技术领域
[0001] 本发明实施例涉及雷达技术领域，具体涉及一种雷达信号识别模型的训练方法、雷达信号识别方法及装置。
相关背景技术
[0002] 随着电子信息领域的发展，电子对抗在电子情报侦察、电子支援和威胁告警系统中发挥着重要作用，雷达辐射源信号识别是电子对抗中的重要环节。
[0003] 近年来，随着深度学习技术的快速发展，利用神经网络模型可以对雷达信号进行分类识别，进而可以解决传统的人工识别方式存在的效率低、精度低的问题。
[0004] 相关技术中，在通过现有的神经网络模型对雷达信号进行分类识别的过程中，需要依赖大量的训练样本对神经网络模型进行训练，才能保证一定的分类精度，但是，当训练样本不足时，神经网络模型会发生拟合，导致神经网络模型的分类精度也较低。
具体实施方式
[0030] 下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。
[0031] 请参见图1，其示出了本申请实施例提供的一种雷达信号识别模型的训练方法的流程示意图。该方法可以由服务器执行。如图1所示，该方法可以包括步骤110 步骤140。~
[0032] 步骤110，获取样本集，其中，样本集包括至少两种类型的样本雷达信号，以及至少两种类型的样本雷达信号中各样本雷达信号的样本标签。
[0033] 在本实施例中，样本集可以是用于模型训练的样本集。更具体地，样本集可以是用于训练初始雷达信号识别模型的样本集。
[0034] 样本集可以包括多种类型的样本雷达信号（也可以称为样本雷达辐射源信号），以及每个样本雷达信号的样本标签。需要说明的是，不同类型的样本雷达信号，可以是指样本雷达信号相位不同，也可以是指样本雷达信号的载频不同。
[0035] 在一些示例中，样本雷达信号可以为单脉冲信号，如非相参脉冲信号、相参脉冲信号、参差变周期脉冲信号。样本雷达信号还可以为频率调制脉冲信号，如线性调频脉冲信号、非线性调频脉冲信号、步进频率脉冲信号。样本雷达信号还可以为相位编码脉冲信号，如二相编码脉冲信号、多相编码脉冲信号（如四相编码脉冲信号）。
[0036] 示例性地，样本集可以包括七种类型的样本雷达信号，即线性调频信号、非线性调频信号、固定频率信号、二相编码信号、四相编码信号、二频编码信号、四频编码信号。
[0037] 其中，线性调频信号的载频为100 400MHz随机选取，线性调频信号的带宽可以为~20MHz、25MHz、30MHz、或者40MHz。示例性地，线性调频信号的示意图如图2所示。
[0038] 非线性调频信号可以采用余弦调制，非线性调频信号的载频为50 500MHz随机选~取，非线性调频信号的窗函数可以为汉宁窗函数或者布拉克曼窗函数。
[0039] 固定频率信号的载频可以为100MHz、110MHz、120MHz、或者130MHz。
[0040] 二相编码信号的载频为200 MHz。二相编码信号可以分别采用5位、7位、11位、13位巴克码的编码方式。二相编码信号的脉冲宽度为1μs。示例性地，二相编码信号的示意图如图3所示。
[0041] 四相编码信号的载频为200 350MHz随机选取。四相编码信号可以采用16位法兰克~四相码的编码方式。四相编码信号的脉冲宽度为1μs。
[0042] 二频编码信号可以有多种载频，例如，二频编码信号的载频为50MHz和100MHz；二频编码信号的载频为50MHz和75MHz；二频编码信号的载频为250MHz和75MHz；二频编码信号的载频为250MHz和50MHz。二频编码信号可以采用13位巴克码的编码方式。二频编码信号的脉冲宽度为1μs。二频编码信号的码元宽度为0.77μs。示例性地，二频编码信号的示意图如图4所示。
[0043] 四频编码信号可以有四种载频，如100MHz、150MH、200MHz、和250MHz。四频编码信号可以采用13位巴克码的编码方式。四频编码信的脉冲宽度为1μs。四频编码信的码元宽度为0.77μs。
[0044] 在一些示例中，样本集中的样本雷达信号的数量可以根据所针对的雷达信号的识别复杂度进行设置。样本集中各种类型的样本雷达信号的数量可以相同，也可以不同。另外，样本集中各样本雷达信号的信噪比小于预设信噪比。例如，预设信噪比为5dB。
[0045] 以样本集中包括上述七种类型的样本雷达信号为例，在样本集中各种类型的样本雷达信号的数量相同的情况下，每种类型的样本雷达信号的数量可以为50个，即样本集包括350个样本雷达信号。在具体实施时，各样本雷达信号的采样频率均为10000Hz，采样点数均设置为10000个。
