本發(fā)明屬于數(shù)字信號處理領(lǐng)域，具體涉及一種微動信號時頻圖的微動曲線提取方法及系統(tǒng)。

背景技術(shù)：

1、空間錐體目標(biāo)識別是導(dǎo)彈攻防過程中的重要環(huán)節(jié)。由于空間錐體目標(biāo)需要在再入大氣層時保持穩(wěn)定性，因此在自由段階段表現(xiàn)出明顯的進(jìn)動特征。這種微動特征成為空間錐體目標(biāo)識別的重要特征。通過對雷達(dá)信號進(jìn)行時頻分析，可以獲得目標(biāo)微動時頻圖，其中目標(biāo)散射點的微動曲線反映了目標(biāo)的結(jié)構(gòu)信息和進(jìn)動信息。通過提取目標(biāo)微動時頻圖，分離各散射點的微動曲線，是實現(xiàn)對目標(biāo)進(jìn)行分類的關(guān)鍵。

2、現(xiàn)有的方法往往需要已知目標(biāo)某些結(jié)構(gòu)參數(shù)，運(yùn)動學(xué)信息等先驗知識，這類方法以參數(shù)法為代表，包括rondon變換和擴(kuò)展hough變換等；該類方案將微動曲線的分離視為一個參數(shù)估計挑戰(zhàn)。雖然這些方法有效，但它們需要對信號的調(diào)制具有極其深厚的理解，并且該類方案通常基于正弦調(diào)制假設(shè)，這限制了它們在特定場景下的適用性。此外，隨著更多參數(shù)的引入，該類方案的計算需求顯著增加。

3、相比之下，非參數(shù)法因其適應(yīng)性強(qiáng)、能夠適用于多種情況而常常受到青睞。常見的方法包括識別能量峰值或確定能量泛函的最小值，但這些方法只考慮了幅度和頻率的變化，其精確性和可靠性較差。一些研究將時頻表示曲線視為目標(biāo)軌跡，并使用如卡爾曼濾波器、修改卡爾曼濾波器或變分卡爾曼濾波器等濾波器等方案來實現(xiàn)微動曲線的分離；然而，瞬時頻率之間的交叉干擾或重疊區(qū)域可能導(dǎo)致跟蹤不準(zhǔn)確。目前，還有一些其他方法被設(shè)計應(yīng)用于減輕重疊區(qū)域的影響，例如脊路徑重組(rprg)和基于ransac的瞬時頻率估計算法。然而，這些算法容易受到噪聲的影響，在組分大量重疊、不連續(xù)或高噪聲干擾的情況下，該類方案將面臨嚴(yán)重的挑戰(zhàn)。此外，當(dāng)組分?jǐn)?shù)量不確定時，這些方法通常需要人工干預(yù)，如參數(shù)調(diào)整和迭代控制，這對于處理大量數(shù)據(jù)來說可能極其不切實際的。此外，當(dāng)信號存在中斷時，這些方法還需要進(jìn)行額外的關(guān)聯(lián)匹配步驟，無法實現(xiàn)端到端的處理。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的之一在于提供一種可靠性高、精確性好且效率較高的微動信號時頻圖的微動曲線提取方法。

2、本發(fā)明的目的之二在于提供一種實現(xiàn)所述微動信號時頻圖的微動曲線提取方法的系統(tǒng)。

3、本發(fā)明提供的這種微動信號時頻圖的微動曲線提取方法，包括如下步驟：

4、s1.獲取已有的微動信號時頻圖及對應(yīng)的微動曲線數(shù)據(jù)，并構(gòu)建訓(xùn)練數(shù)據(jù)集；

5、s2.基于自注意力網(wǎng)絡(luò)，構(gòu)建微動信號時頻圖的蒙版提取初步模型；

6、s3.采用步驟s1構(gòu)建的訓(xùn)練數(shù)據(jù)集，對步驟s2構(gòu)建的微動信號時頻圖的蒙版提取初步模型進(jìn)行訓(xùn)練，得到微動信號時頻圖的蒙版提取模型；

