微动信号时频图的微动曲线提取方法及系统

本发明属于数字信号处理领域，具体涉及一种微动信号时频图的微动曲线提取方法及系统。

背景技术：

1、空间锥体目标识别是导弹攻防过程中的重要环节。由于空间锥体目标需要在再入大气层时保持稳定性，因此在自由段阶段表现出明显的进动特征。这种微动特征成为空间锥体目标识别的重要特征。通过对雷达信号进行时频分析，可以获得目标微动时频图，其中目标散射点的微动曲线反映了目标的结构信息和进动信息。通过提取目标微动时频图，分离各散射点的微动曲线，是实现对目标进行分类的关键。

2、现有的方法往往需要已知目标某些结构参数，运动学信息等先验知识，这类方法以参数法为代表，包括rondon变换和扩展hough变换等；该类方案将微动曲线的分离视为一个参数估计挑战。虽然这些方法有效，但它们需要对信号的调制具有极其深厚的理解，并且该类方案通常基于正弦调制假设，这限制了它们在特定场景下的适用性。此外，随着更多参数的引入，该类方案的计算需求显著增加。

3、相比之下，非参数法因其适应性强、能够适用于多种情况而常常受到青睐。常见的方法包括识别能量峰值或确定能量泛函的最小值，但这些方法只考虑了幅度和频率的变化，其精确性和可靠性较差。一些研究将时频表示曲线视为目标轨迹，并使用如卡尔曼滤波器、修改卡尔曼滤波器或变分卡尔曼滤波器等滤波器等方案来实现微动曲线的分离；然而，瞬时频率之间的交叉干扰或重叠区域可能导致跟踪不准确。目前，还有一些其他方法被设计应用于减轻重叠区域的影响，例如脊路径重组(rprg)和基于ransac的瞬时频率估计算法。然而，这些算法容易受到噪声的影响，在组分大量重叠、不连续或高噪声干扰的情况下，该类方案将面临严重的挑战。此外，当组分数量不确定时，这些方法通常需要人工干预，如参数调整和迭代控制，这对于处理大量数据来说可能极其不切实际的。此外，当信号存在中断时，这些方法还需要进行额外的关联匹配步骤，无法实现端到端的处理。

技术实现思路

1、本发明的目的之一在于提供一种可靠性高、精确性好且效率较高的微动信号时频图的微动曲线提取方法。

2、本发明的目的之二在于提供一种实现所述微动信号时频图的微动曲线提取方法的系统。

3、本发明提供的这种微动信号时频图的微动曲线提取方法，包括如下步骤：

4、s1.获取已有的微动信号时频图及对应的微动曲线数据，并构建训练数据集；

5、s2.基于自注意力网络，构建微动信号时频图的蒙版提取初步模型；

6、s3.采用步骤s1构建的训练数据集，对步骤s2构建的微动信号时频图的蒙版提取初步模型进行训练，得到微动信号时频图的蒙版提取模型；

7、s4.将实际获取的微动信号时频图输入到步骤s3得到的微动信号时频图的蒙版提取模型中，提取得到目标微动信号时频图的蒙版信息；

8、s5.将步骤s4得到的目标微动信号时频图的蒙版信息进行后处理，得到对应的微动曲线，完成目标微动信号时频图的微动曲线提取。

9、步骤s2所述的基于自注意力网络，构建微动曲线提取初步模型，包括如下步骤：

10、基于自注意力网络，构建微动曲线提取初步模型；

11、构建的微动曲线提取初步模型包括第1子网络～第n子网络，n为微动信号时频图中所包括的微动曲线的数量；

12、基于自注意网络，构建第1子网络；

13、基于自注意网络和残差连接方案，构建第2子网络～第n子网络；第2子网络～第n子网络的结构均相同；

14、原始微动信号时频图通过第1子网络处理，得到第1蒙版；

15、第i蒙版的数据和原始微动信号时频图一同通过第i+1子网络处理，得到第i+1蒙版；i取值为1～n-1。

16、所述的基于自注意网络，构建第1子网络，具体包括如下步骤：

17、构建的第1子网络包括线性层、自注意力模块、批归一化模块、dropout模块和增强模块；

18、线性层、自注意力模块、批归一化模块、dropout模块、增强模块和激活函数模块依次串联；

19、输入的原始微动信号时频图通过线性层进行位置编码，从而得到q值、k值和v值；q值、k值和v值输入到自注意力模块，用于提取输入信号的特征；自注意力模块提取得到的信号特征，通过批归一化模块和dropout模块进行处理，得到输出特征；输出特征再通过增强模块进行特征增强，得到第1蒙版。