[0046] 上述样本雷达信号的样本标签用于标识样本雷达信号的信号类型。也就是说，不同类型的样本雷达信号对应的样本标签不同。雷达信号识别模型输出的信号类型预测结果与样本标签的差值（也可以称为距离），可以衡量雷达信号识别模型的分类效果。
[0047] 示例性地，样本雷达信号的样本标签可以是采用one hot编码方式得到的编码序列。例如，第一类雷达信号（如线性调频信号）的样本标签为0000001；第二类雷达信号（如非线性调频信号）的样本标签为0000010；第三类雷达信号（如固定频率信号）的样本标签为0000100；第四类雷达信号（如二相编码信号）的样本标签为0001000；第五类雷达信号（如四相编码信号）的样本标签为0010000；第六类雷达信号（如二频编码信号）的样本标签为
0100000；第七类雷达信号（如四频编码信号）的样本标签为1000000。
[0048] 在具体实施时，在采集样本集中各样本雷达信号时，可以采用人工标注的方式，为各样本雷达信号设置样本标签。
[0049] 步骤120，根据样本集中的样本雷达信号和初始雷达信号识别模型，得到样本集中样本雷达信号的信号类型预测结果。
[0050] 上述初始雷达信号识别模型中设置有初始模型参数，该初始雷达信号识别模型输出的样本雷达信号的信号雷达预测结果与初始模型参数相关。需要说明的是，初始雷达信号识别模型的设计可以是任意可行的模型架构，本申请实施例对此不作具体限定。
[0051] 在一些实施例中，初始雷达信号识别模型可以是采用金字塔结构搭建的卷积神经网络模型。示例性地，初始雷达信号识别模型可以包括至少两个卷积层和分类层，其中，至少两个卷积层可以输出不同尺度的雷达信号特征图，进而可以从不同尺度和分辨率捕获雷达信号的特征。再者，每一卷积层可以采用深度可分离卷积，这样，相比于传统的标准卷积，采用深度可分离卷积可以组合不同通道的信息，进而可以有效减少参数量和计算量，提高模型训练效率，同时可以保持模型的表达能力。
[0052] 在该实施例中，根据样本集中的样本雷达信号和初始雷达信号识别模型，得到样本集中样本雷达信号的信号类型预测结果的步骤，可以进一步包括：根据至少两个卷积层对样本集中的样本雷达信号进行处理，得到目标雷达信号特征图；根据分类层对目标雷达信号特征图进行处理，得到样本集中样本雷达信号的信号类型预测结果。
[0053] 也就是说，样本集中的样本雷达信号作为初始雷达信号识别模型的输入，依次经至少两个卷积层进行处理，得到目标雷达信号特征图。之后，分类层对目标雷达信号特征图进行分类处理，得到样本雷达信号的信号类型预测结果。
[0054] 在一些实施例中，在根据样本集中的样本雷达信号和初始雷达信号识别模型，得到样本集中样本雷达信号的信号类型预测结果之前，该方法还可以包括：对样本集中各样本雷达信号进行预处理。示例性地，对样本集中各样本雷达信号进行归一化处理，得到一维样本雷达信号序列。也就是说，在获取样本集之后，对样本集中各样本雷达信号进行归一化处理，得到一维样本雷达信号序列，之后将一维样本雷达信号序列作为初始雷达信号识别模型的输入，即将一维样本雷达信号序列依次经至少两个卷积层进行处理。在本实施例中，在获取样本集之后，对样本集中各样本雷达信号进行预处理，可以增加样本数据的多样性和数量，有助于提高模型的泛化性能和鲁棒性。
[0055] 在一些实施例中，请参见图5，至少两个卷积层包括三个第一卷积层、三个第二卷积层、三个第三卷积层和三个第四卷积层。也就是说，初始雷达信号识别模型可以包括十二个卷积层（即十二层一维卷积神经网络）。其中，第二卷积层的卷积核的尺寸与第一卷积层的卷积核的尺寸相同，第二卷积层的卷积核的数量大于第一卷积层的卷积核的数量，第三卷积层的卷积核的尺寸大于第二卷积层的卷积核的尺寸，第三卷积层的卷积核的数量等于第二卷积层的卷积核的数量，第四卷积层的卷积核的尺寸与第三卷积层的卷积核的尺寸相同，第四卷积层的卷积核的数量大于第三卷积层的卷积核的数量。
[0056] 在该实施例中，根据至少两个卷积层对样本集中的样本雷达信号进行处理，得到目标雷达信号特征图的步骤，可以进一步包括：根据三个第一卷积层对样本集中的样本雷达信号进行处理，得到第一雷达信号特征图；根据三个第二卷积层对第一雷达信号特征图进行处理，得到第二雷达信号特征图；根据三个第三卷积层对第二雷达信号特征图进行处理，得到第三雷达信号特征图；根据三个第四卷积层对第三雷达信号特征图进行处理，得到目标雷达信号特征图。
