本發(fā)明涉及數(shù)字信號處理領(lǐng)域與深度學(xué)習(xí)領(lǐng)域，主要通過基于自注意機制的循環(huán)神經(jīng)網(wǎng)絡(luò)對脈沖序列樣本建模，提升時間維度的特征權(quán)重，同時結(jié)合信號分布規(guī)律，提出了一種基于自注意力機制的脈沖序列識別方法、裝置及介質(zhì)，通過構(gòu)建多個輕量化的識別網(wǎng)絡(luò)模型，提升每組樣本數(shù)據(jù)的可分辨性，從而提升對復(fù)雜體制目標的識別準確率。

背景技術(shù)：

1、本節(jié)中的陳述僅提供與本公開相關(guān)的背景信息，并且可能不構(gòu)成現(xiàn)有技術(shù)。

2、隨著電子技術(shù)和數(shù)字信號處理技術(shù)的不斷發(fā)展，目前電磁環(huán)境呈現(xiàn)出目標密集、對象復(fù)雜多變等特點，這對目標識別帶來了極大的挑戰(zhàn)。

3、傳統(tǒng)的模板匹配識別方法通過專家知識構(gòu)建識別知識庫，基于常規(guī)參數(shù)實現(xiàn)雷達輻射源與知識庫中已知輻射源的匹配識別。該方法簡單快速，在電磁環(huán)境簡單、信號密度不高的場景中被廣泛使用。

4、目前輻射源參數(shù)的變化復(fù)雜，模板匹配識別技術(shù)不再適用。近些年隨著機器學(xué)習(xí)、人工智能識別技術(shù)的興起，支持向量機(support?vector?machines，svm)、cnn、lstm等技術(shù)表現(xiàn)出了強大的識別能力，逐漸成為輻射源識別領(lǐng)域的熱點研究方向，智能識別技術(shù)不斷被應(yīng)用到信號處理領(lǐng)域。

5、目前基于智能化的目標識別技術(shù)主要采用如下兩種技術(shù)思路：(1)以單個脈間參數(shù)為樣本進行模型訓(xùn)練。該方法優(yōu)點是模型簡單，缺點是樣本維度損失了脈沖之間的時序信息，降低了識別準確率。(2)以脈沖序列為樣本進行模型訓(xùn)練，依托序列化神經(jīng)網(wǎng)絡(luò)構(gòu)建全域的模型。該方法的優(yōu)點是樣本信息更加完整，存在的問題是對于分布不均勻的樣本數(shù)據(jù)，無差別歸一化預(yù)處理降低了集中分布區(qū)域目標的可分辨性。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于：為了解決復(fù)制體制目標的識別問題。在工程實踐中，輻射源識別以脈沖為輸入，簡單的脈間參數(shù)不能充分表示目標特征，脈沖序列中包含了時序前后的隱含特征，因此基于序列的深度學(xué)習(xí)模型更適合用來解決輻射源目標識別問題。循環(huán)神經(jīng)網(wǎng)絡(luò)作為一種具有短期記憶能力的神經(jīng)網(wǎng)絡(luò)，對先后順序敏感的序列具有較好的擬合和建模效果。其中，transformer中的自注意力機制可以提取到不同位置之間的關(guān)聯(lián)性，捕捉更豐富的上下文信息，與循環(huán)神經(jīng)網(wǎng)絡(luò)組合可以取得更好的效果。因此，本發(fā)明通過基于自注意力機制的循環(huán)神經(jīng)網(wǎng)絡(luò)建模，可以提升脈沖時間序列維度的特征權(quán)重，有效提升識別準確率。另一方面，按照深度學(xué)習(xí)領(lǐng)域常規(guī)的數(shù)據(jù)預(yù)處理方法，基于全域參數(shù)的歸一化會導(dǎo)致脈沖序列在頻率等參數(shù)維度的可分辨性減弱。因此，本發(fā)明提供了一種基于自注意力機制的脈沖序列識別方法、裝置及介質(zhì)，根據(jù)目標信號分布特性，構(gòu)建多組網(wǎng)絡(luò)識別模型，保證各組模型內(nèi)部特征的可分辨性，一方面減小了數(shù)據(jù)歸一化帶來的分辨率損失，一方面保證了模型的可收斂性，最終提升復(fù)制體制目標的識別準確率。

