本發(fā)明涉及信號(hào)處理，具體涉及一種磁電復(fù)合探測信號(hào)的抗干擾開集識(shí)別方法、系統(tǒng)及裝置。

背景技術(shù)：

1、非視覺被動(dòng)式目標(biāo)探測，該類型目標(biāo)探測手段主要面向非合作目標(biāo)，由于其不向外主動(dòng)發(fā)射信號(hào)，相較于傳統(tǒng)的雷達(dá)探測和紅外探測而言具有良好的隱蔽性，且探測距離較遠(yuǎn)，具有很好的發(fā)展前景。目前靜電探測和磁探測是領(lǐng)域內(nèi)的主要方法。靜電探測具有其高靈敏度、適中作用距離和低誤報(bào)率等優(yōu)點(diǎn)，在精確識(shí)別移動(dòng)目標(biāo)時(shí)顯示出其獨(dú)特的優(yōu)勢；而磁探測則憑借其隱蔽性、廣泛適用范圍、不受氣候影響以及近距離探測能力等特點(diǎn)，在多種環(huán)境和戰(zhàn)術(shù)需求下發(fā)揮關(guān)鍵作用。盡管靜電探測和磁探測從體制、工作模式、信號(hào)處理等方面采取了抗干擾措施，但在各類復(fù)雜應(yīng)用場景下，單一的探測模式已經(jīng)難以獲得足夠的探測可靠性。因此，現(xiàn)階段探索將磁場探測與靜電場探測相結(jié)合，形成復(fù)合探測。

2、現(xiàn)有磁信號(hào)與靜電探測這類非視覺類目標(biāo)探測技術(shù)中，多以目標(biāo)信號(hào)時(shí)頻域特征結(jié)合門限閾值作為識(shí)別判定條件，幾乎不對(duì)識(shí)別目標(biāo)進(jìn)行區(qū)分，理想條件下待探測目標(biāo)與背景噪聲能量差異較大，可以實(shí)現(xiàn)有效目標(biāo)識(shí)別。

3、但實(shí)際應(yīng)用中，由于環(huán)境、相似目標(biāo)等外界因素的不確定性，在識(shí)別某一特定種類目標(biāo)的磁場/電場時(shí)，極易受外部環(huán)境干擾，出現(xiàn)誤觸發(fā)與漏觸發(fā)的情況。其領(lǐng)域應(yīng)用的特殊性導(dǎo)致相關(guān)研究相對(duì)較少，現(xiàn)有觀點(diǎn)大多圍繞增加傳感器種類(多傳感器復(fù)合探測)以及實(shí)時(shí)信號(hào)處理(諸如：濾波、降噪等)兩種方法，其中復(fù)合探測手段效果較好，從待識(shí)別目標(biāo)的多個(gè)特征入手，多數(shù)情況下可以實(shí)現(xiàn)常規(guī)背景噪聲與目標(biāo)物的分離，如圖1，展示了復(fù)合探測模式下弱背景干擾信號(hào)與強(qiáng)干擾背景信號(hào)對(duì)有效信號(hào)探測影響，但攝取信息種類的增加也意味著引入了新維度的噪聲信號(hào)，對(duì)于一些復(fù)雜工作場景(諸如近地面探測、存在相似目標(biāo)干擾等)，仍存在目標(biāo)識(shí)別不全、未知信號(hào)不處理、降噪效果單一等諸多問題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)在復(fù)雜環(huán)境下識(shí)別抗干擾能力弱、識(shí)別精度低，無法識(shí)別未知干擾的不足，本發(fā)明提出一種磁電復(fù)合探測信號(hào)的抗干擾開集識(shí)別方法、系統(tǒng)及裝置，通過將電磁復(fù)合探測與開集識(shí)別技術(shù)相結(jié)合，并引入多域特征提取、層級(jí)式通道感知注意力框架和相對(duì)熵干擾濾除等方法，從而解決現(xiàn)有技術(shù)存在的問題。

2、一種磁電復(fù)合探測信號(hào)的抗干擾開集識(shí)別方法，包括以下步驟：

3、獲取含已知噪聲的歷史干擾信號(hào)數(shù)據(jù)；

4、將含已知噪聲的歷史干擾信號(hào)數(shù)據(jù)在時(shí)域、頻域、小波域和分解域進(jìn)行擴(kuò)展，將擴(kuò)展后的信號(hào)輸入基于層級(jí)式通道感知注意力框架的網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練：通過卷積神經(jīng)網(wǎng)絡(luò)層將信號(hào)在不同域的信息轉(zhuǎn)化為特征表示張量后，輸入卷積注意力機(jī)制層生成加權(quán)矩陣；依據(jù)加權(quán)矩陣對(duì)每個(gè)特征進(jìn)行選擇偏重，生成經(jīng)過選擇性增強(qiáng)的特征張量，將該特征張量輸入層級(jí)式通道感知注意力層中，得到不同通道的權(quán)值，通過該權(quán)值對(duì)特征在通道維度進(jìn)行選擇；將選擇后生成的特征輸入全連接層中，輸出識(shí)別概率，完成對(duì)基于層級(jí)式通道感知注意力框架的網(wǎng)絡(luò)模型訓(xùn)練；其中，層級(jí)式通道感知注意力層中，將resnet18中卷積層的輸出、inception模塊的輸出以及該模塊的原始輸入，在通道維度上進(jìn)行拼接，將拼接后的特征通過兩個(gè)卷積模塊進(jìn)行處理，得到一組權(quán)值，利用該權(quán)值，對(duì)特征在通道維度上進(jìn)行選擇性的增強(qiáng)，將增強(qiáng)后的特征通過resnet降采樣模塊進(jìn)行降維和深度增強(qiáng)；