[0057] 也就是说，样本集中的样本雷达信号作为初始雷达信号识别模型中的第一卷积层的输入，依次经三个第一卷积层进行处理，得到第一雷达信号特征图。之后，第一雷达信号特征图作为初始雷达信号识别模型中的第二卷积层的输入，依次经三个第二卷积层进行处理，得到第二雷达信号特征图。再之后，第二雷达信号特征图作为初始雷达信号识别模型中的第三卷积层的输入，依次经三个第三卷积层进行处理，得到第三雷达信号特征图。最后，第三雷达信号特征图作为初始雷达信号识别模型中的第四卷积层的输入，依次经过三个第四卷积层进行处理，得到目标雷达信号特征图。
[0058] 下面以初始雷达信号识别模型可以包括十二个卷积层为例，对初始雷达信号识别模型和样本雷达信号的分类识别过程进行说明。
[0059] 如图5所示，初始雷达信号识别模型可以包括十二个卷积层（即十二层一维卷积神经网络）。具体地，前三层的卷积核的尺寸（也可以称为卷积核的大小）为1×3，卷积核的个数为32个，即第一卷积层的卷积核的大小为1×3，第一卷积层的卷积核的个数为32。第四层至第六层的卷积核大小为1×3，卷积核个数为64个，即第二卷积层的卷积核的大小为1×3，第二卷积层的卷积核的个数为64。第七层至第九层卷积核大小为1×5，卷积核个数为64个，即第三卷积层的卷积核的大小为1×5，第三卷积层的卷积核的个数为64。第十层至第十二层卷积核大小为1×5，卷积核个数为128，即第四卷积层的卷积核的大小为1×5，第四卷积层的卷积核的个数为128。
[0060] 在具体实施时，样本雷达信号作为初始雷达信号识别模型的输入，依次通过前三个第一卷积层，得到第一雷达信号特征图；之后，第一雷达特征图依次通过三个第二卷积层，输出第二雷达信号特征图；再之后，第二雷达特征图依次通过三个第三卷积层，输出第三雷达信号特征图；最后，第三雷达特征图依次通过三个第四卷积层，输出目标雷达信号特征图。
[0061] 下面以1×3的卷积核（即第一卷积层） 为例，对生成第一雷达信号特征图的过程进行说明。
[0062] 具体地，通过以下公式（1）‑公式（4），可以生成第一雷达信号特征图。
[0063]在本实施例中，样本雷达信号依次经初始雷达信号识别模型中的每一卷积层进行处理，可以提取不同尺度和分辨率的雷达信号特征图，进而基于不同尺度和分辨率的雷达信号特征图对初始雷达信号识别模型进行训练，可以有效减少模型参数量和模型的计算量，提高模型的训练效率，并且可以保证模型的表达能力。进而，训练得到的目标雷达信号识别模型可以基于不同尺度和分辨率的雷达信号特征图对样本雷达信号进行分类识别，可以提高模型的分类精度。
[0064] 在一些实施例中，初始雷达信号识别模型采用Leaky ReLU激活函数，可以解决神经元死亡问题，在反向传播过程中，对于ReLU激活函数输入小于零的部分，Leaky ReLU也可以计算得到梯度，避免了梯度方向锯齿问题。
[0065] 步骤130，根据样本集中样本雷达信号的信号类型预测结果和样本集中样本雷达信号的样本标签，确定损失值；其中，损失值是根据目标损失函数确定的，目标损失函数可根据样本雷达信号的识别难易程度，调整样本雷达信号对应的损失值。
[0066] 上述样本雷达信号的信号类型预测结果即为初始雷达信号识别模型输出的雷达信号分类结果。示例性地，初始雷达信号识别模型输出的信号类型预测结果可以是信号类型概率序列，该信号类型概率序列包括针对每种样本雷达信号的概率。例如，初始雷达信号识别模型输出的信号类型预测结果为：0.1,0.03,0.6,0.2,0,0.03,0.04，该信号类型预测结果（即信号类型概率序列）中排序第三的概率为最大值，说明初始雷达信号识别模型输出的信号类型预测结果为第四类雷达信号（即排序第三的概率对应的信号类型）。上述样本雷达信号的样本标签可以表示样本雷达信号的真实信号类型。
[0067] 在本实施例中，在根据样本集中的样本雷达信号和初始雷达信号识别模型，得到样本集中样本雷达信号的信号类型预测结果之后，以样本雷达信号的信号类型预测结果作为初始雷达信号识别模型的初始训练输出，样本雷达信号的样本标签作为监督信息，对初始雷达信号识别模型进行迭代训练，得到目标雷达信号识别模型。
[0068] 在一些实施例中，以样本雷达信号的信号类型预测结果作为初始雷达信号识别模型的初始训练输出，样本雷达信号的样本标签作为监督信息，对初始雷达信号识别模型进行迭代训练，得到目标雷达信号识别模型，可以包括：根据样本集中样本雷达信号的信号类型预测结果和样本集中样本雷达信号的样本标签，确定损失值；根据损失值迭代更新初始雷达信号识别模型，得到目标雷达信号识别模型。