2、本發(fā)明的技術(shù)方案如下：

3、一種基于自注意力機制的脈沖序列識別方法，包括：

4、步驟s1：構(gòu)建基于自注意力機制的網(wǎng)絡(luò)模型；

5、步驟s2：采用樣本序列對網(wǎng)絡(luò)模型進行訓(xùn)練；

6、步驟s3：通過訓(xùn)練后的網(wǎng)絡(luò)模型，對當前脈沖序列進行實時型號識別。

7、進一步地，所述步驟s1，包括：

8、首先采用自注意力機制對序列之間的相關(guān)性進行重新表征，提取以后的序列特征建立起了對整個序列的依賴；

9、經(jīng)過自注意力機制提取序列特征以后，網(wǎng)絡(luò)模型后續(xù)接入一個循環(huán)門控單元gru，循環(huán)門控單元gru在長短期記憶神經(jīng)網(wǎng)絡(luò)lstm的基礎(chǔ)上將遺忘門和輸入門組合在一起，減少了門的數(shù)量從而提高了訓(xùn)練效率；

10、經(jīng)過循環(huán)門控單元gru處理以后輸出一個32維的識別結(jié)果，為了將結(jié)論映射到分類維度，在循環(huán)門控單元gru網(wǎng)絡(luò)后接入一個全連接層，完成整個網(wǎng)絡(luò)模型的建模。

11、進一步地，所述自注意力機制的計算公式如下：

12、

13、自注意力機制的輸入為一個長度為32的脈沖樣本序列y＝(y1,..yi...y32)，其中yi＝(δprii,δrfi,δpwi)，為數(shù)據(jù)預(yù)處理以后的脈沖序列；根據(jù)自注意力機制進行相關(guān)性特征提取以后得到一個相同維度的輸出z＝(z1,..zi...z32)。

14、進一步地，所述循環(huán)門控單元gru的計算公式如下：

15、rt＝σ(wirxt+bir+whrht-1+bhr)

16、zt＝σ(wizxt+biz+whzht-1+bhz)

17、nt＝tanh(winxt+bin+rt×(whnht-1+bhn))

18、ht＝(1-zt)×nt+zt×ht-1

19、循環(huán)門控單元gru網(wǎng)絡(luò)的輸入為z＝(z1,..zi...z32)，因此網(wǎng)絡(luò)的神經(jīng)元數(shù)量與輸入序列長度保持一致，神經(jīng)元數(shù)量也為32，網(wǎng)絡(luò)的層數(shù)設(shè)置為1。

20、進一步地，所述步驟s2，包括：

21、步驟s21：進行數(shù)據(jù)預(yù)處理；

22、步驟s22：基于預(yù)處理后的數(shù)據(jù)，對網(wǎng)絡(luò)模型進行訓(xùn)練。

23、進一步地，所述步驟s21，包括：

24、首先輸入樣本序列x＝(x1,x2..xi...xn)進行歸一化預(yù)處理，其中xi＝(prii,rfi,pwi)，表示一組脈間參數(shù)；對每個xi＝(prii,rfi,pwi)進行預(yù)處理，得到預(yù)處理后的yi＝(δprii,δrfi,δpwi)。

25、進一步地，所述預(yù)處理，包括如下公式：

26、

27、

28、

29、其中，rfmin,rfmax,primax,primin,pwmax,pwmin的取值來自于樣本堆的數(shù)據(jù)分布情況；以rf以例，首先獲取樣本中的最小值min(rfi)和max(rfi)，根據(jù)最大最小值的差值做一定比例的擴展，其中deltarf是當前樣本取值范圍與樣本頻段范圍占比的1/4，具體公式如下所示，其中hrf，lrf表示該樣本集合頻段的最大值與最小值；

30、rfmin＝max(((1+deltarf)*min(rfi)-deltarf*max(rfi)),lrf)

31、rfmax＝min(((1+deltarf)*max(rfi)-deltarf*min(rfi)),hrf)

32、

33、通過樣本訓(xùn)練階段得到的rfmin,rfmax,primax,primin,pwmax,pwmin將被實時同步到實時識別處理的數(shù)據(jù)預(yù)處理中，以相同的最大最小值進行歸一化，保證訓(xùn)練和識別階段參數(shù)歸一化以后特征的一致性。

34、進一步地，所述步驟s3，包括：

35、首先判斷當前脈沖序列長度是否滿足輸入條件，當脈沖序列長度大于等于網(wǎng)絡(luò)模型輸入的序列長度時，以模型輸入長度為窗劃分脈沖，構(gòu)造多組輸入；針對每組輸入脈沖序列的脈間統(tǒng)計參數(shù)，選擇對應(yīng)的輕量化模型；獲取網(wǎng)絡(luò)模型訓(xùn)練階段生成的最大最小值，用于實時識別序列的歸一化預(yù)處理，接下來再執(zhí)行基于自注意力機制的型號識別得到型號識別結(jié)論；最后根據(jù)型號識別結(jié)論，對結(jié)果進行融合形成目標結(jié)論。

36、一種基于自注意力機制的脈沖序列識別裝置，包括：存儲器、處理器以及存儲在存儲器中并可在所述處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)如上述的一種基于自注意力機制的脈沖序列識別方法的步驟。

37、一種計算機可讀儲存介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如如上述的一種基于自注意力機制的脈沖序列識別方法的步驟。

38、脈沖序列識別作為數(shù)字信號處理領(lǐng)域的重要輸出，其結(jié)果直接影響態(tài)勢生成。與傳統(tǒng)目標識別思路不同，本發(fā)明有效結(jié)合了深度學(xué)習(xí)領(lǐng)域序列識別模型，引入了自注意力機制與循環(huán)神經(jīng)網(wǎng)絡(luò)，構(gòu)造對前后序列相關(guān)性敏感的網(wǎng)絡(luò)結(jié)構(gòu)，提升重復(fù)周期參數(shù)維度的識別權(quán)重。在數(shù)據(jù)預(yù)處理方面，考慮到信號本身分布不均勻的數(shù)據(jù)特點，采用了分組多模型的思路，提升樣本在頻率等參數(shù)維度的可分辨性。該方法具有更好的擴展性和魯棒性，保證了各維參數(shù)都能保持一個較好的分辨率，有效提升復(fù)雜目標識別準確率。

39、與現(xiàn)有的技術(shù)相比本發(fā)明的有益效果是：

40、1、較之依據(jù)模版匹配的輻射源識別算法，采用模型提取參數(shù)特征，能對復(fù)雜體制目標的參數(shù)特征進行更好地表征，能適應(yīng)脈間參數(shù)組合變化更加復(fù)雜的信號，識別正確率更高。

41、2、較之采用神經(jīng)網(wǎng)絡(luò)進行輻射源識別的算法，引入自注意力機制將時間維度特征的感受野增大，提升重復(fù)周期維度特征的識別權(quán)重。另外通過分組多模型的預(yù)處理方法，避免了歸一化帶來的信息損失，維持了數(shù)據(jù)特征的可分辨性；

42、3、本發(fā)明，通過將信號識別技術(shù)與深度學(xué)習(xí)技術(shù)相結(jié)合，能適應(yīng)復(fù)雜信號的目標識別，通過自注意力機制提取到模版匹配等方法難以描述的序列時間維度前后相關(guān)性的特征信息，采用分組輕量化小模型的預(yù)處理方法提升了識別空間的可分辨性，能對復(fù)雜變化參數(shù)起到較好的識別效果。