本發(fā)明屬于雷達(dá)目標(biāo)辨識，尤其涉及一種基于transformer編碼器的雷達(dá)原始回波識別方法及系統(tǒng)。

背景技術(shù)：

1、雷達(dá)探測到的初始回波信號蘊(yùn)含了目標(biāo)物體獨(dú)特的結(jié)構(gòu)細(xì)節(jié)，因其采集與處理的便捷性，在雷達(dá)目標(biāo)辨識領(lǐng)域中扮演關(guān)鍵角色。各類物體在雷達(dá)照射下的回波強(qiáng)度各不相同，通過對這些回波信號進(jìn)行深入分析，我們能夠提取出如目標(biāo)距離、速度及方向等關(guān)鍵參數(shù)。雷達(dá)自動目標(biāo)識別技術(shù)，其核心正是將模式識別的原理與方法應(yīng)用于雷達(dá)數(shù)據(jù)處理之中，實(shí)現(xiàn)對不同目標(biāo)的有效辨識。

2、傳統(tǒng)的雷達(dá)目標(biāo)識別流程涵蓋脈沖壓縮、信號積累、rd圖構(gòu)建及最終的目標(biāo)識別幾個(gè)階段，此流程復(fù)雜且耗時(shí)，對實(shí)時(shí)性構(gòu)成挑戰(zhàn)。而深度學(xué)習(xí)技術(shù)在這一領(lǐng)域的探索，成功展示了其自動提取全面特征、實(shí)現(xiàn)高效且魯棒的高精度識別的潛力，尤其是在處理已知及未知雷達(dá)波形時(shí)展現(xiàn)出智能化優(yōu)勢。然而，面對低信噪比環(huán)境或樣本數(shù)據(jù)稀缺的情況，深度學(xué)習(xí)方法的表現(xiàn)尚存不足，有待進(jìn)一步優(yōu)化。

技術(shù)實(shí)現(xiàn)思路

1、為解決上述問題，本發(fā)明提出一種基于transformer編碼器的雷達(dá)原始回波識別方法及系統(tǒng)，使用transformer編碼器模型，憑借其獨(dú)特的注意力機(jī)制架構(gòu)，實(shí)現(xiàn)了雷達(dá)原始回波數(shù)據(jù)的深度雙向表征學(xué)習(xí)，該過程融合了所有層中的上下文信息。此模型不僅具備捕捉全局視野信息的能力，還能精準(zhǔn)捕捉并關(guān)聯(lián)局部與全局特征間的微妙聯(lián)系，展現(xiàn)出卓越的序列數(shù)據(jù)處理效能。此創(chuàng)新方法為雷達(dá)目標(biāo)識別技術(shù)帶來了革新，為武器制導(dǎo)系統(tǒng)的精度提升與智能化轉(zhuǎn)型奠定了堅(jiān)實(shí)的理論與實(shí)踐基礎(chǔ)，方法包括：

2、步驟s1、對仿真環(huán)境下采集的雷達(dá)回波原始數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理數(shù)據(jù)；

3、步驟s2、使用transformer編碼器對所述預(yù)處理數(shù)據(jù)提取雷達(dá)回波信號特征；

4、步驟s3、基于所述雷達(dá)回波信號特征輸入分類頭區(qū)分類別，使用softmax計(jì)算每個(gè)類別的概率值，基于每個(gè)類別的概率值完成基于transformer編碼器的雷達(dá)原始回波識別。

5、可選的，所述步驟s1中，雷達(dá)回波原始數(shù)據(jù)包括俯仰角、方位角掃角點(diǎn)數(shù)、頻率掃頻點(diǎn)數(shù)、rcs、回波實(shí)部、回波虛部和方位角。

6、可選的，所述步驟s2中，使用transformer編碼器對所述預(yù)處理數(shù)據(jù)提取雷達(dá)回波信號特征的過程具體包括：

7、將所述預(yù)處理數(shù)據(jù)輸入transformer編碼器中，得到位置編碼；

8、基于位置編碼，采用多頭注意力機(jī)制提取雷達(dá)回波原始數(shù)據(jù)中初始雷達(dá)回波信號特征；

9、將局部特征和全局特征通過殘差連接和層歸一化模塊，得到歸一化結(jié)果；

10、將所述歸一化結(jié)果輸入前饋網(wǎng)絡(luò)層中增強(qiáng)表征能力后使用激活函數(shù)進(jìn)行非線性擬合，通過損失函數(shù)進(jìn)行優(yōu)化后輸出雷達(dá)回波信號特征。