20、所述的基于自注意网络和残差连接方案，构建第2子网络～第n子网络，具体包括如下步骤：

21、构建的第j子网络包括残差连接模块、线性层、自注意力模块、批归一化模块、dropout模块和增强模块；j取值为2～n；

22、残差连接模块、线性层、自注意力模块、批归一化模块、dropout模块、增强模块和激活函数模块依次串联；

23、第j-1蒙版的数据信息和原始微动信号时频图通过残差连接模块处理后，再通过线性层进行位置编码，得到q值；原始微动信号时频图还直接通过线性层进行位置编码，得到k值和v值；q值、k值和v值输入到自注意力模块，用于提取输入信号的特征；自注意力模块提取得到的信号特征，通过批归一化模块和dropout模块进行处理，得到输出特征；输出特征再通过增强模块进行特征增强，得到第j蒙版。

24、所述的自注意力模块，具体包括如下步骤：

25、自注意力模块包括自注意力层、第一批归一化层、第一dropout层、第一线性层、激活层、第二线性层、第二批归一化层和第二dropout层；

26、自注意力层基于多头自注意力机制，对自注意力模块接收到的q值、k值和v值，采用公式进行处理，并将处理得到的数据attention(q,k,v)进行拼接，得到第一特征图；

27、第一特征图通过第一批归一化层和第一dropout层进行处理后，得到第一特征；第一特征再依次通过第一线性层、激活层、第二线性层、第二批归一化层和第二dropout层处理，得到中间特征；其中，第一线性层的的输入长度为时频图的频谱宽度freq，这与多头注意力模块输出的长度一致，第一线性层输出长度为4*freq，这一步将输入映射到更高维的线性空间；激活层采用relu函数作为激活函数，用以拟合非线性变换，期间，数据的维度保持不变，为4*freq；第二线性层的输入维度为4*freq，输出维度为freq，将输出映射回原始的维度；中间特征再通过第二批归一化层和第二dropout层进行处理，得到第二特征；第二特征和第一特征通过残差连接后，得到输出特征图；所述输出特征图为自注意力模块的输出。

28、所述的增强模块，具体包括如下步骤：

29、增强模块包括第一卷积层、第一卷积激活函数层、第二卷积层、第二卷积激活函数层、第三卷积层、第三卷积激活函数层、第四卷积层、第四卷积激活函数层、第一反卷积层、第一反卷积激活函数层、第二反卷积层、第二反卷积激活函数层、第三反卷积层、第三反卷积激活函数层、第四反卷积层和第四反卷积激活函数层；

30、第一卷积层的输出作为第一卷积激活函数层的输入；第一卷积激活函数层的输出作为第二卷积层的输入；第二卷积层的输出作为第二卷积激活函数层的输入；第二卷积激活函数层的输出作为第三卷积层的输入；第三卷积层的输出作为第三卷积激活函数层的输入；第三卷积激活函数层的输出作为第四卷积层的输入；第四卷积层的输出作为第四卷积激活函数层的输入；第四卷积激活函数层的输出作为第一反卷积层的输入；

31、第一反卷积层的输出作为第一反卷积激活函数层的输入；第一反卷积激活函数层的输出和第三卷积激活函数层的输出进行通道拼接后，作为第二反卷积层的输入；第二反卷积层的输出作为第二反卷积激活函数层的输入；第二反卷积激活函数层的输出和第二卷积激活函数层的输出进行通道拼接后，作为第三反卷积层的输入；第三反卷积层的输出作为第三反卷积激活函数层的输入；第三反卷积激活函数层的输出和第一卷积激活函数层的输出进行通道拼接后，作为第四反卷积层的输入；第四反卷积层的输出作为第四反卷积激活函数层的输入；第四反卷积激活函数层的输出，为增强模块的输出；

