【技術實現步驟摘要】
本專利技術屬于雷達干擾信號檢測與識別，具體涉及一種基于卷積注意力機制(convolutional?block?attention?module,cbam)和排斥損失(repulsion?loss,rep)的yolov8網絡的雷達有源復合干擾信號識別與參數測量方法。
技術介紹
1、隨著現代戰場不同輻射源數量的增加，電磁環境變得愈發復雜，信號密度大，脈沖序列交織程度高，頻譜上出現激烈的爭奪與對抗。雷達會接收到多個干擾信號，這些干擾信號在時域或頻域上發生混疊形成復合干擾信號。由于接收到的混合信號可能存在干擾數量未知，會對雷達探測帶來較大的影響。為了更有效和更有針對性的采取抗干擾措施，需要對雷達回波中可能存在的干擾信號進行準確迅速的信號檢測、類型識別和參數測量，從而保證雷達的工作性能。
2、通過對目前有關復合干擾識別的相關文獻的檢索發現qu,qizhe在《ieeetransactions?on?vehicular?technology》(2020,69(12):15035-15045)發表的《jrnet:jamming?recognition?networks?for?radar?compound?suppressionjamming?signals》中提出了一種干擾分類網絡jrnet，以功率譜特征為網絡輸入，能識別4種單一干擾類型和6種復合干擾類型，雖然此方法在低干噪比下識別性能良好但是無法對干擾信號同時進行信號檢測、類型識別、參數測量的多任務處理。jiaxiang?zhang在《ieee?transactions?ona
技術實現思路
1、本專利技術為了解決現有的干擾信號識別方法工作模式單一、魯棒性差的問題，進而提出一種基于卷積注意力機制和排斥損失的yolov8網絡的雷達有源復合干擾信號識別與參數測量方法。
2、本專利技術為解決上述問題采取的技術方案是：
3、本專利技術包括如下步驟：
4、步驟1、建立雷達復合干擾信號數學模型；
5、輸入信號模型為：
6、
7、式中，k表示構成單一干擾信號分量的個數，最多由q種干擾分量構成，ji(n)表示接收到的干擾信號，ai為通過環境傳播時調制的振幅系數，awgn(n)表示高斯白噪聲，xt(n)表示真實目標回波信號。
8、步驟2、對復合干擾信號進行預處理；
9、首先，對復合干擾信號進行時頻變換，得到其時頻圖像x(t,ω)，表達式如下：
10、
11、式中，ω表示頻率，h(τ-t)為分析窗函數。
12、步驟3、將訓練集輸入卷積注意力機制和排斥損失的yolov8網絡進行訓練；
13、所述的卷積注意力機制和排斥損失的yolov8網絡包括上下文感知跨級融合網絡模塊、金字塔池化模塊、卷積注意力模塊、拼接模塊和檢測頭模塊等，其中分類分支使用了交叉熵損失函數，回歸分支使用了排斥損失函數和交并比損失函數。
14、步驟4、將訓練集視頻圖像輸入網絡的backbone部分，進行特征提取，具體包括：
15、步驟4.1、對輸入的圖像通過卷積模塊操作，提取特征；
16、步驟4.2、將卷積層得到的特征圖輸入到上下文感知跨級融合網絡模塊，上下文感知跨級融合網絡模塊包括一個1x?1的卷積層和n個bottleneck層；
17、步驟4.3、將上述得到的特征輸入到金字塔池化模塊中，金字塔池化由yolov5中的spp改進而來，由三個最大池化層、兩個卷積層和特征融合層組成，通過在特征圖上執行不同大小的池化操作，并將結果進行整合得到固定尺寸的輸出。
18、步驟5、將特征圖輸入到網絡的neck部分，進行上采樣，拼接等操作進行特征融合，并引入了卷積注意力模塊卷積注意力，增強特征提取能力，提高識別率。
19、步驟5.1、對特征圖進行上采樣操作，使得輸出的尺寸是輸入尺寸的2倍，便于后續處理；
