本發(fā)明屬于雷達(dá)有源干擾識(shí)別領(lǐng)域，尤其涉及一種基于高效多模態(tài)緩存模型的雷達(dá)有源復(fù)合干擾識(shí)別方法。

背景技術(shù)：

1、反艦導(dǎo)彈是指從海軍艦艇、岸上或飛機(jī)上發(fā)射，用于攻擊水面戰(zhàn)艦的導(dǎo)彈。在現(xiàn)代戰(zhàn)爭(zhēng)中，隨著艦艇干擾設(shè)備的迅猛發(fā)展，反艦導(dǎo)彈的生存與運(yùn)行正遭受著日益嚴(yán)峻的威脅。因此，提升反艦導(dǎo)彈的導(dǎo)引頭雷達(dá)的抗干擾能力變得尤為迫切。作為雷達(dá)抗干擾技術(shù)的首要環(huán)節(jié)，干擾類型識(shí)別在近年來(lái)受到了廣泛的關(guān)注與研究。

2、為了準(zhǔn)確地區(qū)分雷達(dá)干擾類型，多種傳統(tǒng)的干擾識(shí)別方法應(yīng)運(yùn)而生。這些方法可以大致歸為兩大類：基于似然的方法和多域特征提取方法。基于似然的方法側(cè)重于深入建模回波信號(hào)，并利用廣義似然比檢驗(yàn)等統(tǒng)計(jì)手段來(lái)區(qū)分和識(shí)別不同類型的干擾。然而，這類方法高度依賴先驗(yàn)知識(shí)，且通常需要手動(dòng)設(shè)定復(fù)雜的閾值參數(shù)，這在一定程度上限制了它們?cè)趶?fù)雜多變戰(zhàn)場(chǎng)環(huán)境中的廣泛應(yīng)用。而基于特征提取的方法則強(qiáng)調(diào)從雷達(dá)信號(hào)中提取多個(gè)領(lǐng)域(如時(shí)域、頻域、空域等)的特征，并結(jié)合機(jī)器學(xué)習(xí)算法或其他高級(jí)分類器來(lái)實(shí)現(xiàn)干擾信號(hào)的自動(dòng)識(shí)別。盡管這種方法在理論上具有更高的靈活性和適應(yīng)性，但手動(dòng)進(jìn)行特征提取不僅耗時(shí)耗力，增加了識(shí)別成本，而且所提取特征的質(zhì)量直接決定了識(shí)別結(jié)果的準(zhǔn)確性和魯棒性。因此，如何自動(dòng)、高效地提取高質(zhì)量的特征，成為了提高雷達(dá)干擾識(shí)別性能的關(guān)鍵挑戰(zhàn)。

技術(shù)實(shí)現(xiàn)思路

1、為解決上述技術(shù)問(wèn)題，本發(fā)明提供了一種基于高效多模態(tài)緩存模型的雷達(dá)有源復(fù)合干擾識(shí)別方法，包括：

2、獲取仿真雷達(dá)有源干擾時(shí)域數(shù)據(jù)，將仿真雷達(dá)有源干擾時(shí)域數(shù)據(jù)拆分為訓(xùn)練集和測(cè)試集，將所述訓(xùn)練集劃分為訓(xùn)練支撐集和訓(xùn)練查詢集；

3、基于視覺(jué)緩存模塊、文本緩存模塊和殘差連接模塊構(gòu)建高效多模態(tài)緩存模型；

4、基于所述訓(xùn)練支撐集和訓(xùn)練查詢集對(duì)所述高效多模態(tài)緩存模型進(jìn)行訓(xùn)練，通過(guò)測(cè)試集對(duì)訓(xùn)練后的模型進(jìn)行測(cè)試，獲得干擾識(shí)別模型；

5、基于所述干擾識(shí)別模型對(duì)雷達(dá)有源復(fù)合干擾進(jìn)行識(shí)別。

6、優(yōu)選地，所述雷達(dá)有源干擾時(shí)域數(shù)據(jù)包括：噪聲乘積干擾、智能噪聲干擾、頻譜彌散干擾、密集假目標(biāo)干擾、間歇采樣轉(zhuǎn)發(fā)干擾和頻率調(diào)制干擾。

