1.一種基于小樣本遷移學(xué)習(xí)和注意力機(jī)制的雷達(dá)動目標(biāo)檢測方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于小樣本遷移學(xué)習(xí)和注意力機(jī)制的雷達(dá)動目標(biāo)檢測方法，其特征在于，所述生成不同應(yīng)用場景和預(yù)警雷達(dá)系統(tǒng)條件下的地面雜波背景的仿真回波數(shù)據(jù)，包括：
3.根據(jù)權(quán)利要求1所述的基于小樣本遷移學(xué)習(xí)和注意力機(jī)制的雷達(dá)動目標(biāo)檢測方法，其特征在于，所述在地面雜波背景雷達(dá)回波數(shù)據(jù)中加入不同功率、不同運(yùn)動速度的動目標(biāo)信號，生成模型訓(xùn)練需要的訓(xùn)練數(shù)據(jù)集，包括：
4.根據(jù)權(quán)利要求1所述的基于小樣本遷移學(xué)習(xí)和注意力機(jī)制的雷達(dá)動目標(biāo)檢測方法，其特征在于，所述fenet網(wǎng)絡(luò)模型由4層卷積層、2層池化層、4個注意力模塊以及2個全連接層和1個識別層組成；fenet網(wǎng)絡(luò)模型輸入為雷達(dá)的訓(xùn)練數(shù)據(jù)yk,h，輸出為檢測距離門對應(yīng)的動目標(biāo)速度。
5.根據(jù)權(quán)利要求4所述的基于小樣本遷移學(xué)習(xí)和注意力機(jī)制的雷達(dá)動目標(biāo)檢測方法，其特征在于，所述采用基于注意力機(jī)制的深度學(xué)習(xí)特征提取網(wǎng)絡(luò)，即fenet網(wǎng)絡(luò)模型，提取訓(xùn)練數(shù)據(jù)集的特征分布及其對應(yīng)的注意力機(jī)制參數(shù)，包括：
6.根據(jù)權(quán)利要求5所述的基于小樣本遷移學(xué)習(xí)和注意力機(jī)制的雷達(dá)動目標(biāo)檢測方法，其特征在于，所述卷積網(wǎng)絡(luò)之后的特征矩陣fc的輸出特征維度為h×w×c，h和w分別為輸出數(shù)據(jù)的長和寬，其值與卷積步長sc有關(guān)，具體如下：
7.根據(jù)權(quán)利要求5所述的基于小樣本遷移學(xué)習(xí)和注意力機(jī)制的雷達(dá)動目標(biāo)檢測方法，其特征在于，所述模型的訓(xùn)練過程為：
8.根據(jù)權(quán)利要求5所述的基于小樣本遷移學(xué)習(xí)和注意力機(jī)制的雷達(dá)動目標(biāo)檢測方法，其特征在于，基于孿生網(wǎng)絡(luò)模型，采用雷達(dá)獲取的實測數(shù)據(jù)樣本對fenet網(wǎng)絡(luò)模型進(jìn)行參數(shù)修正，從而得到小樣本下的ssm-net模型，包括：
9.根據(jù)權(quán)利要求8所述的基于小樣本遷移學(xué)習(xí)和注意力機(jī)制的雷達(dá)動目標(biāo)檢測方法，其特征在于，所述τ是設(shè)置為0.1。
10.根據(jù)權(quán)利要求8所述的基于小樣本遷移學(xué)習(xí)和注意力機(jī)制的雷達(dá)動目標(biāo)檢測方法，其特征在于，通過雷達(dá)仿真數(shù)據(jù)級和實時數(shù)據(jù)集，對ssm-net網(wǎng)絡(luò)模型參數(shù)進(jìn)行訓(xùn)練求解，包括：所述模型的訓(xùn)練過程為：