本文件涉及雷達(dá)智能探測(cè)領(lǐng)域，尤其涉及一種雷達(dá)時(shí)頻域數(shù)據(jù)特征原型向量智能化提取方法。

背景技術(shù)：

1、雷達(dá)智能探測(cè)的信號(hào)處理及檢測(cè)識(shí)別過(guò)程大致分為預(yù)處理、特征提取和分類(lèi)判決。預(yù)處理的目的是原始雷達(dá)回波信號(hào)不僅包含目標(biāo)信息還常常伴有外部雜波和內(nèi)部噪聲，這些對(duì)目標(biāo)識(shí)別不利因素會(huì)影響最終的目標(biāo)類(lèi)別或者型號(hào)的判定工作，因此為了突出目標(biāo)特性并抑制外部雜波和內(nèi)部噪聲，需要根據(jù)原始雷達(dá)回波信號(hào)的特點(diǎn)以及識(shí)別要求進(jìn)行適當(dāng)?shù)念A(yù)處理，使其適宜于后續(xù)特征提取過(guò)程。特征提取是利用目標(biāo)特性通過(guò)有效方法提取雷達(dá)信號(hào)中有助于確定測(cè)試集目標(biāo)的類(lèi)別和型號(hào)的特征。針對(duì)不同目標(biāo)范圍以及不同形式信號(hào)，特征提取方法均有所不同。分類(lèi)判決是根據(jù)訓(xùn)練數(shù)據(jù)的特征與測(cè)試數(shù)據(jù)的特征之間的相似性對(duì)未知目標(biāo)分類(lèi)的步驟。精準(zhǔn)、高效的特征提取方法可以有效支撐后續(xù)的分類(lèi)判決過(guò)程，對(duì)雷達(dá)高精度、高準(zhǔn)確率探測(cè)任務(wù)的實(shí)現(xiàn)具有決定性作用。

2、傳統(tǒng)特征提取方法主要通過(guò)人工分析并設(shè)計(jì)特征規(guī)則進(jìn)行目標(biāo)的關(guān)鍵性特征提取。隨著智能化技術(shù)的發(fā)展，各類(lèi)基于深度學(xué)習(xí)的特征提取方法被提出，卷積神經(jīng)網(wǎng)絡(luò)(convolutional?neuralnetworks,cnn)已成為主要的特征提取工具。chen等人通過(guò)改進(jìn)的segnet在遙感影像上實(shí)現(xiàn)了對(duì)目標(biāo)的特征提取，完成了像素級(jí)語(yǔ)義分割任務(wù)。zuo等人提出一種針對(duì)航空影像的分層融合全卷積網(wǎng)絡(luò)，增強(qiáng)了卷積神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)的特征提取能力。智能化技術(shù)的應(yīng)用可以提高對(duì)雷達(dá)信號(hào)的特征提取能力，幫助提升分類(lèi)器的判決能力，但是在雷達(dá)探測(cè)領(lǐng)域依然存在提取特征顯著性不足，不利于分類(lèi)識(shí)別的問(wèn)題。

3、因此，亟需一種特征提取方法，解決現(xiàn)有特征提取方法提取到的特征顯著性不足，不利于分類(lèi)識(shí)別的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本說(shuō)明書(shū)提供一種雷達(dá)時(shí)頻域數(shù)據(jù)特征原型向量智能化提取方法，用于解決現(xiàn)有特征提取方法提取到的特征顯著性不足，不利于分類(lèi)識(shí)別的問(wèn)題。

2、第一方面，本說(shuō)明書(shū)提供了一種雷達(dá)時(shí)頻域數(shù)據(jù)特征原型向量智能化提取方法，所述方法包括：

3、獲取雷達(dá)時(shí)頻域數(shù)據(jù)，并針對(duì)檢測(cè)識(shí)別任務(wù)的數(shù)據(jù)特征向量提取需求；

4、根據(jù)所述雷達(dá)時(shí)頻域數(shù)據(jù)，構(gòu)建雷達(dá)時(shí)頻域訓(xùn)練數(shù)據(jù)集，將訓(xùn)練數(shù)據(jù)集數(shù)據(jù)分為支持集數(shù)據(jù)和查詢(xún)集數(shù)據(jù)；

5、根據(jù)所述支持集數(shù)據(jù)的標(biāo)簽信息，生成在時(shí)頻域空間隔離目標(biāo)信號(hào)與背景噪聲、干擾的二進(jìn)制分割掩碼；

6、根據(jù)所述檢測(cè)識(shí)別任務(wù)數(shù)據(jù)特征向量提取需求，搭建卷積特征提取網(wǎng)絡(luò)模型；并根據(jù)所述雷達(dá)時(shí)頻域數(shù)據(jù)和數(shù)據(jù)特征向量提取需求，為所述卷積特征提取網(wǎng)絡(luò)設(shè)計(jì)優(yōu)化函數(shù)；