7、s4.將實際獲取的微動信號時頻圖輸入到步驟s3得到的微動信號時頻圖的蒙版提取模型中，提取得到目標(biāo)微動信號時頻圖的蒙版信息；

8、s5.將步驟s4得到的目標(biāo)微動信號時頻圖的蒙版信息進(jìn)行后處理，得到對應(yīng)的微動曲線，完成目標(biāo)微動信號時頻圖的微動曲線提取。

9、步驟s2所述的基于自注意力網(wǎng)絡(luò)，構(gòu)建微動曲線提取初步模型，包括如下步驟：

10、基于自注意力網(wǎng)絡(luò)，構(gòu)建微動曲線提取初步模型；

11、構(gòu)建的微動曲線提取初步模型包括第1子網(wǎng)絡(luò)～第n子網(wǎng)絡(luò)，n為微動信號時頻圖中所包括的微動曲線的數(shù)量；

12、基于自注意網(wǎng)絡(luò)，構(gòu)建第1子網(wǎng)絡(luò)；

13、基于自注意網(wǎng)絡(luò)和殘差連接方案，構(gòu)建第2子網(wǎng)絡(luò)～第n子網(wǎng)絡(luò)；第2子網(wǎng)絡(luò)～第n子網(wǎng)絡(luò)的結(jié)構(gòu)均相同；

14、原始微動信號時頻圖通過第1子網(wǎng)絡(luò)處理，得到第1蒙版；

15、第i蒙版的數(shù)據(jù)和原始微動信號時頻圖一同通過第i+1子網(wǎng)絡(luò)處理，得到第i+1蒙版；i取值為1～n-1。

16、所述的基于自注意網(wǎng)絡(luò)，構(gòu)建第1子網(wǎng)絡(luò)，具體包括如下步驟：

17、構(gòu)建的第1子網(wǎng)絡(luò)包括線性層、自注意力模塊、批歸一化模塊、dropout模塊和增強(qiáng)模塊；

18、線性層、自注意力模塊、批歸一化模塊、dropout模塊、增強(qiáng)模塊和激活函數(shù)模塊依次串聯(lián)；

19、輸入的原始微動信號時頻圖通過線性層進(jìn)行位置編碼，從而得到q值、k值和v值；q值、k值和v值輸入到自注意力模塊，用于提取輸入信號的特征；自注意力模塊提取得到的信號特征，通過批歸一化模塊和dropout模塊進(jìn)行處理，得到輸出特征；輸出特征再通過增強(qiáng)模塊進(jìn)行特征增強(qiáng)，得到第1蒙版。

20、所述的基于自注意網(wǎng)絡(luò)和殘差連接方案，構(gòu)建第2子網(wǎng)絡(luò)～第n子網(wǎng)絡(luò)，具體包括如下步驟：

21、構(gòu)建的第j子網(wǎng)絡(luò)包括殘差連接模塊、線性層、自注意力模塊、批歸一化模塊、dropout模塊和增強(qiáng)模塊；j取值為2～n；

22、殘差連接模塊、線性層、自注意力模塊、批歸一化模塊、dropout模塊、增強(qiáng)模塊和激活函數(shù)模塊依次串聯(lián)；

23、第j-1蒙版的數(shù)據(jù)信息和原始微動信號時頻圖通過殘差連接模塊處理后，再通過線性層進(jìn)行位置編碼，得到q值；原始微動信號時頻圖還直接通過線性層進(jìn)行位置編碼，得到k值和v值；q值、k值和v值輸入到自注意力模塊，用于提取輸入信號的特征；自注意力模塊提取得到的信號特征，通過批歸一化模塊和dropout模塊進(jìn)行處理，得到輸出特征；輸出特征再通過增強(qiáng)模塊進(jìn)行特征增強(qiáng)，得到第j蒙版。

24、所述的自注意力模塊，具體包括如下步驟：

25、自注意力模塊包括自注意力層、第一批歸一化層、第一dropout層、第一線性層、激活層、第二線性層、第二批歸一化層和第二dropout層；

26、自注意力層基于多頭自注意力機(jī)制，對自注意力模塊接收到的q值、k值和v值，采用公式進(jìn)行處理，并將處理得到的數(shù)據(jù)attention(q,k,v)進(jìn)行拼接，得到第一特征圖；

