19、所述多功能雷达信号分选网络，包括依次相连的脉冲位置编码、多注意力耦合、批归一化及解码模块，分别用于实现脉冲位置编码、多注意力耦合、批归一化及解码功能；

20、步骤4)使用批归一化对注意力矩阵和前馈神经网络输出矩阵进行归一化在批归一化模块中完成。

21、步骤3)多注意力耦合模块计算归一化和位置编码，得到雷达特征参数的注意力特征矩阵；

22、所述多注意力耦合模块通过将聚焦线性注意力和softmax注意力级联构建而成；

23、步骤4)通过前馈神经网络挖掘注意力特征矩阵的高维特征得到前馈神经网络输出矩阵；再使用批归一化对注意力特征矩阵和前馈神经网络输出矩阵进行归一化，得到高维特征矩阵；

24、所述使用批归一化对注意力矩阵和前馈神经网络输出矩阵进行归一化，在批归一化模块中完成；

25、步骤5)使用softmax函数逐个计算归一化后的高维特征矩阵对每个脉冲标签的分布情况，实现特征矩阵解码，得到预测标签；

26、步骤6)将训练集和测试集输入多功能雷达信号分选网络进行训练和测试，输出训练及测试标签完成雷达信号的分选；

27、所述多功能雷达信号分选网络，包括依次相连的包括脉冲位置编码模块、多注意力耦合模块、批归一化模块及解码器；

28、通过以上步骤1)到步骤6)，完成了基于多类型注意力耦合的多功能雷达信号分选网络的构建并实现了采用该网络进行含噪雷达交织脉冲流的信号分选；

29、进一步地，所述步骤2)，包括，

30、步骤201)使用最小最大归一化对数据集中的雷达特征参数进行预处理，在各个分量特征比例不变的条件下，将雷达特征参数归一化至[0,1]范围内，具体为：

31、假设数据集中有n个脉冲序列，每个脉冲序列通过特征维度为c的雷达特征参数表征；则雷达特征参数s∈rn*c的归一化过程为：

32、

33、其中，sc(n)表示第n个脉冲的第c维特征；

34、步骤202)使用可学习脉冲位置编码代替toa参数将时间信息引入脉冲序列，为脉冲序列赋予时间特性，得到经归一化和位置编码的雷达特征参数；

35、所述经归一化和位置编码的雷达特征参数表示为：

36、sinput＝snorm+plearnable，

37、其中，sinput为经预处理后的雷达特征参数；snorm为经归一化的雷达特征参数；plearnable为与脉冲序列长度相同的可学习位置编码矩阵；

38、进一步地，所述步骤3)，包括，

39、步骤301)构建聚焦线性注意力；

40、所述聚焦线性注意力通过聚焦方程增大向量间的区分度实现注意力增强聚焦，同时具有线性注意力机制的低复杂度和满秩性质；

41、步骤302)在构建聚焦线性注意力基础上添加深度卷积模块，输出聚焦线性注意力矩阵；

42、所述聚焦线性注意力矩阵具有满秩性质；

43、所述添加深度卷积模块等效于添加满秩参数矩阵，从而保证注意力权重的多样性；

44、步骤303)并行计算脉冲间的注意力矩阵并通过计算相似度建立对于同一辐射源的注意力模型，为信号分选提供依据；

45、步骤304)使用聚集函数初步增大“属于不同辐射源的雷达特征参数”间的参数区分度再通过多注意力耦合模块分级计算注意力矩阵；

46、所述增大“属于不同辐射源的雷达特征参数”间的参数区分度能有效减小交叠参数对注意力矩阵计算的影响；

47、步骤305)在softmax注意力输入与输出间增加恒等映射形成残差结构；

48、所述残差结构便于挖掘更深层次的脉冲序列信息，为增加注意力级联深度提供结构基础；

49、至此，从步骤301)到步骤305)，完成了多注意力耦合模块的构建；

50、步骤306)通过构建的多注意力耦合模块计算归一化和位置编码，得到雷达特征参数的注意力特征矩阵；

51、进一步地，所述步骤4)，包括，

52、步骤401)使用带有残差结构的前馈神经网络将多头注意力输出结果线性变化至高维，筛选有效信息后降至原维度提取注意力矩阵的高维特征，得到前馈神经网络输出矩阵；

53、步骤402)针对信号特性构建批归一化模块，分别将多注意力耦合模块与前馈神经网络输出的注意力特征矩阵及前馈神经网络输出矩阵进行批归一化，即对两个矩阵中的不同维度分别进行归一化计算；

54、所述归一化计算能减小信号中离群值对于预测结果的影响；

55、进一步地，所述步骤5)中的特征矩阵解码并得到预测标签，具体通过：使用softmax函数逐个计算参数矩阵与对应脉冲标签的匹配概率，匹配概率最高的标签即为预测标签；

56、为实现上述目的，本发明还提供一种多类型注意力耦合的多功能雷达信号分选系统，包括脉冲位置编码模块、多注意力耦合模块、批归一化模块、前馈神经网络模块及解码器，其中，

57、所述脉冲位置编码模块，用于为归一化后的输入信号添加与可学习位置编码矩阵，为脉冲串引入了时序语义内涵，使分选过程不仅依赖于单脉冲参数，为注意力机制的引入奠定了明确的物理基础。

58、所述多注意力耦合模块，通过聚焦线性注意力增大交叠率较大信号间的区分度，因而有较大参数混叠容忍度；softmax注意力的输入信号通常为序列中区分度较大的正交词向量，因而对混叠的容忍度较低；有效减小交叠参数对注意力矩阵计算的影响。

59、所述批归一化模块，用于对信号不同维度分别进行归一化计算，减小信号中离群值对于预测结果的影响。

60、所述解码器中的前馈神经网络用于将多头注意力输出结果线性变化至高维，筛选有效信息后降至原维度，来提取注意力矩阵的高维特征；再将前馈神经网络输出解码并输出雷达信号分选结果；

61、所述脉冲位置编码模块与所述多注意力耦合模块相连，所述多注意力耦合模块与所述批归一化模块相连，所述批归一化模块与所述解码器相连。

62、有益效果

63、本发明的一种基于多类型注意力耦合的多功能雷达信号分选系统及方法，与现有技术相比，具有如下有益效果：

64、1.所述系统中的脉冲位置编码模块，使用可学习位置编码代替脉冲到达时间，为脉冲流提供时间信息，自适应衰减长序列脉冲之间的关联程度，有效提高特征提取效率；

65、2.所述系统中的多注意力耦合模块，有效增大了输入脉冲序列区分度并为可靠脉冲赋予较大权重，在对不同功能参数相差较小的多功能雷达的分选精度和计算时间方面具有更大竞争力；

66、3.所述系统中的批归一化模块，能够减小数据离群值对分选结果的影响，有效提高分选准确率；

67、4.所述系统中的解码器，利用前馈神经网络将注意力矩阵线性变换至高维再映射至低维空间，提取脉冲序列更深层次参数特征，并将其逐一解码为脉冲标签，实现序列层次上的脉冲解交织。

68、5.所述方法在信号分选准确率方面具有优越性能，可显著提高对多种工作模式信号的分选精度，有效缓解误分选，降低增批率；

69、6.所述系统具有轻量化结构，所述方法与现有算法相比，能够在数据标记比例较小、测量误差存在、脉冲丢失问题严重的情况下具有更好的平均准确率和鲁棒性；

70、7.所述方法能够适用于短时间内庞大数据的处理，在真实在线分选场景中的应用存在巨大潜力，推广前景好；

71、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。