5、將待測的未知干擾信號(hào)數(shù)據(jù)在時(shí)域、頻域、小波域和分解域進(jìn)行擴(kuò)展，將擴(kuò)展后的信號(hào)輸入訓(xùn)練后的基于層級(jí)式通道感知注意力框架的網(wǎng)絡(luò)模型中，分別獲得時(shí)域、頻域、小波域和分解域在各分支上的識(shí)別概率和置信度；根據(jù)識(shí)別概率和置信度，判斷當(dāng)前各分支的識(shí)別結(jié)果，將含有噪聲和未知噪聲的識(shí)別結(jié)果去除，得到待測區(qū)域的探測信號(hào)。

6、進(jìn)一步地，通過傅里葉變換、小波變換和vmd分解將干擾信號(hào)數(shù)據(jù)在時(shí)域的基礎(chǔ)上擴(kuò)展至頻域、小波域和分解域，其具體分別表示為：

7、頻域：

8、小波域：

9、vmd分解：

10、其中，x(w)是原始信號(hào)x(t)的傅里葉變換，表示信號(hào)在頻域的表示；j是虛數(shù)單位；w是角頻率；t是時(shí)間；x(a,τ)為小波系數(shù)，表示信號(hào)x(t)在尺度a,τ上的小波變換值，a和τ分別為尺度參數(shù)和平移參數(shù)；為時(shí)間t上平移的小波系數(shù)；uk為第k個(gè)模態(tài)函數(shù)，表示信號(hào)中的第k個(gè)成分；ωk為第k個(gè)模態(tài)函數(shù)的中心頻率；表示uk在時(shí)間t序列上的希爾伯特變換；表示第k個(gè)模態(tài)函數(shù)的頻率調(diào)制；為梯度算子；f(t)為待分解的時(shí)間序列信號(hào)。

11、進(jìn)一步地，所述卷積神經(jīng)網(wǎng)絡(luò)層中通過卷積操作捕獲輸入信號(hào)的局部空間相關(guān)性，生成關(guān)聯(lián)矩陣，根據(jù)關(guān)聯(lián)矩陣通過激活函數(shù)建立特征與目標(biāo)之間的非線性映射關(guān)系，生成具有多維特征的特征表示張量。

12、進(jìn)一步地，所述在resnet降采樣模塊中，輸入的特征經(jīng)過卷積層進(jìn)行處理，通過跳躍連接將輸入的特征與經(jīng)過卷積層處理后的特征相加，生成殘差映射，進(jìn)而實(shí)現(xiàn)對(duì)特征的降維和深度增強(qiáng)。

13、進(jìn)一步地，所述根據(jù)識(shí)別概率和置信度，判斷當(dāng)前各分支的識(shí)別結(jié)果，將含有噪聲和未知噪聲的識(shí)別結(jié)果去除，得到待測區(qū)域的探測信號(hào)，具體包括以下步驟：

14、根據(jù)時(shí)域、頻域、小波域和分解域的各分支的識(shí)別概率獲取其識(shí)別概率的最大索引值，判斷當(dāng)前各分支的識(shí)別結(jié)果；若當(dāng)前各分支的識(shí)別結(jié)果均不相同則將其拒絕為未知類型結(jié)果；若相同則對(duì)時(shí)域、頻域、小波域和分解域的各分支的置信度進(jìn)行排序，得到時(shí)域、頻域、小波域和分解域的置信度閾值；

15、將時(shí)域、頻域、小波域和分解域在各分支上的置信度分別與各自對(duì)應(yīng)的置信度閾值進(jìn)行對(duì)比，若不大于對(duì)應(yīng)的置信度閾值時(shí)，輸出當(dāng)前識(shí)別類型，否則將當(dāng)前樣本拒絕作為未知噪聲；

16、將識(shí)別到的噪聲和未知噪聲去除，得到處理后的探測信號(hào)。

17、進(jìn)一步地，利用基于層級(jí)式通道感知注意力框架的網(wǎng)絡(luò)模型輸出的時(shí)域、頻域、復(fù)合域和分解域在各分支上的識(shí)別概率與理想概率之間的相對(duì)熵，判斷各分支對(duì)應(yīng)的置信度，所述相對(duì)熵表示為：

