本技術(shù)涉及雷達(dá)信號處理與計算機(jī)智能，特別是涉及一種針對單平臺雷達(dá)多模態(tài)數(shù)據(jù)融合的目標(biāo)識別方法及裝置。

背景技術(shù)：

1、雷達(dá)自動目標(biāo)識別(radar?auto?target?recognition，ratr)在國家安全、航空安全領(lǐng)域發(fā)揮著重要作用，如何快速、準(zhǔn)確、穩(wěn)健地對空天目標(biāo)進(jìn)行識別是ratr最主要的任務(wù)。

2、在ratr任務(wù)中，最常使用的雷達(dá)信號為雷達(dá)散射橫截面(radar?cross?section，rcs)與高分辨一維距離像(high?range?resolution?profile，hrrp)。其中，rcs數(shù)據(jù)在實(shí)戰(zhàn)中較易獲取但包含目標(biāo)的信息量較少；hrrp數(shù)據(jù)則包含更多關(guān)于目標(biāo)的信息但在實(shí)戰(zhàn)中難以準(zhǔn)確測量。因此，如何實(shí)現(xiàn)兩種模態(tài)的雷達(dá)數(shù)據(jù)融合互補(bǔ)以提高雷達(dá)目標(biāo)識別任務(wù)的識別準(zhǔn)確率、識別穩(wěn)健性是現(xiàn)階段ratr領(lǐng)域亟待解決的問題。

3、同時，傳統(tǒng)ratr通過模版匹配的方法對雷達(dá)信號中的統(tǒng)計特征、數(shù)理特征進(jìn)行提取、匹配以實(shí)現(xiàn)對不同目標(biāo)的識別，然而傳統(tǒng)方法取得的識別率較低。近年來，基于深度學(xué)習(xí)的方法則基于數(shù)據(jù)驅(qū)動的方式對雷達(dá)信號中隱性特征進(jìn)行捕捉提取，最終達(dá)到較高的識別率，然而深度學(xué)習(xí)方法的穩(wěn)健性較低，并且未考慮跨模態(tài)雷達(dá)數(shù)據(jù)的融合識別。

技術(shù)實(shí)現(xiàn)思路

1、基于此，有必要針對上述技術(shù)問題，提供一種能夠提識別精準(zhǔn)度的針對單平臺雷達(dá)多模態(tài)數(shù)據(jù)融合的目標(biāo)識別方法及裝置。

2、一種針對單平臺雷達(dá)多模態(tài)數(shù)據(jù)融合的目標(biāo)識別方法，所述方法包括：

3、獲取待識別目標(biāo)的雷達(dá)回波數(shù)據(jù)，所述雷達(dá)回波數(shù)據(jù)由單平臺探測得到的雷達(dá)散射橫截面數(shù)據(jù)以及高分辨一維距離像；

4、對所述雷達(dá)回波數(shù)據(jù)進(jìn)行預(yù)處理，將預(yù)處理后的雷達(dá)回波數(shù)據(jù)通過蒙特卡洛采樣的方式進(jìn)行劃分后，再對劃分后得到的子序列進(jìn)行編碼得到編碼序列；

5、將所述編碼序列輸入至訓(xùn)練好的目標(biāo)識別網(wǎng)絡(luò)中，在所述目標(biāo)識別網(wǎng)絡(luò)中，由基于自注意力機(jī)制的跨域融合特征提取器根據(jù)所述編碼序列提取所述雷達(dá)散射橫截面數(shù)據(jù)以及高分辨一維距離像的融合特征，再由分類頭根據(jù)所述融合特征對目標(biāo)進(jìn)行分類，得到目標(biāo)識別的結(jié)果。

6、在其中一實(shí)施例中，所述對所述雷達(dá)回波數(shù)據(jù)進(jìn)行預(yù)處理時，依次對所述雷達(dá)回波數(shù)據(jù)采取歸一化處理以及重心對齊處理得到預(yù)處理后的雷達(dá)回波數(shù)據(jù)。

7、在其中一實(shí)施例中，所述依次對所述雷達(dá)回波數(shù)據(jù)采取歸一化處理以及對齊處理得到預(yù)處理后的雷達(dá)回波數(shù)據(jù)包括：