[0069] 在本实施例中，损失值可以是根据目标损失函数确定的，目标损失函数可根据样本雷达信号的识别难易程度，调整样本雷达信号对应的损失值。更具体地，当样本集中样本雷达信号的信号类型预测结果越接近1，样本雷达信号越容易分类。当样本集中样本雷达信号的信号类型预测结果越接近0，样本雷达信号越难以分类。
[0070] 在一些实施例中，损失值通过如下公式（5）获得：其中， 为损失值， 为样本集中样本雷达信号的信号类型预测结果。
[0071] 在本实施例中，由于 ，即 ，因此，与现有的交叉熵损失函数（即Focal loss函数）相比，本申请实施例的目标损失函数（即上述公式（5））采用余弦函数（即 ）替代将现有的交叉熵损失函数中的专注系数γ，这样一来，基于余弦函数具有的二阶可微的特性，本申请实施例的目标损失函数不需要调节专注系数γ，即可以自动调节不同样本雷达信号的损失值。也就是说，当样本雷达信号的信号类型预测结果（即 ）越接近1，即样本雷达信号越容易分类时，损失值越接近0。当样本雷达信号的信号类型预测结果（即 ）越接近0，即样本雷达信号越难以分类时，损失值越大。这样，基于该目标损失函数计算损失值，进而通过损失值对初始雷达信号识别模型进行迭代训练，使得训练后的目标雷达信号识别模型更关注难样本的学习和分类，进而提高目标雷达信号识别模型的性能，进而提高雷达信号的识别率。
[0072] 在一些实施例中，损失值是根据目标损失函数和注意力权重系数确定的，不同的样本雷达信号对应的注意力权重系数不同。
[0073] 示例性地，损失值通过如下公式（6）和公式（7）获得：（6）
其中 为损失值， 为样本集中样本雷达信号对应的注意力
权重系数， 为样本集中样本雷达信号的信号类型预测结果。
[0074] （7）其中， 为样本集中样本雷达信号对应的注意力权重系数；Q代表
查询，K代表键，V代表值，Q、K、V分别由输入矩阵X与三个可训练参数矩阵 的线性变换推导而来。 为相似矩阵， 为k的维度大小。
[0075] 根据上述公式（6）和（7），可以得到目标损失函数如下公式（8）：（8）
在本实施例中，当 较大时，相似矩阵 的方差增大，通过上述公式（8）进行缩放处理，可以减少不同维度的差异，使得梯度更新在模型训练中更稳定，进而通过softmax函数进行归一化处理后，可以为每个样本雷达信号生成一个大于0小于1的注意力权重系数。也就是说，在目标损失函数中加入注意力机制辅助网络训练，同时在Focal Loss损失函数的基础上加以改进代替传统交叉熵损失函数，这样一来，本申请实施例不需要依赖大量的训练样本，在样本集包括样本数据较少的情况下，可以重新分配难易样本所占的权重，使得训练后的目标雷达信号识别模型更关注难样本的学习和分类，进而提升目标雷达信号识别模型的性能，解决在训练样本不足时现有的雷达信号识别模型容易发生过拟合的问题，进而提高目标雷达信号识别模型的分类精度，以及提高目标雷达信号识别模型的识别率。
[0076] 步骤140，根据损失值迭代更新初始雷达信号识别模型，得到目标雷达信号识别模型。
[0077] 上述目标雷达信号识别模型可以是对初始雷达信号识别模型训练得到的，目标雷达信号识别模型可以用于对待识别雷达信号进行分类识别。
[0078] 在一些实施例中，根据损失值迭代更新初始雷达信号识别模型，得到目标雷达信号识别模型的步骤，可以进一步包括：根据损失值迭代更新初始雷达信号识别模型，得到训练后的雷达信号识别模型；在满足第一预设条件的情况下，将训练后的雷达信号识别模型确定为目标雷达信号识别模型。
[0079] 第一预设条件可以是用于判断模型是否完成迭代训练的结束条件。第一预设条件可以通过初始雷达信号识别模型是否收敛而确定的。
[0080] 在一些示例中，第一预设条件可以为损失值小于或等于预设阈值。在损失值小于或等于预设阈值的情况下，说明模型已收敛，即初始雷达信号识别模型完成迭代训练。需要说明的是，预设阈值可以根据所要识别的雷达信号的复杂程度进行设置，本申请实施例对预设阈值的具体数值不作限定。
[0081] 在一些示例中，第一预设条件可以为初始雷达信号识别模型的迭代次数达到预设次数。初始雷达信号识别模型的迭代次数达到预设次数的情况下，说明模型已收敛，即初始雷达信号识别模型完成迭代训练。需要说明的是，预设次数可以根据所要识别的雷达信号的复杂程度进行设置，如预设次数为300次。本申请实施例对预设次数的具体数值不作限定。
