一种基于Transformer的雷达干扰信号识别方法

一种基于transformer的雷达干扰信号识别方法
技术领域
1.本发明涉及雷达信号识别领域。


背景技术：

2.随着电子信息技术的发展，国际上的战争已经逐渐演变成以电子战为主导的高科技战争，其中雷达正常运行是战争获取胜利的关键。然而目前各式各样的雷达干扰技术不断产生，干扰的存在严重威胁着雷达的作战效能，因此提升雷达的抗干扰水平具有重要的军事意义，而对雷达干扰信号进行高效准确地识别是雷达抗干扰技术的基础和关键。现有的雷达干扰信号识别方法存在以下主要问题：
3.在基于专家知识和传统分类器的雷达干扰信号识别方法中，需要消耗大量的人力和资源，其工程实用性差，并且识别结果易受到主观经验因素影响，可靠性差。
4.现有的基于深度学习的雷达干扰信号识别方法主要可分为基于卷积神经网络网络和基于循环神经网络的雷达干扰信号识别方法，在上述两种方法中，提取雷达干扰信号特征时受限于采样点之间的距离，无法有效提取长距离采样点之间的依赖关系，进而影响雷达干扰信号识别效果。
5.在现有的基于transformer的雷达干扰信号识别方法中，一方面其在进行雷达干扰信号识别时只用到了类别向量中聚合的特征，而未充分利用每个雷达干扰信号采样窗中的特征，进而一定程度上降低了雷达干扰信号的识别率。另一方面，由于实际应用中无法提供充足的雷达干扰信号训练样本，模型将存在过拟合现象，此时模型的泛化能力差、鲁棒性弱。


技术实现要素：

6.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
7.为此，本发明的目的在于提出一种基于transformer的雷达干扰信号识别方法，用于解决现有雷达干扰信号识别方法无法充分有效利用雷达干扰信号特征导致的识别准确率低的问题。
8.为达上述目的，本发明第一方面实施例提出了一种基于transformer的雷达干扰信号识别方法，包括：
9.构建雷达干扰信号时域数据集，并对所述雷达干扰信号时域数据集进行处理获取第一训练数据集；
10.对所述第一训练数据集进行样本之间的采样点融合，获取第二训练数据集；
11.将所述第一训练数据集与所述第二训练数据集进行拼接获取第三训练数据集；将所述第三训练数据集输入transformer模型中进行特征提取，所述transformer模型对应的损失函数为类别向量中包含的特征对应的损失函数与各个采样窗中包含的特征对应的损失函数之和，然后通过优化算法获取使所述transformer模型损失最小的模型参数；
12.通过对所述第三训练数据集采用有放回抽样策略得到t个采样训练集，通过所述
采样训练集以及所述模型参数训练t个transformer模型；将测试数据集输入训练好的t个transformer模型中，通过投票获取识别结果。
13.另外，根据本发明上述实施例的一种基于transformer的雷达干扰信号识别方法还可以具有以下附加的技术特征：
14.进一步地，在本发明的一个实施例中，所述构建雷达干扰信号时域数据集，包括：
15.仿真包括多类雷达干扰信号的时域数据集，其中每类干扰信号包括预设数量的样本，每个样本在存储时保存为实部采样点和虚部采样点拼接的形式，具体为每个样本对应的向量前50％为样本的实部采样点，后50％为样本的虚部采样点。
16.进一步地，在本发明的一个实施例中，所述对所述雷达干扰信号时域数据集进行处理获取第一训练数据集，包括：
17.将所述雷达干扰信号时域数据集按照预定的比例划分为三个互不相交的集合，分别为训练数据集、验证数据集和测试数据集；
18.对所述时域数据集中的每个样本进行数据预处理，包括对样本中的采样点按照预定的窗口大小进行采样窗划分。
19.进一步地，在本发明的一个实施例中，在获取第二训练数据集之后，还包括：
20.计算所述第一训练数据集与所述第二训练数据集的相关性，将相关系数作为动态标签平滑操作中的平滑系数对所述第二训练数据集中每个样本的标签进行动态标签平滑操作，获得第二标签。
21.进一步地，在本发明的一个实施例中，在获得第二标签之后，还包括：
22.通过将所述第一训练数据集对应的标签与所述第二标签进行拼接获取所述第三训练数据集对应的标签。
23.进一步地，在本发明的一个实施例中，将所述第三训练数据集输入transformer模型中进行特征提取，所述transformer模型对应的损失函数为类别向量中包含的特征对应的损失函数与各个采样窗中包含的特征对应的损失函数之和，然后通过优化算法获取使网络损失最小的模型参数，包括：
24.通过transformer模型对所述第三训练数据集进行特征提取，将提取的特征连接全连接层进行线性输出并产生损失函数，在进行损失函数计算时将类别向量对应的损失函数与每个采样窗对应的损失函数相加，形成模型的最终损失函数；
25.通过反向传播时导数链式法则计算所述最终损失函数对模型中各参数的梯度，利用优化算法根据所述梯度不断更新网络参数，找到使所述transformer模型损失最小的模型参数。