8、在對所述雷達(dá)回波數(shù)據(jù)中的雷達(dá)散射橫截面數(shù)據(jù)進(jìn)行預(yù)處理之前，先對其進(jìn)行取幅值處理得到雷達(dá)散射橫截面數(shù)據(jù)中實(shí)數(shù)部分?jǐn)?shù)據(jù)，并基于所述實(shí)數(shù)部分?jǐn)?shù)據(jù)進(jìn)行后續(xù)的預(yù)處理；

9、采用模2范數(shù)歸一化對所述雷達(dá)回波數(shù)據(jù)進(jìn)行處理得到幅度歸一化后的雷達(dá)回波數(shù)據(jù)；

10、采用中心對齊法對幅度歸一化后的雷達(dá)回波數(shù)據(jù)記性循環(huán)移位操作，使其中心位于距離窗的中心位置，并得到預(yù)處理后的雷達(dá)回波數(shù)據(jù)。

11、在其中一實(shí)施例中，所述將預(yù)處理后的雷達(dá)回波數(shù)據(jù)通過蒙特卡洛采樣的方式進(jìn)行劃分后，再對劃分后得到的子序列進(jìn)行編碼得到編碼序列包括：

12、按照預(yù)設(shè)長度對預(yù)處理后的雷達(dá)回波數(shù)據(jù)進(jìn)行劃分，得到多個長度一致的子序列；

13、對各所述子序列編碼為d維向量表示的子序列編碼數(shù)據(jù)，并在各所述子序列編碼數(shù)據(jù)前端添加類別提示向量，后端添加分段向量；

14、根據(jù)各所述子序列編碼數(shù)據(jù)、數(shù)據(jù)序列分段編碼以及時序位置編碼構(gòu)建得到所述編碼序列。

15、在其中一實(shí)施例中，所述基于自注意力機(jī)制的跨域融合特征提取器包括依次連接的多層征提取層；

16、將所述編碼序列輸入至第一層特征提取層得到當(dāng)前層的輸出數(shù)據(jù)，再將當(dāng)前層的輸出數(shù)據(jù)作為下一層特征提取層的輸入，以此類推，將最后一層特征提取層輸出數(shù)據(jù)作為所述融合特征。

17、在其中一實(shí)施例中，各層所述特征提取層均包括依次連接的第一層歸一化層、多頭注意力層、第二層歸一化層以及前饋層。

18、在其中一實(shí)施例中，將所述編碼序列或上一層特征提取層的輸出數(shù)據(jù)輸入至所述特征提取層后：

19、所述第一層歸一化層采用準(zhǔn)范數(shù)對所述編碼序列或上一層特征提取層的輸出數(shù)據(jù)進(jìn)行層歸一化得到第一輸出數(shù)據(jù)；

20、在所述多頭注意力層中，對所述第一輸出數(shù)據(jù)分別進(jìn)行3次線性投影分別得到查詢矩陣、鍵矩陣以及值矩陣，將這三個矩陣分別投影至多個特征子空間，并將各個子空間計算得到注意力結(jié)果進(jìn)行拼接，得到第二輸出數(shù)據(jù)；

21、將所述第二輸出數(shù)據(jù)與所述編碼序列輸入所述第二層歸一化層后，得到第三輸出數(shù)據(jù)；

22、所述前饋層通過兩層全連接的多層感知器對所述第三輸出數(shù)據(jù)進(jìn)行處理后得到第四輸出數(shù)據(jù)；

23、根據(jù)所述第四輸出數(shù)據(jù)以及第二輸出數(shù)據(jù)得到當(dāng)前層特征提取層或所述融合特征。

24、在其中一實(shí)施例中，對所述目標(biāo)識別網(wǎng)絡(luò)訓(xùn)練時，采用基于交叉熵公式構(gòu)建的損失函數(shù)。

25、一種針對單平臺雷達(dá)多模態(tài)數(shù)據(jù)融合的目標(biāo)識別裝置，所述裝置包括：

26、雷達(dá)回波數(shù)據(jù)獲取模塊，用于獲取待識別目標(biāo)的雷達(dá)回波數(shù)據(jù)，所述雷達(dá)回波數(shù)據(jù)由單平臺探測得到的雷達(dá)散射橫截面數(shù)據(jù)以及高分辨一維距離像；