[0082] 在一些实施例中，根据损失值迭代更新初始雷达信号识别模型，可以进一步包括：步骤210‑步骤220。
[0083] 步骤210，在初始雷达信号识别模型的训练周期未达到第二预设周期的情况下，基于第一学习率，根据损失值迭代更新初始雷达信号识别模型。
[0084] 也就是说，在初始雷达信号识别模型的训练周期未达到第二预设周期，也就是在前第二预设周期，基于第一学习率对初始雷达信号识别模型进行迭代更新。其中，第二预设周期可以是10个周期，本申请实施例中，第二预设周期可以根据实际情况进行设置，本申请实施例对第二预设周期的具体数值不作限定。
[0085] 步骤220，在初始雷达信号识别模型的训练周期达到第二预设周期的情况下，基于第二学习率，根据损失值迭代更新初始雷达信号识别模型，其中，第二学习率小于第一学习率。
[0086] 也就是说，在初始雷达信号识别模型的训练周期达到第二预设周期，也就是在之后的训练周期中，逐步降低学习率，并以调整后的学习率继续对雷达信号识别模型进行迭代更新。
[0087] 在一些示例中，第二学习率可以通过以下公式（9）获得： （9）
其中， 为第二学习率，n为当前的训练周期与第二预设周期的差值，为第一学习率。
[0088] 例如，继续以第二预设周期为10个训练周期为例，在前10个训练周期，模型训练的学习率为第一学习率 ；在第11个训练周期，模型训练的学习率为 ；在第12个训练周期，模型训练的学习率为 ；在第13个训练周期，模型训练的学习率为 。也就是说，在训练后期，每个训练周期的学习率相对于前一个训练周期的学习率衰减10%。
[0089] 在本实施例中，在训练模型时，可以动态调整学习率，在模型训练初期采用较大的学习率，在模型训练后期可以逐渐降低学习率，这样在模型训练过程中可以快速找到模型的最优解，同时随着模型训练的加深，逐步降低学习率，可以提升模型训练效率，并且防止模型训练出现过拟合。
[0090] 在一些实施例中，为了进一步保证模型的性能，在根据损失值迭代更新初始雷达信号识别模型之后，可以采用验证集对训练后的雷达信号识别模型进行验证，在训练后的雷达信号识别模型满足要求时，将训练后的雷达信号识别模型确定为目标雷达信号识别模型。
[0091] 在一些示例中，为了解决现有模型训练方式需要依赖大量样本的问题，可以采用K折验证法对训练后的雷达信号识别模型进行验证。在本实施例中，可以将样本集划分为N个样本子集，其中，N个样本子集中各样本子集均包括至少两种类型的样本雷达信号，以及各样本雷达信号的样本标签。
[0092] 下面以样本集包括N个样本子集为例，对采用K折验证法对初始雷达信号识别模型进行训练和对训练后的雷达信号识别模型进行验证的过程进行说明。请参见图6，该过程包括：步骤210‑步骤270。
[0093] 步骤210，将N个样本子集中任一样本子集作为测试样本子集，并将N个样本子集中除测试样本子集以外的样本子集作为训练样本子集。
[0094] 步骤220，根据训练样本子集中的样本雷达信号和初始雷达信号识别模型，得到训练样本子集中样本雷达信号的信号类型预测结果。
[0095] 步骤230，根据训练样本子集中样本雷达信号的信号类型预测结果和训练样本子集中样本雷达信号的样本标签，确定损失值。
[0096] 步骤240，根据损失值迭代更新初始雷达信号识别模型，得到训练后的雷达信号识别模型。
[0097] 也就是说，将样本集划分为N个样本子集，依次将N个样本子集中的每个样本子集作为测试样本子集，以采用N个样本子集中除测试样本子集以外的其它样本子集对初始雷达信号识别模型进行迭代训练，得到训练后的雷达信号识别模型，并采用测试样本子集对训练后的雷达信号识别模型进行验证，进而根据验证分数，判断雷达信号识别模型是否结束训练。
[0098] 需要说明的是，采用N个样本子集中除测试样本子集以外的其它样本子集对初始雷达信号识别模型进行迭代训练的具体实现方式可以参考前述步骤120‑步骤140的具体实现方式，为避免重复，在此不再赘述。
[0099] 步骤250，根据测试样本子集中的样本雷达信号和训练后的雷达信号识别模型，得到测试样本子集中样本雷达信号的信号类型预测结果。
[0100] 步骤260，根据测试样本子集中样本雷达信号的信号类型预测结果和测试样本子集中样本雷达信号的样本标签，确定验证分数。
[0101] 在采用N个样本子集中除测试样本子集以外的其它样本子集对初始雷达信号识别模型进行迭代训练，得到训练后的雷达信号识别模型之后，可以采用测试样本子集对训练后的雷达信号识别模型进行验证，进而根据验证分数，判断雷达信号识别模型是否结束训练。
