【技術實現步驟摘要】
本專利技術屬于被動探測領域，涉及雷達信號識別和人工智能深度學習算法等技術。
技術介紹
1、由于使用了復雜的通信、導航和雷達系統，電磁(em)環境變得更加擁擠。電子戰(ew)不斷發展，變得越來越復雜，它試圖控制和支配射頻(rf)頻譜。脈沖重復間隔調制方式識別是電子情報信號分析的一項重要內容，其準確性對于提高雷達性能具有重要作用。pri(pulse?repetition?interval,，脈沖重復間隔)調制類型通常可分為固定、參差、抖動、正弦調制、駐留切換以及滑動等。脈沖重復間隔(pri)調制類型的雷達信號是識別雷達發射器及其工作模式的固有特征。pri描述了后續雷達脈沖前沿之間的間隙模式。雷達pri調制模式是es系統輻射源識別的重要組成部分，可用于推斷雷達輻射源的用途和應用。因此，了解pri調制類型對于識別雷達發射器及其工作模式至關重要。然而，隨著對抗措施的改進和雷達功能的激增，pri調制變得更具挑戰性。當pri與背景噪聲交織在一起時，復雜性進一步增加。因此，一些傳統方法，如基于統計的方法、基于決策樹的技術和使用淺層人工神經網絡(ann)的基于學習的過程，可能不足以在嘈雜的環境中準確識別各種pri調制類型。
技術實現思路
1、為解決現有技術中pri準確性不理想的問題，本專利技術提供了一種基于注意力機制驅動連續小段波的pri類型分類方法。
2、本專利技術提出的一種基于注意力機制驅動連續小段波的pri類型分類方法，技術方案包括：
3、步驟1：利用matlab或py
4、步驟2：根據仿真的pri數據進行數據特征工程：提取維度數據，對所述維度數據進行缺失值處理，去除冗余數據；將仿真數據集按7:2:1的比例劃分為，訓練集、交叉驗證集和測試集。將訓練集幫助進行模型參數的訓練，交叉驗證集幫助確定參數的優異，最終用測試集測試模型的準確率。
5、步驟3：訓練過程中使用連續小波變換(cwt)來提取時頻信息。卷積神經網絡(cnn)、多頭自注意機制(mhsa)以及流行的長短期記憶(lstm)的組合模型，來提高自動識別幾種復雜pri調制類型的精確程度。本專利技術使用連續小波變換以二維尺度圖的形式獲得pri序列的時間頻率屬性，利用這些時間屬性特征來進行模型的訓練。搭建基于端到端的混合mhsa的cnn-lstm模型，旨在捕獲和強化所應用樣本的頻譜和時間屬性，從而提高識別性能。
6、步驟4：在隨機噪聲的電磁環境背景中，促進完整的端到端學習以進行pri調制類型鑒別。
7、步驟5：將訓練后的模型通過交叉驗證集進行模型調參；找到最優模型，通過最后的測試集測試出模型識別的結果。
8、為了進行基準比較，按照類似的方法實施和訓練多種模型。這種情況可以通過cnn等對噪聲引起的變化具有高容忍度的深度學習技術來克服。為了評估所提出方法的有效性，實施了基于resnet、流行的cnn和squeezenet的三個模型，以在整體性能和復雜度方面進行基準比較。最終本專利技術的識別準確率優于上述三個模型。
9、本專利技術的有益效果包括：
10、本專利技術的基于pri調制類型分類的準確率整體優于resnet、流行的cnn和squeezenet等流行的模型，模型的參數量與其他模型在同一個數據量集。本模型在保持原有性能的同時增加的pri的識別精度。
本文檔來自技高網...【技術保護點】
1.基于注意力機制驅動連續小段波的PRI類型分類方法：其特征在于：
【技術特征摘要】
1.基于注意力機制驅動連續小段波的...
【專利技術屬性】
技術研發人員：趙興海，嚴波，黃縱橫，李樹文，劉峻臣，
申請(專利權)人：中國船舶集團有限公司第七二四研究所，
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。