27、第一特征圖通過第一批歸一化層和第一dropout層進(jìn)行處理后，得到第一特征；第一特征再依次通過第一線性層、激活層、第二線性層、第二批歸一化層和第二dropout層處理，得到中間特征；其中，第一線性層的的輸入長度為時頻圖的頻譜寬度freq，這與多頭注意力模塊輸出的長度一致，第一線性層輸出長度為4*freq，這一步將輸入映射到更高維的線性空間；激活層采用relu函數(shù)作為激活函數(shù)，用以擬合非線性變換，期間，數(shù)據(jù)的維度保持不變，為4*freq；第二線性層的輸入維度為4*freq，輸出維度為freq，將輸出映射回原始的維度；中間特征再通過第二批歸一化層和第二dropout層進(jìn)行處理，得到第二特征；第二特征和第一特征通過殘差連接后，得到輸出特征圖；所述輸出特征圖為自注意力模塊的輸出。

28、所述的增強(qiáng)模塊，具體包括如下步驟：

29、增強(qiáng)模塊包括第一卷積層、第一卷積激活函數(shù)層、第二卷積層、第二卷積激活函數(shù)層、第三卷積層、第三卷積激活函數(shù)層、第四卷積層、第四卷積激活函數(shù)層、第一反卷積層、第一反卷積激活函數(shù)層、第二反卷積層、第二反卷積激活函數(shù)層、第三反卷積層、第三反卷積激活函數(shù)層、第四反卷積層和第四反卷積激活函數(shù)層；

30、第一卷積層的輸出作為第一卷積激活函數(shù)層的輸入；第一卷積激活函數(shù)層的輸出作為第二卷積層的輸入；第二卷積層的輸出作為第二卷積激活函數(shù)層的輸入；第二卷積激活函數(shù)層的輸出作為第三卷積層的輸入；第三卷積層的輸出作為第三卷積激活函數(shù)層的輸入；第三卷積激活函數(shù)層的輸出作為第四卷積層的輸入；第四卷積層的輸出作為第四卷積激活函數(shù)層的輸入；第四卷積激活函數(shù)層的輸出作為第一反卷積層的輸入；

31、第一反卷積層的輸出作為第一反卷積激活函數(shù)層的輸入；第一反卷積激活函數(shù)層的輸出和第三卷積激活函數(shù)層的輸出進(jìn)行通道拼接后，作為第二反卷積層的輸入；第二反卷積層的輸出作為第二反卷積激活函數(shù)層的輸入；第二反卷積激活函數(shù)層的輸出和第二卷積激活函數(shù)層的輸出進(jìn)行通道拼接后，作為第三反卷積層的輸入；第三反卷積層的輸出作為第三反卷積激活函數(shù)層的輸入；第三反卷積激活函數(shù)層的輸出和第一卷積激活函數(shù)層的輸出進(jìn)行通道拼接后，作為第四反卷積層的輸入；第四反卷積層的輸出作為第四反卷積激活函數(shù)層的輸入；第四反卷積激活函數(shù)層的輸出，為增強(qiáng)模塊的輸出；

32、第一卷積層的卷積核大小為3，步長為2，填充值為1；第一卷積激活函數(shù)層的激活函數(shù)為relu激活函數(shù)；第二卷積層的卷積核大小為3，步長為2，填充值為1；第二卷積激活函數(shù)層的激活函數(shù)為relu激活函數(shù)；第三卷積層的卷積核大小為3，步長為2，填充值為1；第三卷積激活函數(shù)層的激活函數(shù)為relu激活函數(shù)；第四卷積層的卷積核大小為3，步長為2，填充值為1；第四卷積激活函數(shù)層的激活函數(shù)為relu激活函數(shù)；

33、第一反卷積層的卷積核大小為3，步長為2，填充值為1；第一反卷積激活函數(shù)層的激活函數(shù)為relu激活函數(shù)；第二反卷積層的卷積核大小為3，步長為2，填充值為1；第二反卷積激活函數(shù)層的激活函數(shù)為relu激活函數(shù)；第三反卷積層的卷積核大小為3，步長為2，填充值為1；第三反卷積激活函數(shù)層的激活函數(shù)為relu激活函數(shù)；第四反卷積層的卷積核大小為3，步長為2，填充值為1；第四反卷積激活函數(shù)層的激活函數(shù)為sigmoid激活函數(shù)。