32、第一卷积层的卷积核大小为3，步长为2，填充值为1；第一卷积激活函数层的激活函数为relu激活函数；第二卷积层的卷积核大小为3，步长为2，填充值为1；第二卷积激活函数层的激活函数为relu激活函数；第三卷积层的卷积核大小为3，步长为2，填充值为1；第三卷积激活函数层的激活函数为relu激活函数；第四卷积层的卷积核大小为3，步长为2，填充值为1；第四卷积激活函数层的激活函数为relu激活函数；

33、第一反卷积层的卷积核大小为3，步长为2，填充值为1；第一反卷积激活函数层的激活函数为relu激活函数；第二反卷积层的卷积核大小为3，步长为2，填充值为1；第二反卷积激活函数层的激活函数为relu激活函数；第三反卷积层的卷积核大小为3，步长为2，填充值为1；第三反卷积激活函数层的激活函数为relu激活函数；第四反卷积层的卷积核大小为3，步长为2，填充值为1；第四反卷积激活函数层的激活函数为sigmoid激活函数。

34、所述的残差连接模块，具体包括如下步骤：

35、采用如下算是作为第j子网络中的残差连接模块的处理函数：

36、

37、式中xj为第j子网络中的残差连接模块的输出；x为原始微动信号时频图；mi为第i子网络输出的第i蒙版；⊙为哈达玛积；mj-1为第j-1子网络输出的第j-1蒙版；ω(0,1)为均值为0、方差为1的高斯白噪声；α为用于控制噪声强度的权重值。

38、步骤s3所述的训练，具体包括如下步骤：

39、训练时，采用如下函数作为模型训练的损失函数：

40、

41、式中l为损失函数值；为模型输出的预测值；yjj为训练数据集中的真值；()ii为表示对第ii分量进行计算得到的损失；表示n个分量的频率；表示n个分量的强度；为n个分量的相位。

42、步骤s5所述的后处理，具体包括如下步骤：

43、通过组合原始微动信号时频图和蒙版，生成仅包含对应的单分量信号的时频图，并直接估算得到对应的微动曲线；所述的估算，包括采用维特比算法进行估算；

44、或者

45、设定蒙版的像素为1的部分的中心，对对应的微动曲线的位置，然后采用傅里叶级数的最小二乘法进行拟合，得到对应的微动曲线。

46、本发明还提供了一种实现所述微动信号时频图的微动曲线提取方法的系统，包括数据获取模块、模型构建模块、模型训练模块、蒙版提取模块和曲线提取模块；数据获取模块、模型构建模块、模型训练模块、蒙版提取模块和曲线提取模块依次串联；数据获取模块用于获取已有的微动信号时频图及对应的微动曲线数据，并构建训练数据集，并将数据信息上传模型构建模块；模型构建模块用于根据接收到的数据信息，基于自注意力网络，构建微动信号时频图的蒙版提取初步模型，并将数据信息上传模型训练模块；模型训练模块用于根据接收到的数据信息，采用构建的训练数据集，对构建的微动信号时频图的蒙版提取初步模型进行训练，得到微动信号时频图的蒙版提取模型，并将数据信息上传蒙版提取模块；蒙版提取模块用于根据接收到的数据信息，将实际获取的微动信号时频图输入到得到的微动信号时频图的蒙版提取模型中，提取得到目标微动信号时频图的蒙版信息，并将数据信息上传曲线提取模块；曲线提取模块用于根据接收到的数据信息，将得到的目标微动信号时频图的蒙版信息进行后处理，得到对应的微动曲线，完成目标微动信号时频图的微动曲线提取。

47、本发明提供的这种微动信号时频图的微动曲线提取方法及系统，通过基于自注意力网络构建蒙版提取模型，并通过提取的蒙版实现微动曲线的提取；因此本发明不仅能够实现微动信号时频图的微动曲线提取，而且可靠性更高、精确性更好。