1.一种雷达目标识别模型的训练方法，其特征在于，该方法包括：构建训练数据集；使用特征提取网络提取训练数据的特征信息；所述特征提取网络包括依次连接的卷积输入层、第一并联卷积网络、第二并联卷积网络、多尺度特征融合模块以及池化注意力层；其中，所述第一并联卷积网络是由分组卷积块和第一普通卷积块组成的并联网络，所述分组卷积块将所述卷积输入层输出的初始特征矩阵按通道分成两组，每组分别进行卷积运算，所述第一普通卷积块由两个并联的卷积层组成且将所述两个并联的卷积层的输出拼接后输出，所述分组卷积块和所述第一普通卷积块的输出采用特征矩阵相同位置数值相加的方法结合；所述第二并联卷积网络是由基于池化的深度可分离卷积块和第二普通卷积块组成的并联网络，所述第二普通卷积块由三个卷积层、批归一化层串联组成；使用分类器基于特征信息对目标进行分类，并根据损失函数结果对分类器参数进行优化。
2.根据权利要求1所述的训练方法，其特征在于，所述分组卷积块中，每组的卷积核数量等于该组特征矩阵的通道数量，两组分别进行卷积核大小为3，步距为2，且采用零填充方式的卷积运算。
3.根据权利要求1所述的训练方法，其特征在于，所述第二普通卷积块中，每个卷积层的卷积核大小均为3，步距均为2，采用零填充方式，且每层卷积层的卷积核数量是该层输入特征矩阵的通道数量的两倍。
4.根据权利要求1所述的训练方法，其特征在于，所述基于池化的深度可分离卷积块为包含池化层的深度可分离卷积块，所述池化层用于在深度可分离卷积中逐通道卷积后，对每个单通道特征矩阵使用池化操作；深度可分离卷积块的后半部分点卷积的卷积核数量设置为输入特征矩阵的通道数量，并使用两个串联的卷积层压缩特征矩阵的二维尺寸。
5.根据权利要求1所述的训练方法，其特征在于，所述多尺度特征融合模块中，网络主干由卷积核大小逐渐减小的三层卷积层组成，并使用残差支路对每个卷积层的输入做局部平均池化操作。
6.一种雷达目标识别方法，其特征在于，所述方法包括：获取目标雷达信号；利用卷积输入层对目标雷达信号进行特征提取以获得初始特征矩阵；利用第一并联卷积网络对所述初始特征矩阵进行特征提取以获得第一特征矩阵；利用第二并联卷积网络对所述第一特征矩阵进行特征提取以获得第二特征矩阵；利用多尺度特征融合模块对所述第二特征矩阵进行多尺度特征融合以获得第三特征矩阵；采用池化注意力机制对所述第三特征矩阵进行处理以获得第四特征矩阵；利用分类器基于所述第四特征矩阵获得雷达目标识别结果；其中，所述第一并联卷积网络是由分组卷积块和第一普通卷积块组成的并联网络，所述分组卷积块将所述卷积输入层输出的初始特征矩阵按通道分成两组，每组分别进行卷积运算，所述第一普通卷积块由两个并联的卷积层组成且将所述两个并联的卷积层的输出拼接后输出，所述分组卷积块和所述第一普通卷积块的输出采用特征矩阵相同位置数值相加的方法结合；所述第二并联卷积网络是由基于池化的深度可分离卷积块和第二普通卷积块组成的并联网络，所述第二普通卷积块由三个卷积层、批归一化层串联组成。
7.一种雷达目标识别装置，其特征在于，该装置包括：输入模块，被配置为获取目标雷达信号；初始特征提取模块，被配置为利用卷积输入层对目标雷达信号进行特征提取以获得初始特征矩阵；第一特征提取模块，被配置为利用第一并联卷积网络对所述初始特征矩阵进行特征提取以获得第一特征矩阵；第二特征提取模块，被配置为利用第二并联卷积网络对所述第一特征矩阵进行特征提取以获得第二特征矩阵；第三特征提取模块，被配置为对所述第二特征矩阵进行多尺度特征融合以获得第三特征矩阵；第四特征提取模块，被配置为采用池化注意力机制对所述第三特征矩阵进行处理以获得第四特征矩阵；识别模块，被配置为基于所述第四特征矩阵获得雷达目标识别结果；其中，所述第一并联卷积网络是由分组卷积块和第一普通卷积块组成的并联网络，所述分组卷积块将所述卷积输入层输出的初始特征矩阵按通道分成两组，每组分别进行卷积运算，所述第一普通卷积块由两个并联的卷积层组成且将所述两个并联的卷积层的输出拼接后输出，所述分组卷积块和所述第一普通卷积块的输出采用特征矩阵相同位置数值相加的方法结合；所述第二并联卷积网络是由基于池化的深度可分离卷积块和第二普通卷积块组成的并联网络，所述第二普通卷积块由三个卷积层、批归一化层串联组成。
转果果小程序
转果果公众号