7、優(yōu)選地，所述高效多模態(tài)緩存模型的運(yùn)作過(guò)程包括：

8、基于所述視覺(jué)緩存模塊提取訓(xùn)練支撐集干擾的時(shí)頻圖像特征和標(biāo)簽獨(dú)熱編碼構(gòu)建鍵值對(duì)；其中，所述視覺(jué)緩存模塊包括視覺(jué)編碼器、視覺(jué)特征優(yōu)化器、獨(dú)熱編碼器和視覺(jué)緩存，所述視覺(jué)特征優(yōu)化器由兩個(gè)全連接層和一個(gè)dropout層組成，第一個(gè)全連接層的輸出維度是512，第二個(gè)全連接層的輸出維度是36；所述視覺(jué)編碼器基于預(yù)訓(xùn)練的clip的視覺(jué)編碼部分構(gòu)成；

9、基于所述文本緩存模塊提取基于標(biāo)簽先驗(yàn)信息構(gòu)建的文本特征；其中所述文本緩存模塊包括文本編碼器、文本特征優(yōu)化器和文本緩存；所述文本編碼器基于預(yù)訓(xùn)練的clip的文本編碼部分構(gòu)成，所述文本特征優(yōu)化器由一個(gè)全連接層和一個(gè)dropout層組成，所述全連接層的輸出維度為36；

10、基于所述視覺(jué)編碼器和所述視覺(jué)特征優(yōu)化器提取訓(xùn)練查詢集干擾時(shí)頻特征，基于所述視覺(jué)緩存檢索訓(xùn)練查詢集的干擾時(shí)頻特征與訓(xùn)練支持集視覺(jué)親和度獲得視覺(jué)預(yù)測(cè)特征；

11、基于所述文本緩存檢索訓(xùn)練查詢集干擾時(shí)頻特征與訓(xùn)練支持集文本親和度獲得文本預(yù)測(cè)特征；

12、基于殘差模塊對(duì)所述視覺(jué)預(yù)測(cè)特征和所述文本預(yù)測(cè)特征進(jìn)行融合，獲得干擾識(shí)別結(jié)果。

13、優(yōu)選地，基于所述視覺(jué)緩存模塊提取訓(xùn)練支撐集干擾的時(shí)頻圖像特征和標(biāo)簽獨(dú)熱編碼構(gòu)建鍵值對(duì)的過(guò)程包括：

14、基于所述獨(dú)熱編碼器將所述訓(xùn)練支撐集的標(biāo)簽轉(zhuǎn)化為獨(dú)熱編碼：

15、基于短時(shí)傅里葉變換將訓(xùn)練支撐集的時(shí)域信號(hào)轉(zhuǎn)化成時(shí)頻圖；

16、基于所述視覺(jué)編碼器和所述視覺(jué)特征優(yōu)化器提取所述時(shí)頻圖提取時(shí)頻特征；

17、將所述時(shí)頻特征作為視覺(jué)緩存的值，將所述獨(dú)熱編碼作為視覺(jué)緩存的鍵儲(chǔ)存至所述視覺(jué)緩存中。

18、優(yōu)選地，基于所述文本緩存模塊提取基于標(biāo)簽先驗(yàn)信息構(gòu)建的文本特征的過(guò)程包括：

19、將所述訓(xùn)練支撐集標(biāo)簽轉(zhuǎn)化為簡(jiǎn)單文本提示，將所述簡(jiǎn)單文本提示轉(zhuǎn)化為文本向量輸入至文本編碼器中，獲得文本特征；

20、基于所述文本特征優(yōu)化器對(duì)所述文本特征進(jìn)行優(yōu)化，獲得優(yōu)化文本向量；

21、將所述優(yōu)化文本向量中每個(gè)類別相關(guān)的文本向量組成文本特征矩陣儲(chǔ)存至所述文本緩存中。

22、優(yōu)選地，所述獲得視覺(jué)預(yù)測(cè)特征的表達(dá)式為：

23、

24、其中，為視覺(jué)預(yù)測(cè)特征，β代表調(diào)節(jié)相似度銳度的超參數(shù)，表示計(jì)算訓(xùn)練查詢集樣本特征fquery與訓(xùn)練支持集中任一樣本特征之間的余弦相似度，ltrain為獨(dú)熱編碼矩陣。

25、優(yōu)選地，所述獲得文本預(yù)測(cè)特征的表達(dá)式為：

26、

27、其中，為文本預(yù)測(cè)特征，為文本特征矩陣。

28、優(yōu)選地，基于所述訓(xùn)練支撐集和訓(xùn)練查詢集對(duì)所述高效多模態(tài)緩存模型進(jìn)行訓(xùn)練的過(guò)程還包括：