26.进一步地，在本发明的一个实施例中，所述将测试数据集输入训练好的t个transformer模型中，通过投票获取识别结果，包括：
27.将所述测试数据集并行输入到训练好的t个transformer模型中，得到t个雷达干扰信号识别结果，采用相对多数投票法，对每个个体学习器的识别结果进行投票输出，得到最终的识别结果。
28.为达上述目的，本发明第一方面实施例提出了一种基于transformer的雷达干扰信号识别装置，包括：
29.构建模块，用于构建雷达干扰信号时域数据集，并对所述雷达干扰信号时域数据
集进行处理获取第一训练数据集；
30.融合模块，用于对所述第一训练数据集进行样本之间的采样点融合，获取第二训练数据集；
31.优化模块，用于将所述第一训练数据集与所述第二训练数据集进行拼接获取第三训练数据集；将所述第三训练数据集输入transformer模型中进行特征提取，所述transformer模型对应的损失函数为类别向量中包含的特征对应的损失函数与各个采样窗中包含的特征对应的损失函数之和，然后通过优化算法获取使所述transformer模型损失最小的模型参数；
32.识别模块，用于通过对所述第三训练数据集采用有放回抽样策略得到t个采样训练集，通过所述采样训练集以及所述模型参数训练t个transformer模型；将测试数据集输入训练好的t个transformer模型中，通过投票获取识别结果。
33.为达上述目的，本发明第三方面实施例提出了一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上所述的基于transformer的雷达干扰信号识别方法。
34.为达上述目的，本发明第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的基于transformer的雷达干扰信号识别方法。
35.本发明实施例的基于transformer的雷达干扰信号识别方法，首先根据软标签数据增强方法减轻了模型的过拟合现象，然后在利用类别向量包含的特征的基础上同时还充分利用了采样窗中包含的特征，最后本发明通过对训练集有放回抽样构造同质集成，利用个体学习器之间的差异进一步提高了雷达干扰信号识别的准确率。与现有的雷达干扰信号识别方法相比，该方法的提出增强了雷达干扰信号识别的准确率，解决了现有方法无法获取长距离采样点依赖关系的缺陷，同时提高了模型的泛化能力。
附图说明
36.本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
37.图1为本发明实施例提供的一种基于transformer的雷达干扰信号识别方法的流程示意图。
38.图2为本发明实施例提供的阻塞式干扰时域波形图。
39.图3为本发明实施例提供的阻塞式干扰和扫频式干扰采样点融合过程示意图。
40.图4为本发明实施例提供的基于transformer雷达干扰信号识别方法的模型示意图。
41.图5为本发明实施例提供的同质集成示意图。
42.图6为本发明实施例提供的一种基于transformer的雷达干扰信号识别装置的流程示意图。
具体实施方式
43.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终
相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
44.下面参考附图描述本发明实施例的基于transformer的雷达干扰信号识别方法。
45.图1为本发明实施例所提供的一种基于transformer的雷达干扰信号识别方法的流程示意图。
46.如图1所示，该基于transformer的雷达干扰信号识别方法包括以下步骤：
47.s101：构建雷达干扰信号时域数据集，并对雷达干扰信号时域数据集进行处理获取第一训练数据集；
48.s102：对第一训练数据集进行样本之间的采样点融合，获取第二训练数据集；
49.s103：将第一训练数据集与第二训练数据集进行拼接获取第三训练数据集；将第三训练数据集输入transformer模型中进行特征提取，transformer模型对应的损失函数为类别向量中包含的特征对应的损失函数与各个采样窗中包含的特征对应的损失函数之和，然后通过优化算法获取使transformer模型损失最小的模型参数；
50.s104：通过对第三训练数据集采用有放回抽样策略得到t个采样训练集，通过采样训练集以及模型参数训练t个transformer模型；将测试数据集输入训练好的t个transformer模型中，通过投票获取识别结果。
51.进一步地，在本发明的一个实施例中，构建雷达干扰信号时域数据集，包括：
52.仿真了包括多类雷达干扰信号的时域数据集，其中每类干扰信号包括预设数量的样本，每个样本在存储时保存为实部采样点和虚部采样点拼接的形式，具体为每个样本对应的向量前50％为样本的实部采样点，后50％为样本的虚部采样点。
