基于多尺度注意力机制ResNet的雷达工作模式识别

雷达工作模式识别是解释雷达行为和功能的基本任务。现有方法难以在信号灵活、环境复杂的条件下筛除脉冲序列中不同空间和不同通道中的冗余信息。本文在深度残差网络的基础上,增加了空间自注意力模块和通道自注意力模块以适应上述信号特点。模型引入自注意力机制以实现雷达序列不同空间和通道的自适应权值分配,使网络能更有效地关注更具差异性的信息,实现了极端条件下雷达工作模式的高精度识别。同经典深度学习网络AlexNet、LeNet、VGGNet、ResNet以及常规深度卷积网络相比,该模型在0~50%漏脉冲条件下,平均识别率提升了36%,在独立测试集40%漏脉冲比例下模型仍然具备90%以上的识别率,证明了所提网络的优越性和有效性。

面向雷达行为识别的多尺度卷积注意力网络

针对低信噪比条件下雷达信号特征提取难、识别稳定性低的问题,提出了一种基于深度分组卷积、多尺度卷积和自注意力机制的雷达行为模式识别算法,在不增加训练难度的情况下提高复杂环境下的识别能力。该算法先采用深度分组卷积在浅层网络分离弱相关的通道,再通过多尺度卷积代替常规卷积实现多维特征的提取,最后利用自注意力机制调整优化不同特征图的权值,抑制低相关和负相关的通道与空间带来的影响。对比实验表明,所提MSCANet在0~50%丢失脉冲和虚假脉冲条件下平均识别率达到约92.25%,与基线网络AlexNet、ConvNet、ResNet、VGGNet相比,准确率提升了约5%~20%,不同雷达行为模式识别稳定,模型具有更好的泛化性和鲁棒性。同时,消融实验证明了深度分组卷积、多尺度卷积和自注意力机制对模式识别的有效性。

军事装备计量保障体系探究

随着军事装备的技术含量越来越高,急需构建与新体制、新形势相互衔接适应的计量保障体系,调整重塑计量行政管理体系,优化完善计量技术保障体系,建立健全计量法制法规,着重提高部队计量机动保障能力,加强计量人才队伍建设,加快推进计量军民融合的进程。