29、利用訓(xùn)練查詢集樣本真實(shí)標(biāo)簽計(jì)算交叉熵?fù)p失，結(jié)合高效遷移學(xué)習(xí)策略凍結(jié)模型中的視覺(jué)編碼器和文本編碼器參數(shù)，采用反向梯度傳播算法迭代優(yōu)化模型中的視覺(jué)特征優(yōu)化器和文本特征優(yōu)化器參數(shù)，直至損失值不再降低為止，停止迭代優(yōu)化，輸出所述干擾識(shí)別模型。

30、優(yōu)選地，所述獲得干擾識(shí)別結(jié)果的表達(dá)式為：

31、

32、其中，ftest代表測(cè)試集干擾經(jīng)過(guò)視覺(jué)編碼器及視覺(jué)特征優(yōu)化器處理后獲得的視覺(jué)時(shí)頻特征，sfinal為干擾識(shí)別結(jié)果。

33、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點(diǎn)和技術(shù)效果：

34、本發(fā)明利用優(yōu)化完成的高效多模態(tài)緩存模型提取訓(xùn)練集干擾特征分別存儲(chǔ)在視覺(jué)緩存和文本緩存中，將測(cè)試集干擾時(shí)頻圖輸入視覺(jué)緩存模塊中的視覺(jué)編碼器和視覺(jué)特征優(yōu)化器提取訓(xùn)練查詢集干擾時(shí)頻特征，并利用視覺(jué)緩存和文本緩存分別獲得預(yù)測(cè)結(jié)果，最后在殘差連接模塊獲得干擾識(shí)別結(jié)果。本發(fā)明能夠高效利用并深入挖掘有限干擾樣本，從而提高雷達(dá)有源復(fù)合干擾識(shí)別的準(zhǔn)確率。

技術(shù)特征：

1.一種基于高效多模態(tài)緩存模型的雷達(dá)有源復(fù)合干擾識(shí)別方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述雷達(dá)有源干擾時(shí)域數(shù)據(jù)包括：噪聲乘積干擾、智能噪聲干擾、頻譜彌散干擾、密集假目標(biāo)干擾、間歇采樣轉(zhuǎn)發(fā)干擾和頻率調(diào)制干擾。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述高效多模態(tài)緩存模型的運(yùn)作過(guò)程包括：

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，基于所述視覺(jué)緩存模塊提取訓(xùn)練支撐集干擾的時(shí)頻圖像特征和標(biāo)簽獨(dú)熱編碼構(gòu)建鍵值對(duì)的過(guò)程包括：

5.根據(jù)權(quán)利要求3所述的方法，其特征在于，基于所述文本緩存模塊提取基于標(biāo)簽先驗(yàn)信息構(gòu)建的文本特征的過(guò)程包括：

6.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述獲得視覺(jué)預(yù)測(cè)特征的表達(dá)式為：

7.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述獲得文本預(yù)測(cè)特征的表達(dá)式為：

8.根據(jù)權(quán)利要求3所述的方法，其特征在于，基于所述訓(xùn)練支撐集和訓(xùn)練查詢集對(duì)所述高效多模態(tài)緩存模型進(jìn)行訓(xùn)練的過(guò)程還包括：

9.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述獲得干擾識(shí)別結(jié)果的表達(dá)式為：

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種基于高效多模態(tài)緩存模型的雷達(dá)有源復(fù)合干擾識(shí)別方法，所屬領(lǐng)域?yàn)槔走_(dá)有源干擾識(shí)別領(lǐng)域，包括：獲取仿真雷達(dá)有源干擾時(shí)域數(shù)據(jù)，將仿真雷達(dá)有源干擾時(shí)域數(shù)據(jù)拆分為訓(xùn)練集和測(cè)試集，將所述訓(xùn)練集劃分為訓(xùn)練支撐集和訓(xùn)練查詢集；基于視覺(jué)緩存模塊、文本緩存模塊和殘差連接模塊構(gòu)建高效多模態(tài)緩存模型；基于所述訓(xùn)練支撐集和訓(xùn)練查詢集對(duì)所述高效多模態(tài)緩存模型進(jìn)行訓(xùn)練，通過(guò)測(cè)試集對(duì)訓(xùn)練后的模型進(jìn)行測(cè)試，獲得干擾識(shí)別模型；基于所述干擾識(shí)別模型對(duì)雷達(dá)有源復(fù)合干擾進(jìn)行識(shí)別。本發(fā)明能夠高效利用并深入挖掘有限干擾樣本，從而提高雷達(dá)有源復(fù)合干擾識(shí)別的準(zhǔn)確率。

技術(shù)研發(fā)人員：曹宜策,石雯,范恩岐,吳振華,曹全奇,王騰鑫,楊利霞
受保護(hù)的技術(shù)使用者：安徽大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/4/24