CN115758109B 基于复值注意力网络的电磁目标辨识方法 （西北工业大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115758109B(45)授权公告日2025.07.11

(21)申请号202211350492.8

(22)申请日2022.10.31

(65)同一申请的已公布的文献号申请公布号CN115758109A

(43)申请公布日2023.03.07

(73)专利权人西北工业大学

地址710072陕西省西安市碑林区友谊西

路127号

(72)发明人粟嘉梁智王伶陶明亮杨欣宫延云韩闯张兆林谢坚

汪跃先

(74)专利代理机构重庆大学专利中心50201专利代理师金凤

(51)Int.CI.

GO6F18/213(2023.01)

GO6F18/24(2023.01)

GO6F18/214(2023.01)

GO6N3/0464(2023.01)

GO6N3/0442(2023.01)

GO6N3/0499(2023.01)

GO6N3/08(2023.01)

(56)对比文件

CN113870888A,2021.12.31

CN113921022A,2022.01.11审查员秦涛

权利要求书3页说明书6页附图3页

(54)发明名称

基于复值注意力网络的电磁目标辨识方法

(57)摘要

CN115758109B本发明提供了一种基于复值注意力网络的电磁目标辨识方法，将接收机接收到的通信信号转换为int16格式的信号数据，对信号数据做傅里叶变换，估计出该信号的载波频率，用四倍的载波频率重采样，根据载波频率进行中频滤波，对中频滤波后的信号做功率归一化处理，设计深度复值注意力机制神经网络，并进行训练得到模型，将模型的输出类别于每一个数据的标签类别进行判断，计算模型在测试集上的准确率。本发明能够捕获通信信号的长时间上下文，并并行优化以显著缩短训练时间，通过用单变量复值参数

CN115758109B

特征提取模

特征提取模块

I/Q

分类模块

C-ResNetbock1

Fc

C-ResNetbock1

FcReLU.Dropout

FlatenFlaten

MH(B,B,A)

AddNormalize

MH(B,AB)

MH(A,B,B)

CompexFc

MHIA,AA)

AddNormalze

时序编码模块x2

C-ResNetbock2

C-ResNetbock3

C-ResNetbock4

MH(B,B,B)

MH(B,A,A)

MH(A,B,A)

MHIAAB)

Cony+LT

CN115758109B权利要求书1/3页

2

1.一种基于复值注意力网络的电磁目标辨识方法，其特征在于包括如下步骤：

步骤1:将接收机接收到的通信信号转换为int16格式的信号数据；

步骤2:对步骤1的信号数据做傅里叶变换，画出信号的频谱图，估计出该信号的载波频率；

步骤3:用四倍的载波频率重采样步骤1的信号数据；

步骤4:根据步骤2估计出的载波频率对步骤3得到的信号进行中频滤波；

步骤5:对中频滤波后的信号做功率归一化处理；

步骤6:把功率归一化处理后的数据集分为训练集和测试集，设计深度复值注意力机制神经网络，使用训练集对深度复值注意力机制神经网络进行训练，然后使用测试集送入训练好的深度复值注意力机制神经网络进行测试，得到对应的数字信号调制模式；

所述深度复值注意力机制神经网络的总体框架，包括特征提取模块、时序编码模块和分类模块，特征提取模块、时序编码模块和分类模块依次串行连接，其中分类模块包括一个flatten层，一个concat层，两个全连接层和一个dropout层，四个层之间串行连接，Concat层将前一神经网络层生成的特征数据的实分量和虚分量连接起来，而dropout层有效地减少过拟合，所述特征提取模块包括四个一维复值残差构建块，四个一维复值残差构建块串行连接，其中一维复值残差构建块包括一个一维复值卷积层、一个复数批量归一化层、另一个一维复值卷积层和另一个复数批量归一化层，四个网络层串行连接；

所述时序编码模块中，时序编码模块的目的是捕获输入特性的时间依赖性，时序编码模块由复值多头注意力网络子模块和复值前馈子模块组成，二者之间串行连接，复值多头注意力网络子模块和复值前馈网络子模块分别通过残差连接，并分别进