申请/专利权人：西安电子科技大学

申请日：2021-07-08

公开（公告）日：2024-05-31

公开（公告）号：CN113486898B

主分类号：G06V10/30

分类号：G06V10/30;G06V10/774;G06V10/764;G06V10/82;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.05.31#授权;2021.10.26#实质审查的生效;2021.10.08#公开

摘要：本发明公开了一种基于改进ShuffleNet的雷达信号RD图像干扰辨识方法及系统，构建干扰条件下的雷达信号RD图像数据集，将雷达信号RD图像数据集划分为训练样本和测试样本；构建注意力增强的ShuffleNet识别模型，设定注意力增强的ShuffleNet识别模型分类任务的损失函数；利用训练样本对注意力增强的ShuffleNet识别模型进行训练；将测试样本输入训练完的注意力增强ShuffleNet识别模型中，预测输出测试样本类别及置信度分数，完成雷达信号RD图像干扰辨识。本发明引入注意力增强模块，从通道信息交互层面来加强特征通道间的交互，提高特征的判别性，从而提升干扰下图像雷达信号RD图像识别精度。

主权项：1.一种基于改进ShuffleNet的雷达信号RD图像干扰辨识方法，其特征在于，包括以下步骤：S1、构建干扰条件下的雷达信号RD图像数据集，将雷达信号RD图像数据集划分为训练样本和测试样本；S2、构建注意力增强的ShuffleNet识别模型，设定注意力增强的ShuffleNet识别模型分类任务的损失函数Lcls，步骤S2具体为：S201、构建包括二十二个卷积层、五个通道混洗模块、一个池化层和两个全连接层的ShuffleNet识别网络；S202、从ShuffleNet识别模型的通道混洗模块中获得一系列特征图Fshuffle；S203、构建注意力增强模块，包括一个池化层、两个全连接层、ReLU激活层、Sigmoid激活层，其结构关系为：池化层→第一全连接层→ReLU激活层→第二全连接层→Sigmoid激活层，之后将Sigmoid激活层的输出结果与注意力增强模块的输入相乘并作为结果Fatt输出；S204、将通道混洗模块中获得的特征图Fshuffle作为注意力增强模块的输入，得到注意力增强的特征图Fatt；S205、将注意力增强模块中获得的特征图Fatt作为分类层的输入，得到识别结果，损失函数Lcls为： 其中，pxi样本对应的真实标签，样本属于真实类别的分类概率，N为样本总数；S3、利用步骤S1划分的训练样本对步骤S2构建的注意力增强的ShuffleNet识别模型进行训练，步骤S3具体为：设置训练参数；将步骤S1中获得的训练样本输入到注意力增强的ShuffleNet识别模型中，使用优化器SGD优化步骤S2中的损失函数Lcls，更新权重参数，当训练轮数达到设定值时，得到训练好的注意力增强的ShuffleNet识别模型；S4、将步骤S1中的测试样本输入到步骤S3训练完的注意力增强ShuffleNet识别模型中，预测输出测试样本类别及置信度分数，完成雷达信号RD图像干扰辨识。

全文数据：

权利要求：

百度查询： 西安电子科技大学 一种基于改进ShuffleNet的雷达信号RD图像干扰辨识方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD