买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种基于多模态信息融合的雷达辐射源个体识别方法，所述方法包括：步骤1、数据获取；步骤2、采用短时傅里叶变换，利用中频数据Q进行时频转换；步骤3、对全脉冲数据进行归一化处理；步骤4、构建两分支雷达辐射源特征融合网络，由中频分支和全脉冲分支组成；步骤5、构建MLP神经网络分类器，得到辐射源个体的识别结果；步骤6、使用步骤2和步骤3所处理后的数据，训练步骤4搭建的融合网络和步骤5搭建的MLP神经网络分类器，并将训练完成的网络应用于雷达辐射源个体识别。本申请融合了中频与全脉冲数据，利用针对性设计的神经网络，通过自注意力机制，多角度挖掘辐射源个体的微粒特征，实现对辐射源个体的有效识别。

主权项：1.一种基于多模态信息融合的雷达辐射源个体识别方法，其特征在于，所述方法包括：步骤1、数据获取：将侦收设备所截获的全脉冲序列记为P1，P2，P3，…Pi，…，Pn，其中，P代表全脉冲数据，n为所截获的全脉冲数据的数量；Pi代表截获的第i个全脉冲数据，表示为Pi＝{RFi，PAi，PWi，PRIi}，其中RFi代表脉冲间载频分量，PAi代表脉冲间幅度分量，PWi代表脉冲间脉宽分量，PRIi代表脉冲间重复间隔分量；将截获的中频数据记为Q1，Q2，Q3，…Qi，…，Qn，Q代表中频数据，Qi代表所截获的第i个中频数据；中频数据Q与全脉冲数据P一一对应；步骤2、采用短时傅里叶变换，利用中频数据Q进行时频转换，获取时频图；步骤3、对全脉冲数据P进行归一化处理，获取无量纲数据；步骤4、构建两分支雷达辐射源特征融合网络，由中频分支和全脉冲分支组成；其中中频分支以Transformer为基本组成单元，通过多层叠加，实现对时频图的特征提取；全脉冲分支以全连接层为基础，进行全脉冲信息特征提取；随后将两分支的特征进行拼接，并利用全连接层将拼接后的特征进行融合；具体构建过程为：步骤4.1、构建中频神经网络分支，对时频图的特征进行提取，具体步骤为：步骤4.1.1、构建Embedding层，用于将输入的时频图转换为TransformerEncoder层能够使用的数据形式；步骤4.1.2、构建TransformerEncoder层，TransformerEncoder层由多个顺接的Transformer模块和多个顺接的MLP全连接层组成，最后一个Transformer模块的输出作为第一个MLP全连接层的输入；Transformer模块首先通过线性变换得到查询向量矩阵Q、键值向量矩阵K、值向量矩阵V：Q＝FCWQK＝FCWKV＝FCWV其中WQ、WK、Wv均为具备训练能力的线性参数矩阵；其次，利用查询向量矩阵Q、键值向量矩阵K、值向量矩阵V利用softmax操作计算得到具有自相关注意力权重的特征层： 其中dk为向量K的长度，KT为对K进行转置后的数据，AttentionQ，K，V为带有注意力权重的特征层；最后，构建MLP全连接层，将AttentionQ，K，V转换为与FC维度相同的矩阵向量；步骤4.2、构建多层MLP神经网络组成的全脉冲神经网络分支，对全脉冲特征进行提取；步骤4.3、构建拼接融合网络，将中频神经网络分支与全脉冲神经网络分支进行拼接融合，具体步骤为：步骤4.3.1、对中频神经网络分支的输出TL进行线性变换，得到一维序列步骤4.3.2、将进行降维处理，随后与全脉冲神经网络分支输出的使用拼接操作，得到拼接后的特征步骤4.3.3、将拼接后的特征通过构建多层MLP神经网络进行数据融合，得到融合后的特征步骤5、构建MLP神经网络分类器，以融合后的特征为输入，通过MLP神经网络分类器，得到辐射源个体的识别结果Pred；步骤6、使用步骤2和步骤3所处理后的数据，训练步骤4搭建的融合网络和步骤5搭建的MLP神经网络分类器，并将训练完成的网络应用于雷达辐射源个体识别。

全文数据：

权利要求：

百度查询： 电子科技大学 一种基于多模态信息融合的雷达辐射源个体识别方法