27、數(shù)據(jù)預(yù)處理模塊，用于對所述雷達(dá)回波數(shù)據(jù)進(jìn)行預(yù)處理，將預(yù)處理后的雷達(dá)回波數(shù)據(jù)通過蒙特卡洛采樣的方式進(jìn)行劃分后，再對劃分后得到的子序列進(jìn)行編碼得到編碼序列；

28、目標(biāo)識別模塊，用于將所述編碼序列輸入至訓(xùn)練好的目標(biāo)識別網(wǎng)絡(luò)中，在所述目標(biāo)識別網(wǎng)絡(luò)中，由基于自注意力機(jī)制的跨域融合特征提取器根據(jù)所述編碼序列提取所述雷達(dá)散射橫截面數(shù)據(jù)以及高分辨一維距離像的融合特征，再由分類頭根據(jù)所述融合特征對目標(biāo)進(jìn)行分類，得到目標(biāo)識別的結(jié)果。

29、一種計算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機(jī)程序，所述處理器執(zhí)行所述計算機(jī)程序時實(shí)現(xiàn)以下步驟：

30、獲取待識別目標(biāo)的雷達(dá)回波數(shù)據(jù)，所述雷達(dá)回波數(shù)據(jù)由單平臺探測得到的雷達(dá)散射橫截面數(shù)據(jù)以及高分辨一維距離像；

31、對所述雷達(dá)回波數(shù)據(jù)進(jìn)行預(yù)處理，將預(yù)處理后的雷達(dá)回波數(shù)據(jù)通過蒙特卡洛采樣的方式進(jìn)行劃分后，再對劃分后得到的子序列進(jìn)行編碼得到編碼序列；

32、將所述編碼序列輸入至訓(xùn)練好的目標(biāo)識別網(wǎng)絡(luò)中，在所述目標(biāo)識別網(wǎng)絡(luò)中，由基于自注意力機(jī)制的跨域融合特征提取器根據(jù)所述編碼序列提取所述雷達(dá)散射橫截面數(shù)據(jù)以及高分辨一維距離像的融合特征，再由分類頭根據(jù)所述融合特征對目標(biāo)進(jìn)行分類，得到目標(biāo)識別的結(jié)果。

33、一種計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)以下步驟：

34、獲取待識別目標(biāo)的雷達(dá)回波數(shù)據(jù)，所述雷達(dá)回波數(shù)據(jù)由單平臺探測得到的雷達(dá)散射橫截面數(shù)據(jù)以及高分辨一維距離像；

35、對所述雷達(dá)回波數(shù)據(jù)進(jìn)行預(yù)處理，將預(yù)處理后的雷達(dá)回波數(shù)據(jù)通過蒙特卡洛采樣的方式進(jìn)行劃分后，再對劃分后得到的子序列進(jìn)行編碼得到編碼序列；

36、將所述編碼序列輸入至訓(xùn)練好的目標(biāo)識別網(wǎng)絡(luò)中，在所述目標(biāo)識別網(wǎng)絡(luò)中，由基于自注意力機(jī)制的跨域融合特征提取器根據(jù)所述編碼序列提取所述雷達(dá)散射橫截面數(shù)據(jù)以及高分辨一維距離像的融合特征，再由分類頭根據(jù)所述融合特征對目標(biāo)進(jìn)行分類，得到目標(biāo)識別的結(jié)果。

37、上述針對單平臺雷達(dá)多模態(tài)數(shù)據(jù)融合的目標(biāo)識別方法及裝置，通過由單平臺對目標(biāo)進(jìn)行探測獲取的雷達(dá)散射橫截面數(shù)據(jù)以及高分辨一維距離像進(jìn)行預(yù)處理，將預(yù)處理后的雷達(dá)回波數(shù)據(jù)通過蒙特卡洛采樣的方式進(jìn)行劃分后，再對劃分后得到的子序列進(jìn)行編碼得到編碼序列，接著通過訓(xùn)練好的目標(biāo)識別網(wǎng)絡(luò)先根據(jù)編碼序列提取兩個模態(tài)回波數(shù)據(jù)的融合特征，再通過分類頭根據(jù)融合特征對目標(biāo)進(jìn)行識別。采用本方法實(shí)現(xiàn)跨模態(tài)的rcs與hrrp數(shù)據(jù)的融合，并為后續(xù)的目標(biāo)識別任務(wù)提供具有良好表征的數(shù)據(jù)特征，提高了識別性能與識別穩(wěn)健性。