[发明专利]基于多头注意力机制的LSTM网络的雷达信号识别方法

权利要求书

1.基于多头注意力机制的LSTM网络的雷达信号识别方法，其特征在于：所述识别方法包括如下步骤：

S1、取一个有标签标注的数据集，将数据集中的多种典型雷达信号作为LSTM(LongShort-Term Memory)网络的训练及测试用；

S2、对产生的数据集信号进行预处理；

S3、构建LSTM网络，设置LSTM网络参数；

S4、将数据集信号序列的训练样本数据输入至步骤S3的LSTM网络中，当迭代次数达到n次时，结束训练，得到训练好的LSTM的网络模型；

S5、将数据集中每种信号的测试集数据输入到训练好的LSTM网络模型中，网络输出为雷达信号预测类别标签。

2.根据权利要求1所述的基于多头注意力机制的LSTM网络的雷达信号识别方法，其特征在于：所述步骤S2中，数据集信号进行预处理步骤包括：

S01、将产生数据集的信号先以序列的形式输出，再将数据集信号输入到多头注意力机制中，进行多头注意力变换，并以同样大小的数据序列形式输出；

S02、在I路、Q路这两种形式输出的数据集中标注信号所属的类别，从每类信号的训练集数据中随机抽出样本序列作为训练样本，从测试集数据中随机抽取样本序列作为测试样本。

3.根据权利要求1所述的基于多头注意力机制的LSTM网络的雷达信号识别方法，其特征在于：所述步骤S3中，设置LSTM网络参数：选用循环神经网络RNN中的长短时记忆网络来构建，将LSTM网络中的网络元胞个数设置为4，将遗忘参数设置为1，将LSTM网络的损失函数设置为对数损失函数，使用AdamOptimizer算法来控制学习率，使用指数线性单元激活函数作为激活函数，并将softmax分类器作为网络的输出层。

4.根据权利要求3所述的基于多头注意力机制的LSTM网络的雷达信号识别方法，其特征在于：所述LSTM网络中的网络元胞，表示如下：

h_t＝σ(W_O·[h_t-1，x_t]+b_o)*tanh(f_t*C_t-1+R_t)

式中，t代表时间；h_t为t时刻LSTM网络元胞的输出；σ为sigmoid激活函数；Wo表示输出门的权重；h_t-1表示上一个元胞的输出；x_t表示t时刻LSTM网络元胞的输入；b_o表示输出门的偏置；f_t表示t时刻LSTM网络元胞中遗忘门的输出；C_t-1表示t-1时刻的元胞状态；Rt表示t时刻LSTM网络元胞中记忆门的输出；tanh表示做双曲正切运算。

5.根据权利要求3所述的基于多头注意力机制的LSTM网络的雷达信号识别方法，其特征在于：所述指数线性单元激活函数，表示如下：

式中，x表示输入值，是一个常系数，f(x)表示指数线性单元激活函数的输出。

6.根据权利要求3所述的基于多头注意力机制的LSTM网络的雷达信号识别方法，其特征在于：所述softmax分类器，表示如下：

式中，y_i表示第i个元素的评分向量，表示对第i个元素的评分向量求指数，表示对所有元素评分向量的指数求和，L_i表示第i个元素输出的评分值。