53.具体的，本发明首先分析了雷达系统所在的复杂电磁环境组成及现状，模拟实际战场环境仿真了包含12类雷达干扰信号的时域数据集，每类干扰信号有500个样本，每个样本在存储时保存为实部采样点和虚部采样点拼接的形式，即每个样本对应的向量前50％为样本的实部采样点，后50％为样本的虚部采样点。该时域数据集中涵盖了纯噪声、压制式干扰(压制式干扰又分为瞄准式干扰、扫频式干扰、阻塞干扰)、欺骗式干扰(欺骗式干扰又分为距离欺骗干扰、密集假目标干扰)、新型干扰(新型干扰又分为间歇采样转发干扰和灵巧噪声干扰)、箔条干扰和复合干扰(复合方式为加性复合，复合干扰又分为密集假目标干扰+灵巧噪声干扰、箔条干扰+间歇采样转发干扰、距离欺骗干扰+扫频干扰)，图2为构建的时域数据集中阻塞式干扰的时域波形图。
54.进一步地，在本发明的一个实施例中，对雷达干扰信号时域数据集进行处理获取第一训练数据集，包括：
55.将雷达干扰信号时域数据集按照预定的比例划分为三个互不相交的集合，分别为训练数据集、验证数据集和测试数据集；
56.对所述时域数据集中的每个样本进行数据预处理，包括对样本中的采样点按照预定的窗口大小进行采样窗划分。
57.具体的，首先将雷达干扰信号时域数据集按照3：1：1的比例随机划分为3个互不相交的集合，分别为训练数据集、验证数据集和测试数据集，其中训练数据集记为x(x＝{x1,x2,...,xn}，xn为训练集x中的样本，n为训练集x中样本的数量)，训练数据集对应的标签记为y(y＝{y1,y2,...,yn}，yn为训练集x中的样本对应的标签)。然后对时域数据集中的每个
样本进行数据预处理，即对样本中的采样点按照一定的窗口大小进行采样窗划分，采样点总长为s，窗口大小为w，则形成的采样窗个数n为n＝s/w。
58.进一步地，在本发明的一个实施例中，在获取第二训练数据集之后，还包括：
59.计算第一训练数据集与第二训练数据集的相关性，将相关系数作为动态标签平滑操作中的平滑系数对第二训练数据集中每个样本的标签进行动态标签平滑操作，获得第二标签。
60.进一步地，在本发明的一个实施例中，在获得第二标签之后，还包括：
61.通过将第一训练数据集对应的标签与第二标签进行拼接获取第三训练数据集对应的标签。
62.具体的，对得到的训练数据集x进行样本之间(样本xa和样本xb)的采样点融合，采样点融合后形成的新训练集记为x1(x1＝{x1',x2',...,xn'}，xn'为采样点融合后训练集x1中的样本)，其对应的标签记为y1(y1＝{y1',y2',...,yn'}，yn'为训练集x1中的样本对应的标签)。如图3所示，以阻塞式干扰和扫频式干扰为例说明样本之间采样点融合过程。进行采样点融合时，随机选择采样点融合区域b，对于每个样本来说，其原始标签为one-hot编码，即每个样本中的标签向量只有目标类别概率为1，其他非目标类别概率都是0，则采样点融合后新样本所对应的标签应为y'＝λya+(1-λ)yb，其中λ为融合区域的采样点长度l(b)与样本中采样点总长度s的比值。
63.计算采样点融合之前的原始训练集x与采样点融合之后形成的新数据集x1的相关性，将得到的相关系数作为动态标签平滑操作中的平滑系数ε。动态标签平滑操作的操作对象为训练集x1中每个样本的标签，在步骤三一采样点融合的基础上，动态标签平滑操作则将目标类别概率变为1-平滑系数，其他非目标类别概率呈正态分布，值得注意的是，目标类别概率与非目标类别概率和应为1。将经过动态标签平滑操作后的标签记为y2(y2＝{y
1”,y
2”,...,y
n”}，y
n”为训练集x1中的样本对应的标签)。
64.进一步地，在本发明的一个实施例中，将第三训练数据集输入transformer模型中进行特征提取，transformer模型对应的损失函数为类别向量中包含的特征对应的损失函数与各个采样窗中包含的特征对应的损失函数之和，然后通过优化算法获取使网络损失最小的模型参数，包括：
65.通过transformer模型对第三训练数据集进行特征提取，将提取的特征连接全连接层进行线性输出并产生损失函数，在进行损失函数计算时将类别向量对应的损失函数与每个采样窗对应的损失函数相加，形成模型的最终损失函数；
66.通过反向传播时导数链式法则计算所述最终损失函数对模型中各参数的梯度，利用优化算法根据梯度不断更新网络参数，找到使transformer模型损失最小的模型参数。
67.具体的，如图4所示，将原始训练集x与经过步骤三处理后得到的训练集x1中的样本进行拼接后形成的训练集x2(x2＝{x1,x2,...,xn,x1',x2',...,xn'}，xn为采样点融合前训练集x中的样本，xn'为采样点融合后训练集x1中的样本)输入到transformer模型中，其对应的标签为y与y2进行拼接后形成的最终标签y3(y3＝{y1,y2,...,yn,y
