(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210570005.2 (22)申请日 2022.05.24 (71)申请人 中国地质大 学 （武汉） 地址 430000 湖北省武汉市洪山区鲁磨路 388号 (72)发明人 孔瑄　陈分雄　廖森辉　 (74)专利代理 机构 武汉知产时代知识产权代理 有限公司 42 238 专利代理师 康靖 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/764(2022.01)G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G01S 7/02(2006.01) (54)发明名称 基于深度残差收缩注意力网络的认知侦察 识别方法及装置 (57)摘要 本发明提供一种基于深度残差收缩注意力 网络的认知侦察识别方法及装置， 包括： 对原始 雷达发射参数数据集进行构建并处理； 基于 MATLAB对相控阵雷达系统和告警接收机进行仿 真， 模拟实际空战环境干扰方收集到的各工作模 式下的雷达辐射源数据； 对每种工作模式进行处 理， 得到对应的雷达脉冲特征参数， 根据参数进 行分类， 完成认知侦察数据集的构建； 构建DRSAN 网络， 引入通道注意力和软阈值化思想， 对构建 的认知侦察数据集进行训练学习， 并测试网络性 能， 确定有效性。 该方法根据不同的特征描述参 数完成认知侦察数据集的构建， 对传统深度残差 收缩网络进行改进， 有效提升对于各不同工作模 式时序脉冲序列的识别准确率。 权利要求书2页 说明书9页 附图8页 CN 115204211 A 2022.10.18 CN 115204211 A 1.一种基于深度残差收缩注意力网络的认知侦察识别方法， 其特征在于， 包括以下步 骤： S1： 构建雷达发射 参数数据集； S2： 对所述 参数数据集进行仿真， 得到多种工作模式混合的雷达辐射源数据； S3： 对各种工作模式下的雷达辐射源数据进行处理， 提取得到对应的雷达脉冲特征参 数， 对工作模式按顺序编号并处 理， 完成认知侦察数据集的构建； S4： 构建DRSAN网络； S5： 利用所述认知侦察数据集， 对所述DRSAN网络进行训练， 训练完成后， 得到对于多种 不同工作模式时序脉冲序列的识别图像。 2.如权利要求1所述的一种基于深度残差收缩注意力网络的认知侦察识别方法， 其特 征在于， 步骤S1中， 所述构建雷达发射 参数数据集的步骤， 具体包括： 采集原始雷达信号数据； 根据每种工作模式的参数范围及脉内调制方式、 脉冲重复间隔PRI变化特点， 为每种工 作模式设计特定的工作模式脉冲组结构， 该结构包含脉冲个数N_Pulse、 脉冲脉内类型PM、 脉冲宽度PW、 脉冲重复 间隔PRI、 脉冲带宽BW以及脉冲载 频RF六种参数； 针对所述原始雷达信号数据， 根据不同工作模式的特点对PRI、 PW、 RF进行固定和设定 脉冲组结构的变化 规律， 建立不同工作模式参数 数据集， 即雷达发射 参数数据集。 3.如权利要求1所述的一种基于深度残差收缩注意力网络的认知侦察识别方法， 其特 征在于， 步骤S2中， 对 所述参数数据集进 行仿真， 得到多种工作模式混合的雷达辐射源数据 的步骤， 具体包括： 基于MATLAB对相控阵雷达系统发射脉冲数据， 对告警接收机侦察截获脉冲信号来模拟 实际空战环境干扰方进行仿真系统建模； 对不同工作模式下的雷达发射参数数据通过所述仿真系统进行仿真， 得到10种工作模 式下的雷达辐射源数据。 4.如权利要求3所述的一种基于深度残差收缩注意力网络的认知侦察识别方法， 其特 征在于， 步骤S 3中， 对所述雷达辐射源 数据通过包括信号截断、 包络检测、 信道 化滤波、 非相 参积累、 二维MUSIC估计、 二进制伪维格纳维尔和霍夫变换提取的方法进行处理， 提取得到 对应的雷达脉冲特征参数， 然后对工作模式进行独热编码处理， 作为对应工作模式样本的 标签， 完成认知侦察数据集的构建。 5.如权利要求1所述的一种基于深度残差收缩注意力网络的认知侦察识别方法， 其特 征在于， 步骤S4中， 所述DRSAN网络根据雷达脉冲数据时序特点， 以残差结构为基础， 融合注 意力机制和软阈值化思想， 构建一种 具有一维卷积、 池化结构的通道注意力融合软阈值化 的残差收缩单元， 并以所述残差收缩单元为基础， 发挥残差连接带来的网络深度优势， 将其 进行纵向堆叠并通过全连接层整合特 征。 6.如权利要求1所述的一种基于深度残差收缩注意力网络的认知侦察识别方法， 其特 征在于， 步骤S5中， 所述DRSAN网络由多个一维残差收缩单元与网络层链接组成， 将所述雷 达辐射源数据输入至所述DRSAN网络， 得到残差图像， 将所对应的雷达工作模式作为标签， 采用交叉熵作为损失函数， 进行端到端的训练学习， 最终 实现所属工作模式的识别。 7.如权利要求6所述的一种基于深度残差收缩注意力网络的认知侦察识别方法， 其特权　利　要　求　书 1/2 页 2 CN 115204211 A 2征在于， 每个残差收缩单元在基本的残差结构的最后一层一 维卷积层引出一路旁路分支子 网络， 子网络通过包括全局平均池化、 全连接及正则化的网络层的学习得到一组权重阈值， 用于进行样本参数特征 的软阈值化， 对各个参数特征 的冗余信息和噪声信息进行过滤， 同 时通过特征注意力加权， 聚焦对每种工作模式识别任务影响更 大的特征。 8.如权利要求6所述的一种基于深度残差收缩注意力网络的认知侦察识别方法， 其特 征在于， 所述残差收缩单 元对于雷达状态 识别的二维时序 序列， 具有更好的适应性。 9.如权利要求1所述的一种基于深度残差收缩注意力网络的认知侦察识别方法， 其特 征在于， 所述DRSAN网络的损失函数为： 其中， m表示需要分类的工作模式个数， n表示样本数， yi表示所述雷达辐射源数据， 即 DRSAN网络的输入， yim表示第m类对应的雷达辐射源数据， 表示对应的预测数据。 10.一种基于深度残差收缩注意力网络的认知侦察识别装置， 其特征在于， 包括以下模 块： 数据集构建模块， 用于构建原 始雷达发射 参数数据集并预处 理； 数据仿真模块， 用于对所述参数数据集进行数据仿真， 得到多种工作模式混合的雷达 辐射源数据； 数据处理模块， 用于对各种工作模式下的雷达辐射源数据进行处理， 提取得到对应的 雷达脉冲特 征参数， 完成认知侦察数据集的构建； 网络构建模块， 用于构建DRSAN网络； 网络训练模块， 利用所述认知侦察数据集， 对所述DRSAN网络进行训练， 训练完成后， 得 到对于多种不同工作模式时序脉冲序列的识别图像。权　利　要　求　书 2/2 页 3 CN 115204211 A 3