CN119415989A 一种基于图域映射和特征增强的重频类型识别方法及装置 （西安电子科技大学）

一种基于图域映射和特征增强的重频类型本发明提供基于图域映射和特征增强的重2根据预设阈值范围对多个脉冲重复频率进行筛选，确定筛选的脉根据图域映射算法，将所述多个子序列变换成对应的格拉姆差角场构建重频类型识别网络，所述重频类型识别网络包括卷积神经子网络和注意力机制将所述训练样本输入到所述重频类型识别网络中，对所述重频类型识别网络进行训4.根据权利要求3所述的方法，其特征在于，所述重频6.根据权利要求5所述的方法，其特征在于，所述将3筛选模块，用于根据预设阈值范围对多个脉冲重复频率变换模块，用于根据图域映射算法，将所述多个子序列变换成对应构建模块，用于构建重频类型识别网络，所述训练模块，用于将所述训练样本输入到所述重频类识别模块，用于将所述测试样本输入到所述训练好的重频类型述程序运行时控制所述存储介质所在设备执行如权利要求1至8中任一项所述的基于图域4[0002]分析脉冲重复频率(PulseRepetitionFrequency，PRF)是雷达辐射源分析的核心部分。PRF定义为每秒钟发射的脉冲数目，是脉冲重复间隔(PulseRepetition[0004]本发明实施例的目的是提供一种基于图域映射和特征增强的重频类型识别方法[0011]构建重频类型识别网络，重频类型识别网络包括卷积神经子网络和注意力机制5在程序运行时控制存储介质所在设备执行上述第一方面或第一方面任一种可选的实施例[0024]通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目6[0033]图1示意性地示出了本发明实施例中的基于图域映射和特征增强的重频类型识别率对应的脉冲重复频率序列。[0043]采用图域映射算法可以实现将一维的多个PRI子序列变换成二维图像即格拉姆差[0052]基于上述图1的实现方式可以看出，本发明实施例根据预设阈值范围对多个脉冲7将具有高比例漏脉冲、虚假脉冲的复杂非理想场景下差异性不明显的PRF序列转换为特征[0053]作为对上述实施例的细化和扩展，图2为本发明实施例中的一种基于图域映射和率对应的脉冲重复频率序列。[0056]在输入的PRF中存在一定数量的异常值，可能导致后续图域映射后的特征空间发的PRF构建PRF序列。[0062]下述步骤S204_步骤S207是对根据图域映射算法，将多个子序列变换成对应的格8[0069]将每个子序列中的第n个数值缩放处理后的数值，按照如下公式转换到极坐标系p为归一化后的子序列，p为p的转置矩阵。图，图3(d)为固定类型PRF对应的格拉姆差角场图，图3(b)为抖动类型PRF对应的PRI序列图，图3(e)为抖动类型PRF对应的格拉姆差角场图，图3(c)为参差类型PRF对应的PRI序列图，图3(f)为参差类型PRF对应的格拉姆差角场图，图3(g)为滑变类型PRF对应的PRI序列图，图3(j)为滑变类型PRF对应的格拉姆差角场图，图3(h)为组边类型PRF对应的PRI序列图，图3(k)为组边类型PRF对应的格拉姆差角场图，图3(i)为正弦类型PRF对应的PRI序列9[0088]注意力机制层可以称为通道特征增强模块，通道特征增[0090]针对具有高比例漏脉冲、虚假脉冲的复杂非理想场景下重频类型识别率低的问题，构建的重频类型识别网络是在卷积神经子网络的两个卷积层之间添加注意力机制层，0.5～100.5～3.32.5～3.30.5～10[0107]实验设置具体为：本发明所用的重频类型识别网络的参数如表2所示。表2中，脉冲重复频率对应的脉冲重复频率序列；[0120]训练模块506，用于将变换模块504划分的训练样本输入到构建模块505构建的重[0121]识别模块507，用于将变换模块504划分的测试样本输入到训练模块506训练好的发明实施例的基于图域映射和特征增强的重频类型识别装置的实施例中未披露的技术细