34、所述的殘差連接模塊，具體包括如下步驟：

35、采用如下算是作為第j子網(wǎng)絡(luò)中的殘差連接模塊的處理函數(shù)：

36、

37、式中xj為第j子網(wǎng)絡(luò)中的殘差連接模塊的輸出；x為原始微動信號時頻圖；mi為第i子網(wǎng)絡(luò)輸出的第i蒙版；⊙為哈達(dá)瑪積；mj-1為第j-1子網(wǎng)絡(luò)輸出的第j-1蒙版；ω(0,1)為均值為0、方差為1的高斯白噪聲；α為用于控制噪聲強(qiáng)度的權(quán)重值。

38、步驟s3所述的訓(xùn)練，具體包括如下步驟：

39、訓(xùn)練時，采用如下函數(shù)作為模型訓(xùn)練的損失函數(shù)：

40、

41、式中l(wèi)為損失函數(shù)值；為模型輸出的預(yù)測值；yjj為訓(xùn)練數(shù)據(jù)集中的真值；()ii為表示對第ii分量進(jìn)行計算得到的損失；表示n個分量的頻率；表示n個分量的強(qiáng)度；為n個分量的相位。

42、步驟s5所述的后處理，具體包括如下步驟：

43、通過組合原始微動信號時頻圖和蒙版，生成僅包含對應(yīng)的單分量信號的時頻圖，并直接估算得到對應(yīng)的微動曲線；所述的估算，包括采用維特比算法進(jìn)行估算；

44、或者

45、設(shè)定蒙版的像素為1的部分的中心，對對應(yīng)的微動曲線的位置，然后采用傅里葉級數(shù)的最小二乘法進(jìn)行擬合，得到對應(yīng)的微動曲線。

46、本發(fā)明還提供了一種實現(xiàn)所述微動信號時頻圖的微動曲線提取方法的系統(tǒng)，包括數(shù)據(jù)獲取模塊、模型構(gòu)建模塊、模型訓(xùn)練模塊、蒙版提取模塊和曲線提取模塊；數(shù)據(jù)獲取模塊、模型構(gòu)建模塊、模型訓(xùn)練模塊、蒙版提取模塊和曲線提取模塊依次串聯(lián)；數(shù)據(jù)獲取模塊用于獲取已有的微動信號時頻圖及對應(yīng)的微動曲線數(shù)據(jù)，并構(gòu)建訓(xùn)練數(shù)據(jù)集，并將數(shù)據(jù)信息上傳模型構(gòu)建模塊；模型構(gòu)建模塊用于根據(jù)接收到的數(shù)據(jù)信息，基于自注意力網(wǎng)絡(luò)，構(gòu)建微動信號時頻圖的蒙版提取初步模型，并將數(shù)據(jù)信息上傳模型訓(xùn)練模塊；模型訓(xùn)練模塊用于根據(jù)接收到的數(shù)據(jù)信息，采用構(gòu)建的訓(xùn)練數(shù)據(jù)集，對構(gòu)建的微動信號時頻圖的蒙版提取初步模型進(jìn)行訓(xùn)練，得到微動信號時頻圖的蒙版提取模型，并將數(shù)據(jù)信息上傳蒙版提取模塊；蒙版提取模塊用于根據(jù)接收到的數(shù)據(jù)信息，將實際獲取的微動信號時頻圖輸入到得到的微動信號時頻圖的蒙版提取模型中，提取得到目標(biāo)微動信號時頻圖的蒙版信息，并將數(shù)據(jù)信息上傳曲線提取模塊；曲線提取模塊用于根據(jù)接收到的數(shù)據(jù)信息，將得到的目標(biāo)微動信號時頻圖的蒙版信息進(jìn)行后處理，得到對應(yīng)的微動曲線，完成目標(biāo)微動信號時頻圖的微動曲線提取。

47、本發(fā)明提供的這種微動信號時頻圖的微動曲線提取方法及系統(tǒng)，通過基于自注意力網(wǎng)絡(luò)構(gòu)建蒙版提取模型，并通過提取的蒙版實現(xiàn)微動曲線的提??；因此本發(fā)明不僅能夠?qū)崿F(xiàn)微動信號時頻圖的微動曲線提取，而且可靠性更高、精確性更好。