20、步驟5.2、將上采樣得到的特征圖和上下文感知跨級融合網絡模塊得到的特征圖進行特征融合，將分別為80*80*256和80*80*512的特征圖拼接成80*80*768的特征圖，后續的拼接模塊同理；
21、步驟5.3、拼接模塊拼接之后的特征圖通過上下文感知跨級融合網絡模塊后，輸入到卷積注意力模塊中，卷積注意力模塊由通道注意力模塊和空間注意力模塊組成。
22、步驟6、將neck部分融合后的特征輸入到檢測頭模塊中，通過卷積模塊和二維卷積模塊對特征進行進一步提取，并改變其維度以便于識別操作和回歸預測框操作。在此部分引入了排斥損失函數，在干擾信號時頻圖像重疊較多時，能保持良好的回歸預測效果。使用交叉熵損失函數，排斥損失，交并比損失函數不斷修正類別和預測框的預測結果，根據預測框的坐標計算出脈寬，帶寬和中心頻率等參數。
23、步驟7、將測試集輸入訓練好的卷積注意力機制和排斥損失的yolov8網絡中，得到輸入信號中包含的干擾信號分量和干擾信號參數。
24、本專利技術的有益效果是：
25、1、與現有技術相比，本專利技術針對現有方法工作模式單一、魯棒性差的問題，設計了更智能化的復合干擾信號信號檢測識別和參數測量方法，將干擾識別問題轉換目標檢測問題，并應用目標檢測框架來檢測、識別和測量干擾信號的參數；
26、2、本專利技術通過對多種干擾信號進行組合建模分析，從信號時頻圖像的角度，設計了卷積注意力機制和排斥損失的yolov8網絡，并引入了卷積注意力注意力機制，增強網絡對圖像的特征提取能力，提高識別率；此外，還引入了排斥損失函數，在干擾信號時頻圖像重疊較多時也能保持良好的回歸預測效果；
27、3、本專利技術采用上下文感知跨級融合網絡，卷積注意力，金字塔池化等多個模塊對輸入時頻圖進行特征提取，解決了傳統方式中工作模式單一的問題；
28、4、本專利技術能夠同時完成檢測識別和參數測量的任務，同時在低干噪比下保持了良好的檢測識別性能。
本文檔來自技高網...【技術保護點】
1.基于卷積注意力機制和排斥損失的Yolov8網絡的雷達有源復合干擾信號識別與參數測量方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于卷積注意力機制和排斥損失的Yolov8網絡的雷達有源復合干擾信號識別與參數測量方法，其特征在于，步驟1中，輸入信號模型為：
3.根據權利要求1所述的基于卷積注意力機制和排斥損失的Yolov8網絡的雷達有源復合干擾信號識別與參數測量方法，其特征在于，步驟2中，對復合干擾信號進行時頻變換，得到其時頻圖像X(t,ω)，表達式如下：
4.根據權利要求1所述的基于卷積注意力機制和排斥損失的Yolov8網絡的雷達有源復合干擾信號識別與參數測量方法，其特征在于，步驟4包括：
5.根據權利要求1所述的基于卷積注意力機制和排斥損失的Yolov8網絡的雷達有源復合干擾信號識別與參數測量方法，其特征在于，步驟5包括：
【技術特征摘要】
1.基于卷積注意力機制和排斥損失的yolov8網絡的雷達有源復合干擾信號識別與參數測量方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于卷積注意力機制和排斥損失的yolov8網絡的雷達有源復合干擾信號識別與參數測量方法，其特征在于，步驟1中，輸入信號模型為：
3.根據權利要求1所述的基于卷積注意力機制和排斥損失的yolov8網絡的雷達有源復合干擾信號識別與參數測...
【專利技術屬性】
技術研發人員：肖易寒，孟祥乾，陸錢融，宋柯，蔣伊琳，郭立民，陳濤，
申請(專利權)人：哈爾濱工程大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。