11、可選的，將所述預(yù)處理數(shù)據(jù)輸入transformer編碼器中，得到位置編碼的過程具體包括：

12、設(shè)嵌入表示為finp，使用不同下標(biāo)區(qū)別信號中的不同位置，位置編碼對奇數(shù)位置下標(biāo)的信號使用余弦函數(shù)，對偶數(shù)位置下標(biāo)的信號使用正弦函數(shù)，使用頻率的差異區(qū)分絕對的位置大小，位置編碼計(jì)算公式中的維度dmodel和模型中隱藏空間的維度相同，三角函數(shù)位置編碼的計(jì)算公式為：

13、

14、其中，pos代表信號所在的位置；dmodel代表模型中隱藏空間的維度大小。

15、可選的，采用多頭注意力機(jī)制提取雷達(dá)回波原始數(shù)據(jù)中初始雷達(dá)回波信號特征的過程具體包括：

16、使用多頭注意力機(jī)制計(jì)算每一個(gè)自注意力頭的特征；

17、對每個(gè)自注意力頭的特征轉(zhuǎn)換為預(yù)設(shè)維度，在最后一個(gè)維度進(jìn)行拼接，將拼接后的維度經(jīng)過全連接層，得到初始雷達(dá)回波信號特征。

18、可選的，每一個(gè)自注意力頭的特征的計(jì)算公式為：

19、

20、其中，attention操作代表上一節(jié)中的單頭自注意力操作，和為不同的參數(shù)矩陣，fp∈rb×l×d是輸入特征序列，是注意力模型中某一層的輸入或嵌入向量，為計(jì)算查詢、鍵、值向量的基礎(chǔ)特征輸入，形狀為(b、t、d)，為查詢權(quán)重矩陣，用于生成查詢向量，為鍵權(quán)重矩陣，用于生成鍵向量，為值權(quán)重矩陣，用于生成值向量，查詢、鍵和值的維度dq＝dk＝dv＝dmodel/h，其中h是注意力頭的數(shù)量。

21、本發(fā)明還公開一種基于transformer編碼器的雷達(dá)原始回波識別系統(tǒng)，系統(tǒng)包括：

22、回波數(shù)據(jù)預(yù)處理模塊，用于對仿真環(huán)境下采集的雷達(dá)回波原始數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理數(shù)據(jù)；

23、回波特征提取模塊，用于使用transformer編碼器對所述預(yù)處理數(shù)據(jù)提取雷達(dá)回波信號特征；

24、類別概率計(jì)算模塊，用于基于所述雷達(dá)回波信號特征輸入分類頭區(qū)分類別，使用softmax計(jì)算每個(gè)類別的概率值，基于每個(gè)類別的概率值完成基于transformer編碼器的雷達(dá)原始回波識別。

25、可選的，雷達(dá)回波原始數(shù)據(jù)包括俯仰角、方位角掃角點(diǎn)數(shù)、頻率掃頻點(diǎn)數(shù)、rcs、回波實(shí)部、回波虛部和方位角。

26、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果如下：

27、利用transformer編碼器處理雷達(dá)回波數(shù)據(jù)以實(shí)現(xiàn)目標(biāo)識別，其核心優(yōu)勢在于其獨(dú)特的注意力機(jī)制，該機(jī)制能夠跨越長距離捕捉數(shù)據(jù)間的依賴關(guān)系，同時(shí)聚焦于序列中的各個(gè)關(guān)鍵位置，從而整合出更為豐富且全面的上下文信息，為精準(zhǔn)識別提供支持。本發(fā)明的技術(shù)效果相比于脈壓-積累-識別的傳統(tǒng)處理流程，識別準(zhǔn)確率提升大于等于10％，準(zhǔn)確率絕對值大于等于80％，通過本發(fā)明技術(shù)方案，還能實(shí)現(xiàn)如下技術(shù)效果：

28、精度高：得益于transformer編碼器在復(fù)雜特征提取與信息融合方面的強(qiáng)大能力，該技術(shù)顯著增強(qiáng)了目標(biāo)識別的精確度，確保了高水準(zhǔn)的識別性能。