[0102] 在一些示例中，验证分数可以是训练后的雷达信号识别模型的识别正确率，也可以是训练后的雷达信号识别模型的识别错误率。
[0103] 以验证分数为训练后的雷达信号识别模型的识别正确率为例对验证分数的计算过程进行说明。假设样本集总共包括350个样本雷达信号，其中，每个样本子集均包括50个样本雷达信号，即测试样本子集包括50个样本雷达信号。采用测试样本子集对训练后的雷达信号识别模型进行验证，假设有49个样本雷达信号识别正确，则验证分数为识别正确的样本雷达信号的个数与样本集的总样本雷达信号的比值，即验证分数为49/350。
[0104] 步骤270，在验证分数满足第二预设条件的情况下，将训练后的雷达信号识别模型，确定为目标雷达信号识别模型。
[0105] 在一些实施例中，在验证分数为训练后的雷达信号识别模型的识别正确率的情况下，验证分数满足第二预设条件，即验证分数大于或等于第一阈值。需要说明的是，第一阈值可以根据实际情况进行设置，本申请实施例对第一阈值的具体数值不作限定。
[0106] 在一些实施例中，在验证分数为训练后的雷达信号识别模型的识别错误率的情况下，验证分数满足第二预设条件，即验证分数小于或等于第二阈值。需要说明的是，第二阈值可以根据实际情况进行设置，本申请实施例对第二阈值的具体数值不作限定。
[0107] 在一些实施例中，为了防止模型训练发生过拟合，根据测试样本子集中样本雷达信号的信号类型预测结果和测试样本子集中样本雷达信号的样本标签，确定验证分数的步骤，可以进一步包括：在初始雷达信号识别模型的训练周期达到第一预设周期的情况下，根据测试样本子集中样本雷达信号的信号类型预测结果和测试样本子集中样本雷达信号的样本标签，确定当前验证分数。在验证分数满足第二预设条件的情况下，将训练后的雷达信号识别模型，确定为目标雷达信号识别模型的步骤，可以进一步包括：在当前验证分数小于或等于上一验证分数的情况下，将训练后的雷达信号识别模型确定为目标雷达信号识别模型。
[0108] 在本实施例中，在初始雷达信号识别模型的训练周期达到第一预设周期时，说明模型的性能已达到一定程度的优化，此时获取当前验证验证分数，并将当前验证分数与上一验证分数进行比较，如果当前验证分数小于或等于上一验证分数，说明模型的性能未发生进一步改善，即模型满足要求，此时停止模型训练，即将此时得到的训练后的雷达信号识别模型确定为目标雷达信号识别模型。
[0109] 其中，当前验证分数可以是在当前训练周期后，对训练后的雷达信号识别模型进行测试得到的验证分数。上一验证分数可以是在上一训练周期后，对训练后的雷达信号识别模型进行测试得到的验证分数。第一预设周期可以是10，即在10个训练周期后，通过比较前后两次验证分数，以在模型性能不再改善的情况下，停止模型训练，即将此时得到的训练后的雷达信号识别模型确定为目标雷达信号识别模型。
[0110] 下面以初始雷达信号识别模型包括4个子模型，样本集包括5个样本子集（即样本子集a、样本子集b、样本子集c、样本子集d、样本子集e）为例，对采用K折验证法对初始雷达信号识别模型进行训练和对训练后的雷达信号识别模型进行验证的过程进行说明。
[0111] 请参见图7，第一阶段（即第一折）：将样本子集a作为测试样本子集，将样本子集b、样本子集c、样本子集d、样本子集e作为训练样本子集。分别采用各训练样本子集对初始雷达信号识别模型进行训练，得到第一折训练后的雷达信号识别模型。之后，采用样本子集a对第一折训练后的雷达信号识别模型进行测试，得到第一验证分数。
[0112] 第二阶段（即第二折）：将样本子集b作为测试样本子集，将样本子集a、样本子集c、样本子集d、样本子集e作为训练样本子集。分别采用各训练样本子集对第一折训练后的雷达信号识别模型进行迭代训练，得到第二折训练后的雷达信号识别模型。之后，采用样本子集b对第二折训练后的雷达信号识别模型进行测试，得到第二验证分数。
[0113] 第三阶段（即第三折）：将样本子集c作为测试样本子集，将样本子集a、样本子集b、样本子集d、样本子集e作为训练样本子集。分别采用各训练样本子集对第二折训练后的雷达信号识别模型进行迭代训练，得到第三折训练后的雷达信号识别模型。之后，采用样本子集c对第三折训练后的雷达信号识别模型进行测试，得到第三验证分数。
[0114] 第四阶段（即第四折）：将样本子集d作为测试样本子集，将样本子集a、样本子集b、样本子集c、样本子集e作为训练样本子集。分别采用各训练样本子集对第三折训练后的雷达信号识别模型进行迭代训练，得到第四折训练后的雷达信号识别模型。之后，采用样本子集d对第四折训练后的雷达信号识别模型进行测试，得到第四验证分数。