1”,y
2”,...,y
n”}，yn为采样点融合前训练集x中的样本对应的标签，y
n”为采样点融合后训练集x1中的样本经过动态标签平滑操作对应的标签)。transformer模型由堆叠的5个相同的transformer块构成，每个transformer块都由多头注意力机制、dropout、残差和layer normalization以及
全连接层组成，通过transformer对雷达干扰信号时域数据进行特征提取后，将类别向量中输出的特征以及每个采样窗输出的特征连接全连接层进行线性输出并产生损失函数，在进行损失函数计算时将类别向量对应的损失函数l0与每个采样窗对应的损失函数lm(m＝1,...,n，如步骤二中所述，n为采样窗的数量且n＝s/w)相加，形成模型最终的损失函数并将其记为l，然后反向传播时通过导数链式法则计算损失函数l对模型中各参数的梯度，利用优化算法根据梯度不断更新网络参数，找到使得网络损失最小的参数。
68.进一步地，在本发明的一个实施例中，将测试数据集输入训练好的t个transformer模型中，通过投票获取识别结果，包括：
69.将测试数据集并行输入到训练好的t个transformer模型中，得到t个雷达干扰信号识别结果，采用相对多数投票法，对每个个体学习器的识别结果进行投票输出，得到最终的识别结果。
70.如图5所示，本发明提出的通过对训练集有放回抽样构造同质集成，进而利用个体学习器之间的差异提高雷达干扰信号识别准确率的具体操作步骤。
71.具体的，本发明利用个体学习器之间的差异构造“好而不同”的个体学习器，进一步提高基于transformer的雷达干扰信号识别准确率。对步骤四中生成的训练集x2采用有放回抽样策略，抽样后得到t个相互独立的采样训练集xx1,...,xxt，然后用采样训练集分别去训练t个transformer模型，因为通过有放回抽样方法得到的t个采样训练集具有一定的差异性，所以训练的t个个体学习器也具有一定的差异性，本发明通过构造同质集成，提高了系统的鲁棒性。
72.将测试数据集并行输入到训练好的t个transformer模型中，得到t个雷达干扰信号识别结果，采用相对多数投票法，对每个个体学习器的识别结果进行投票输出，得到最终的识别结果。
73.本发明实施例的基于transformer的雷达干扰信号识别方法，首先根据软标签数据增强方法减轻了模型的过拟合现象，然后在利用类别向量包含的特征的基础上同时还充分利用了采样窗中包含的特征，最后本发明通过对训练集有放回抽样构造同质集成，利用个体学习器之间的差异进一步提高了雷达干扰信号识别的准确率。与现有的雷达干扰信号识别方法相比，该方法的提出增强了雷达干扰信号识别的准确率，解决了现有方法无法获取长距离采样点依赖关系的缺陷，同时提高了模型的泛化能力。
74.图6为本发明实施例提供的一种基于transformer的雷达干扰信号识别装置的结构示意图。
75.如图6所示，该基于transformer的雷达干扰信号识别装置包括：构建模块100，融合模块200，优化模块300，识别模块400，其中，
76.构建模块，用于构建雷达干扰信号时域数据集，并对雷达干扰信号时域数据集进行处理获取第一训练数据集；
77.融合模块，用于对第一训练数据集进行样本之间的采样点融合，获取第二训练数据集；
78.优化模块，用于将第一训练数据集与第二训练数据集进行拼接获取第三训练数据集；将第三训练数据集输入transformer模型中进行特征提取，transformer模型对应的损失函数为类别向量中包含的特征对应的损失函数与各个采样窗中包含的特征对应的损失
函数之和，然后通过优化算法获取使transformer模型损失最小的模型参数；
79.识别模块，用于通过对第三训练数据集采用有放回抽样策略得到t个采样训练集，通过采样训练集以及模型参数训练t个transformer模型；将测试数据集输入训练好的t个transformer模型中，通过投票获取识别结果。
80.为达上述目的，本发明第三方面实施例提出了一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上所述的基于transformer的雷达干扰信号识别方法。
81.为达上述目的，本发明第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的基于transformer的雷达干扰信号识别方法。
82.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
83.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
84.尽管上面已经示出和描述了本发明的实施例，可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。