18、

19、其中p(x)為網(wǎng)絡(luò)模型輸出的概率分布，q(x)表示判斷為未知干擾信號(hào)的理想概率分布；將概率分布與理想概率分布中為零的值更新為1×10-9，判斷概率分布之和是否大于1，若大于1則在最大概率值上減去大于1的部分，x表示待處理信號(hào)x集合中的子集合信號(hào)。

20、進(jìn)一步地，所述干擾信號(hào)數(shù)據(jù)包括背景穩(wěn)態(tài)式干擾和欺騙式干擾；所述背景穩(wěn)態(tài)式干擾包括自摩擦和環(huán)境熱噪聲；所述欺騙式干擾包括爆炸、放電、持續(xù)脈沖、間歇脈沖、工頻干擾。

21、本發(fā)明還包括一種磁電復(fù)合探測信號(hào)的抗干擾開集識(shí)別系統(tǒng)，包括：

22、獲取模塊，用于獲取含已知噪聲的歷史干擾信號(hào)數(shù)據(jù)；

23、模型訓(xùn)練模塊，用于將含已知噪聲的歷史干擾信號(hào)數(shù)據(jù)在時(shí)域、頻域、小波域和分解域進(jìn)行擴(kuò)展，將擴(kuò)展后的信號(hào)輸入基于層級(jí)式通道感知注意力框架的網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練：通過卷積神經(jīng)網(wǎng)絡(luò)層將信號(hào)在不同域的信息轉(zhuǎn)化為特征表示張量后，輸入卷積注意力機(jī)制層生成加權(quán)矩陣；依據(jù)加權(quán)矩陣對(duì)每個(gè)特征進(jìn)行選擇偏重，生成經(jīng)過選擇性增強(qiáng)的特征張量，將該特征張量輸入層級(jí)式通道感知注意力層中，得到不同通道的權(quán)值，通過該權(quán)值對(duì)特征在通道維度進(jìn)行選擇；將選擇后生成的特征輸入全連接層中，輸出識(shí)別概率，完成對(duì)基于層級(jí)式通道感知注意力框架的網(wǎng)絡(luò)模型訓(xùn)練；其中，層級(jí)式通道感知注意力層中，將resnet18中卷積層的輸出、inception模塊的輸出以及該模塊的原始輸入，在通道維度上進(jìn)行拼接，將拼接后的特征通過兩個(gè)卷積模塊進(jìn)行處理，得到一組權(quán)值，利用該權(quán)值，對(duì)特征在通道維度上進(jìn)行選擇性的增強(qiáng)，將增強(qiáng)后的特征通過resnet降采樣模塊進(jìn)行降維和深度增強(qiáng)；

24、生成模塊，用于將待測的未知干擾信號(hào)數(shù)據(jù)在時(shí)域、頻域、小波域和分解域進(jìn)行擴(kuò)展，將擴(kuò)展后的信號(hào)輸入訓(xùn)練后的基于層級(jí)式通道感知注意力框架的網(wǎng)絡(luò)模型中，分別獲得時(shí)域、頻域、小波域和分解域在各分支上的識(shí)別概率和置信度；根據(jù)識(shí)別概率和置信度，判斷當(dāng)前各分支的識(shí)別結(jié)果，將含有噪聲和未知噪聲的識(shí)別結(jié)果去除，得到待測區(qū)域的探測信號(hào)。

25、本發(fā)明還包括一種磁電復(fù)合探測信號(hào)的抗干擾開集識(shí)別計(jì)算機(jī)設(shè)備，包括：存儲(chǔ)器、處理器以及存儲(chǔ)在所述存儲(chǔ)器內(nèi)的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)所述的磁電復(fù)合探測信號(hào)的抗干擾開集識(shí)別方法的步驟。

26、本發(fā)明還包括一種可讀存儲(chǔ)介質(zhì)，所述可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序包括程序指令，所述程序指令被處理器執(zhí)行時(shí)，用于執(zhí)行所述的磁電復(fù)合探測信號(hào)的抗干擾開集識(shí)別方法的步驟。

27、本發(fā)明提供了一種磁電復(fù)合探測信號(hào)的抗干擾開集識(shí)別方法、系統(tǒng)及裝置，具備以下有益效果：

28、本發(fā)明針對(duì)當(dāng)前近地面磁電復(fù)合探測技術(shù)在復(fù)雜環(huán)境下由于背景穩(wěn)態(tài)式干擾和欺騙式干擾導(dǎo)致的識(shí)別抗干擾能力弱、攔截效率不高的問題，提出一種面向被動(dòng)式電磁復(fù)合探測的干擾目標(biāo)開集識(shí)別與降噪方法，通過將探測信號(hào)擴(kuò)展至頻域、小波域和分解域?qū)崿F(xiàn)網(wǎng)絡(luò)預(yù)訓(xùn)練，再結(jié)合層級(jí)式通道感知注意力框架，有效提取不同域信號(hào)的特征，并利用基于相對(duì)熵的干擾濾除方法和開集識(shí)別模塊，實(shí)現(xiàn)了對(duì)目標(biāo)信號(hào)的準(zhǔn)確識(shí)別和干擾濾除，提高了系統(tǒng)的魯棒性和可靠性。