[0115] 第五阶段（即第五折）：将样本子集e作为测试样本子集，将样本子集a、样本子集b、样本子集c、样本子集d作为训练样本子集。分别采用各训练样本子集对第四折训练后的雷达信号识别模型进行迭代训练，得到第五折训练后的雷达信号识别模型。之后，采用样本子集e对第五折训练后的雷达信号识别模型进行测试，得到第五验证分数。
[0116] 之后，根据第一验证分数、第二验证分数、第三验证分数、第四验证分数、第五验证分数，确定验证分数，并在验证分数满足第二预设条件的情况下，将第五折训练后的雷达信号识别模型，确定为目标雷达信号识别模型。
[0117] 示例性地，验证分数可以通过如下公式（10）获得：（10）
其中， 为验证分数， 为第一验证分数， 为第二验证分数， 为
第三验证分数， 为第四验证分数， 为第五验证分数。
[0118] 在本申请实施例中，采用K折验证法对初始雷达信号识别模型进行训练，并对训练后的雷达信号识别模型进行验证，可以适用于样本数据量较少的场景，评价模型性能更加客观可靠，保证目标雷达信号识别模型的性能，提升目标雷达信号识别模型的小样本的识别能力。
[0119] 下面以一个具体的例子对本申请实施例的雷达信号识别模型的训练方法进行说明。
[0120] 以样本集包括线性调频信号（即LFM）、二相编码信号（BPSK）、二频编码信号（BFSK）三种类型的样本雷达信号为例，设计多个样本集，其中，样本集中每种类型的样本雷达信号的样本数量的取值范围为50个 140个，样本雷达信号的信噪比的取值范围为﹣5dB 5dB。分~ ~别采用每个样本集对初始雷达信号识别模型进行迭代训练，得到目标雷达信号识别模型。
以及，对目标雷达信号识别模型进行测试，测试结果如下表1。
[0121] 表1不同信噪比及不同样本数量的验证分数（识别正确率）
[0122] 由表1可以看出，基于本申请实施例训练得到的目标雷达信号识别模型的识别正确率不会受到样本数量和样本雷达信号的信噪比的影响，本申请实施例训练得到的目标雷达信号识别模型在无噪声和高噪声的环境中的识别正确率均较高，分类准确率可以超过90%。另外，请参见图8，其示出了模型的训练代数与识别正确率变化曲线示意图，由图8可知，在训练代数（即训练周期）达到10个周期后，模型的识别正确率趋于稳定，且可以达到
80%以上。
[0123] 也就是说，本申请实施例训练得到的目标雷达信号识别模型具有良好的性能，较高的分类精度，以及能够适用于小样本场景。
[0124] 根据本申请实施例，在训练雷达信号识别模型的过程中，可以获取包括至少两种类型的样本雷达信号的样本集，并根据样本集中的样本雷达信号和初始雷达信号识别模型，得到样本集中样本雷达信号的信号类型预测结果，然后根据样本集中样本雷达信号的信号类型预测结果和样本集中样本雷达信号的样本标签，确定损失值，进而根据损失值迭代更新初始雷达信号识别模型，得到目标雷达信号识别模型。其中，损失值是根据目标损失函数确定的，目标损失函数可根据样本雷达信号的识别难易程度，调整样本雷达信号对应的损失值。也就是说，本申请实施例的目标损失函数不需要调节专注系数γ，即可以自动调节不同样本雷达信号的损失值。这样一来，基于该目标损失函数计算损失值，进而通过损失值对初始雷达信号识别模型进行迭代训练，使得训练后的目标雷达信号识别模型更关注难样本的学习和分类，进而提高目标雷达信号识别模型的性能，进而提高雷达信号的识别率。
[0125] 再者，本申请实施例的初始雷达信号识别模型可以是采用金字塔结构搭建的卷积神经网络模型。这样，相比于传统的标准卷积，采用深度可分离卷积可以组合不同通道的信息，进而可以有效减少参数量和计算量，提高模型训练效率，同时可以保持模型的表达能力。
[0126] 另外，本申请实施例采用K折验证法对初始雷达信号识别模型进行训练，并对训练后的雷达信号识别模型进行验证，可以适用于样本数据量较少的场景，评价模型性能更加客观可靠，保证目标雷达信号识别模型的性能，提升目标雷达信号识别模型的小样本的识别能力。
[0127] 上述说明仅是本申请实施例技术方案的概述，为了能够更清楚了解本申请实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本申请实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
