公开(公告)号：CN115079116A

公开(公告)日：2022-09-20

申请号：CN202210391518.7

申请日：2022-04-14

Applicant: 杭州电子科技大学

Inventor： 夏伟杰 ,  陈晴 ,  潘勉 ,  吕帅帅 ,  蒋洁

IPC: G01S7/41 ,  G01S13/06

Abstract: 本发明公开了一种基于Transformer和时间卷积网络的雷达目标识别方法，首先对原始HRRP样本集进行预处理；通过卷积模块对样本进行特征提取并改变数据格式；再通过基于VIT的MoCo对比学习模块，在特征空间上学习区分不同样本；之后将经过MoCo对比学习模块得到的特征，输入时间卷积模块，进一步地加强模型的表征能力，得到可分性更强的特征；最后通过全连接层将更有效的特征进行保留，最后采用softmax对网络的输出进行分类。本发明中应用引入时间卷积网络，使模型获取HRRP中更为全面的信息，进一步提高模型的特征提取能力，得到可分性更强的特征用于分类。

公开(公告)号：CN115047421A

公开(公告)日：2022-09-13

申请号：CN202210391520.4

申请日：2022-04-14

Applicant: 杭州电子科技大学

Inventor： 夏伟杰 ,  陈晴 ,  潘勉 ,  吕帅帅 ,  蒋洁

IPC: G01S7/41 ,  G01S13/06

Abstract: 本发明公开了一种基于Transformer的雷达目标识别方法，首先对原始HRRP样本集进行预处理，然后采用多尺度CNN来融合多种不同感受野的特征，并用SE模块基于通道之间的依赖关系进行建模，再采用Albert模型对HRRP数据进行建模。最后通过注意力分类模块对特征进行分类，完成HRRP识别。本发明应用堆叠Albert模块结合多头注意力机制来提取HRRP的双向特征。采用多尺度CNN结合SE模块来代替嵌入表示。针对HRRP的特殊性，利用多尺度卷积提取HRRP的多层次空间特征，通过不同的卷积核提取不同尺度的结构特征，并通过SE模块实现通道的重要性调整，提高了网络初期的表达能力。

公开(公告)号：CN114861712A

公开(公告)日：2022-08-05

申请号：CN202210413812.3

申请日：2022-04-14

Applicant: 杭州电子科技大学

Inventor： 夏伟杰 ,  陈晴 ,  潘勉 ,  吕帅帅 ,  蒋洁

IPC: G06K9/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于改进时序卷积网络的雷达目标识别方法，首先对原始HRRP样本集进行预处理，采用TCN模型提取HRRP的数据特征；然后采用多层次注意力模块，自适应的缩放数据不同片段的特征重要性；最后通过全连接层将更有效的特征进行保留，最后采用softmax对网络的输出进行分类。本发明通过因果卷积来建立HRRP的因果序列特性，并且通过膨胀卷积和堆叠模型深度来扩大模型的感受野，提取更全面的特征信息。提出了针对多层时间卷积网络的多层次注意力机制，对不同层次反映的目标结构特征进行重要性调整，突出可分性强的层次特征，抑制无用特征，自适应调整各个层次输出对识别结果的影响。