7、將所述支持集數(shù)據(jù)輸入所述卷積特征提取網(wǎng)絡(luò)，得到雷達(dá)時(shí)頻域數(shù)據(jù)特征圖；

8、根據(jù)所述雷達(dá)時(shí)頻域數(shù)據(jù)特征圖和支持集數(shù)據(jù)分割掩碼，進(jìn)行掩碼平均池化處理；

9、根據(jù)所述掩碼平均池化處理結(jié)果和查詢(xún)集數(shù)據(jù)，使用所述優(yōu)化函數(shù)計(jì)算損失函數(shù)數(shù)值，并對(duì)對(duì)卷積特征提取網(wǎng)絡(luò)模型參數(shù)進(jìn)行迭代更新，直到訓(xùn)練結(jié)果收斂滿(mǎn)足需求，得到雷達(dá)時(shí)頻域數(shù)據(jù)的特征原型向量結(jié)果。

10、第二方面，本說(shuō)明書(shū)提供了一種雷達(dá)時(shí)頻域數(shù)據(jù)特征原型向量智能化提取裝置，包括：數(shù)據(jù)獲取及需求提取模塊、數(shù)據(jù)集構(gòu)建模塊、分割掩碼生成模塊、網(wǎng)絡(luò)模型搭建與優(yōu)化模塊、時(shí)頻域數(shù)據(jù)特征提取模塊、掩碼池化處理模塊、模型訓(xùn)練及應(yīng)用模塊；其中：

11、所述數(shù)據(jù)獲取及需求提取模塊，用于獲取雷達(dá)時(shí)頻域數(shù)據(jù)，并針對(duì)檢測(cè)識(shí)別任務(wù)的數(shù)據(jù)特征向量提取需求；

12、所述數(shù)據(jù)集構(gòu)建模塊，用于根據(jù)所述雷達(dá)時(shí)頻域數(shù)據(jù)，構(gòu)建雷達(dá)時(shí)頻域訓(xùn)練數(shù)據(jù)集，將訓(xùn)練數(shù)據(jù)集數(shù)據(jù)分為支持集數(shù)據(jù)和查詢(xún)集數(shù)據(jù)；

13、所述分割掩碼生成模塊，用于根據(jù)所述支持集數(shù)據(jù)的標(biāo)簽信息，生成支持集數(shù)據(jù)的分割掩碼；

14、所述網(wǎng)絡(luò)模型搭建與優(yōu)化模塊，用于根據(jù)所述檢測(cè)識(shí)別任務(wù)數(shù)據(jù)特征向量提取需求，搭建卷積特征提取網(wǎng)絡(luò)模型；并根據(jù)所述雷達(dá)時(shí)頻域數(shù)據(jù)和數(shù)據(jù)特征向量提取需求，為所述卷積特征提取網(wǎng)絡(luò)設(shè)計(jì)優(yōu)化函數(shù)；

15、所述時(shí)頻域數(shù)據(jù)特征提取模塊，用于將所述支持集數(shù)據(jù)輸入所述卷積特征提取網(wǎng)絡(luò)，得到雷達(dá)時(shí)頻域數(shù)據(jù)特征圖；

16、所述掩碼池化處理模塊，用于根據(jù)所述雷達(dá)時(shí)頻域數(shù)據(jù)特征圖和支持集數(shù)據(jù)分割掩碼，進(jìn)行掩碼平均池化處理；

17、所述模型訓(xùn)練及應(yīng)用模塊，用于根據(jù)所述掩碼平均池化處理結(jié)果和查詢(xún)集數(shù)據(jù)，使用所述優(yōu)化函數(shù)計(jì)算損失函數(shù)數(shù)值，并對(duì)對(duì)卷積特征提取網(wǎng)絡(luò)模型參數(shù)進(jìn)行迭代更新，直到訓(xùn)練結(jié)果收斂滿(mǎn)足需求，得到雷達(dá)時(shí)頻域數(shù)據(jù)的特征原型向量結(jié)果。

18、本發(fā)明的有益效果如下：

19、本說(shuō)明書(shū)提供了一種雷達(dá)時(shí)頻域數(shù)據(jù)特征原型向量智能化提取方法，該方法通過(guò)構(gòu)建雷達(dá)時(shí)頻域訓(xùn)練數(shù)據(jù)，為智能化提取方法提供訓(xùn)練樣本；將雷達(dá)時(shí)頻域訓(xùn)練數(shù)據(jù)分為支持集和查詢(xún)集；對(duì)支持集樣本標(biāo)簽進(jìn)行分析處理，生成支持集樣本的分割掩碼；搭建卷積特征提取網(wǎng)絡(luò)模型，并初始化網(wǎng)絡(luò)模型參數(shù)；對(duì)卷積特征提取網(wǎng)絡(luò)提取的雷達(dá)時(shí)頻域數(shù)據(jù)特征圖進(jìn)行掩碼平均池化處理；設(shè)計(jì)卷積特征提取網(wǎng)絡(luò)優(yōu)化函數(shù)；使用查詢(xún)集數(shù)據(jù)標(biāo)簽計(jì)算損失函數(shù)，并對(duì)卷積特征提取網(wǎng)絡(luò)模型參數(shù)進(jìn)行迭代更新，直到訓(xùn)練結(jié)果收斂滿(mǎn)足需求，輸出目標(biāo)信號(hào)的特征原型向量。該方法利用支持集數(shù)據(jù)標(biāo)簽監(jiān)督智能化網(wǎng)絡(luò)，結(jié)合掩碼平均池化策略屏蔽背景中的雜波及干擾影響，可以有效提升智能化網(wǎng)絡(luò)對(duì)目標(biāo)回波信號(hào)特征原型向量的提取質(zhì)量，可以支撐復(fù)雜場(chǎng)景下高性能要求的智能化目標(biāo)檢測(cè)識(shí)別任務(wù)實(shí)現(xiàn)。

技術(shù)特征：

1.一種雷達(dá)時(shí)頻域數(shù)據(jù)特征原型向量智能化提取方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述針對(duì)檢測(cè)識(shí)別任務(wù)的數(shù)據(jù)特征向量提取需求，包括：

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述支持集數(shù)據(jù)用于在模型訓(xùn)練過(guò)程中提取特征原型向量；

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述根據(jù)所述支持集數(shù)據(jù)的標(biāo)簽信息，生成在時(shí)頻域空間隔離目標(biāo)信號(hào)與背景噪聲、干擾的二進(jìn)制分割掩碼，包括：

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述根據(jù)所述檢測(cè)識(shí)別任務(wù)數(shù)據(jù)特征向量提取需求，搭建卷積特征提取網(wǎng)絡(luò)模型包括：

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述卷積特征提取網(wǎng)絡(luò)優(yōu)化函數(shù)包括：

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述將所述支持集數(shù)據(jù)輸入所述卷積特征提取網(wǎng)絡(luò)，得到雷達(dá)時(shí)頻域數(shù)據(jù)特征圖，包括：

8.根據(jù)權(quán)利要求7所述的方法，其特征在于，所述根據(jù)所述雷達(dá)時(shí)頻域數(shù)據(jù)特征圖和支持集數(shù)據(jù)分割掩碼，進(jìn)行掩碼平均池化處理，包括：

9.根據(jù)權(quán)利要求8所述的方法，其特征在于，所述根據(jù)所述掩碼平均池化處理結(jié)果和查詢(xún)集數(shù)據(jù)，使用所述優(yōu)化函數(shù)計(jì)算損失函數(shù)數(shù)值，并對(duì)對(duì)卷積特征提取網(wǎng)絡(luò)模型參數(shù)進(jìn)行迭代更新，直到訓(xùn)練結(jié)果收斂滿(mǎn)足需求，得到雷達(dá)時(shí)頻域數(shù)據(jù)的特征原型向量結(jié)果，包括：

10.一種雷達(dá)時(shí)頻域數(shù)據(jù)特征原型向量智能化提取裝置，應(yīng)用于權(quán)利要求1至9中任一項(xiàng)所述的方法，其特征在于，包括：數(shù)據(jù)獲取及需求提取模塊、數(shù)據(jù)集構(gòu)建模塊、分割掩碼生成模塊、網(wǎng)絡(luò)模型搭建與優(yōu)化模塊、時(shí)頻域數(shù)據(jù)特征提取模塊、掩碼池化處理模塊、模型訓(xùn)練及應(yīng)用模塊；其中：

技術(shù)總結(jié)
本說(shuō)明書(shū)提供了一種雷達(dá)時(shí)頻域數(shù)據(jù)特征原型向量智能化提取方法，涉及雷達(dá)智能探測(cè)領(lǐng)域。該方法通過(guò)構(gòu)建雷達(dá)時(shí)頻域訓(xùn)練數(shù)據(jù)，為智能化提取方法提供訓(xùn)練樣本；將雷達(dá)時(shí)頻域訓(xùn)練數(shù)據(jù)分為支持集和查詢(xún)集；對(duì)支持集樣本標(biāo)簽進(jìn)行分析處理，生成支持集樣本的分割掩碼；搭建卷積特征提取網(wǎng)絡(luò)模型，并初始化網(wǎng)絡(luò)模型參數(shù)；對(duì)卷積特征提取網(wǎng)絡(luò)提取的雷達(dá)時(shí)頻域數(shù)據(jù)特征圖進(jìn)行掩碼平均池化處理；設(shè)計(jì)卷積特征提取網(wǎng)絡(luò)優(yōu)化函數(shù)；使用查詢(xún)集數(shù)據(jù)標(biāo)簽計(jì)算損失函數(shù)，并對(duì)卷積特征提取網(wǎng)絡(luò)模型參數(shù)進(jìn)行迭代更新，直到訓(xùn)練結(jié)果收斂滿(mǎn)足需求，輸出目標(biāo)信號(hào)的特征原型向量。解決了現(xiàn)有特征提取方法提取到的特征顯著性不足，不利于分類(lèi)識(shí)別的問(wèn)題。

技術(shù)研發(fā)人員：徐惠靈,蘇琪雅,于沐堯,藺震,趙青
受保護(hù)的技術(shù)使用者：北京遙感設(shè)備研究所
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/8