29、魯棒性強(qiáng)：即便面臨惡劣天氣挑戰(zhàn)或復(fù)雜電磁環(huán)境的干擾，該技術(shù)依然能夠維持穩(wěn)定的識別效能，展現(xiàn)出強(qiáng)大的環(huán)境適應(yīng)性與抗干擾能力。

30、適應(yīng)性強(qiáng)：本專利方法不僅局限于特定雷達(dá)系統(tǒng)，其靈活的設(shè)計(jì)使得其能夠無縫融入多種工作頻率與應(yīng)用背景的雷達(dá)體系中，展現(xiàn)了廣泛的應(yīng)用潛力。

31、實(shí)時(shí)性：通過對模型架構(gòu)與算法流程的精心優(yōu)化，該技術(shù)實(shí)現(xiàn)了對雷達(dá)回波信號的高速處理能力，確保了實(shí)時(shí)目標(biāo)識別的需求得以滿足，為快速響應(yīng)與決策提供了有力支持。

技術(shù)特征：

1.一種基于transformer編碼器的雷達(dá)原始回波識別方法，其特征在于，所述方法具體包括：

2.基于權(quán)利要求1所述的基于transformer編碼器的雷達(dá)原始回波識別方法，其特征在于，所述步驟s1中，雷達(dá)回波原始數(shù)據(jù)包括俯仰角、方位角掃角點(diǎn)數(shù)、頻率掃頻點(diǎn)數(shù)、rcs、回波實(shí)部、回波虛部和方位角。

3.基于權(quán)利要求1所述的基于transformer編碼器的雷達(dá)原始回波識別方法，其特征在于，所述步驟s2中，使用transformer編碼器對所述預(yù)處理數(shù)據(jù)提取雷達(dá)回波信號特征的過程具體包括：

4.基于權(quán)利要求3所述的基于transformer編碼器的雷達(dá)原始回波識別方法，其特征在于，將所述預(yù)處理數(shù)據(jù)輸入transformer編碼器中，得到位置編碼的過程具體包括：

5.基于權(quán)利要求3所述的基于transformer編碼器的雷達(dá)原始回波識別方法，其特征在于，采用多頭注意力機(jī)制提取雷達(dá)回波原始數(shù)據(jù)中初始雷達(dá)回波信號特征的過程具體包括：

6.基于權(quán)利要求5所述的基于transformer編碼器的雷達(dá)原始回波識別方法，其特征在于，每一個(gè)自注意力頭的特征的計(jì)算公式為：

7.一種基于transformer編碼器的雷達(dá)原始回波識別系統(tǒng)，所述系統(tǒng)用于實(shí)現(xiàn)權(quán)利要求1-6任一項(xiàng)所述的雷達(dá)原始回波識別方法，其特征在于，系統(tǒng)包括：

8.基于權(quán)利要求7所述的基于transformer編碼器的雷達(dá)原始回波識別系統(tǒng)，其特征在于，雷達(dá)回波原始數(shù)據(jù)包括俯仰角、方位角掃角點(diǎn)數(shù)、頻率掃頻點(diǎn)數(shù)、rcs、回波實(shí)部、回波虛部和方位角。

技術(shù)總結(jié)
本發(fā)明屬于雷達(dá)目標(biāo)辨識技術(shù)領(lǐng)域，公開了一種基于Transformer編碼器的雷達(dá)原始回波識別方法及系統(tǒng)，方法包括：步驟S1、對仿真環(huán)境下采集的雷達(dá)回波原始數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理數(shù)據(jù)；步驟S2、使用Transformer編碼器對所述預(yù)處理數(shù)據(jù)提取雷達(dá)回波信號特征；步驟S3、基于所述雷達(dá)回波信號特征輸入分類頭區(qū)分類別，使用softmax計(jì)算每個(gè)類別的概率值，基于每個(gè)類別的概率值完成基于Transformer編碼器的雷達(dá)原始回波識別。本發(fā)明即便面臨惡劣天氣挑戰(zhàn)或復(fù)雜電磁環(huán)境的干擾，該技術(shù)依然能夠維持穩(wěn)定的識別效能，展現(xiàn)出強(qiáng)大的環(huán)境適應(yīng)性與抗干擾能力。

技術(shù)研發(fā)人員：張雪,李旻哲,陳超
受保護(hù)的技術(shù)使用者：上海交通大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15