[0128] 请参见图9，其示出了本申请实施例提供的一种雷达信号识别方法的流程示意图。该方法可以由服务器执行。如图9所示，该方法可以包括步骤310 步骤320。
~
[0129] 步骤310，获取待识别雷达信号。
[0130] 步骤320，根据待识别雷达信号和目标雷达信号识别模型，确定待识别雷达信号的信号类型。
[0131] 其中，目标雷达信号识别模型可以是由前述实施例提供的雷达信号识别模型的训练方法迭代训练得到的。
[0132] 在一些实施例中，根据待识别雷达信号和目标雷达信号识别模型，确定待识别雷达信号的信号类型的步骤，可以进一步包括：根据至少两个卷积层对待识别雷达信号进行处理，得到目标雷达信号特征图；根据分类层对目标雷达信号特征图进行处理，得到待识别雷达信号的信号类型。
[0133] 也就是说，待识别雷达信号作为目标雷达信号识别模型的输入，依次经至少两个卷积层进行处理，得到目标雷达信号特征图。之后，分类层对目标雷达信号特征图进行分类处理，得到待识别雷达信号的信号类型。
[0134] 在一些实施例中，至少两个卷积层包括三个第一卷积层、三个第二卷积层、三个第三卷积层和三个第四卷积层。也就是说，目标雷达信号识别模型可以包括十二个卷积层（即十二层一维卷积神经网络）。其中，第二卷积层的卷积核的尺寸与第一卷积层的卷积核的尺寸相同，第二卷积层的卷积核的数量大于第一卷积层的卷积核的数量，第三卷积层的卷积核的尺寸大于第二卷积层的卷积核的尺寸，第三卷积层的卷积核的数量等于第二卷积层的卷积核的数量，第四卷积层的卷积核的尺寸与第三卷积层的卷积核的尺寸相同，第四卷积层的卷积核的数量大于第三卷积层的卷积核的数量。
[0135] 在该实施例中，根据至少两个卷积层对待识别雷达信号进行处理，得到目标雷达信号特征图的步骤，可以进一步包括：根据三个第一卷积层对待识别雷达信号进行处理，得到第一雷达信号特征图；根据三个第二卷积层对第一雷达信号特征图进行处理，得到第二雷达信号特征图；根据三个第三卷积层对第二雷达信号特征图进行处理，得到第三雷达信号特征图；根据三个第四卷积层对第三雷达信号特征图进行处理，得到目标雷达信号特征图。
[0136] 也就是说，待识别雷达信号作为目标雷达信号识别模型中的第一卷积层的输入，依次经三个第一卷积层进行处理，得到第一雷达信号特征图。之后，第一雷达信号特征图作为目标雷达信号识别模型中的第二卷积层的输入，依次经三个第二卷积层进行处理，得到第二雷达信号特征图。再之后，第二雷达信号特征图作为目标雷达信号识别模型中的第三卷积层的输入，依次经三个第三卷积层进行处理，得到第三雷达信号特征图。最后，第三雷达信号特征图作为目标雷达信号识别模型中的第四卷积层的输入，依次经过三个第四卷积层进行处理，得到目标雷达信号特征图。
[0137] 在一些实施例中，在根据待识别雷达信号和目标雷达信号识别模型，确定待识别雷达信号的信号类型之前，该方法还可以包括：对待识别雷达信号进行预处理。示例性地，对待识别雷达信号进行归一化处理，得到一维雷达信号序列。也就是说，在获取待识别雷达信号之后，对待识别雷达信号进行归一化处理，得到一维雷达信号序列，之后将一维雷达信号序列作为目标雷达信号识别模型的输入，即将一维雷达信号序列依次经至少两个卷积层进行处理。在本实施例中，在获取待识别雷达信号之后，对待识别雷达信号进行预处理，有助于提高模型的泛化性能和鲁棒性，进而提高雷达信号分类的准确性。
[0138] 根据本申请实施例，本申请实施例的目标损失函数不需要调节专注系数γ，即可以自动调节不同样本雷达信号的损失值。这样一来，基于该目标损失函数计算损失值，进而通过损失值对初始雷达信号识别模型进行迭代训练，使得训练后的目标雷达信号识别模型更关注难样本的学习和分类，进而提高目标雷达信号识别模型的性能。进而，在对雷达信号进行识别的过程中，采用本申请实施例训练得到的目标雷达信号识别模型对待识别雷达信号进行分类识别，可以提高分类精度。
[0139] 请参见图10，本申请实施例还提供了一种雷达信号识别模型的训练装置1000，如图10所示，该训练装置1000包括：获取模块1001、预测模块1002、确定模块1003和训练模块1004。
[0140] 其中，获取模块1001可以用于获取样本集，其中，样本集包括至少两种类型的样本雷达信号，以及至少两种类型的样本雷达信号中各样本雷达信号的样本标签；预测模块1002可以用于根据样本集中的样本雷达信号和初始雷达信号识别模型，得到样本集中样本雷达信号的信号类型预测结果；确定模块1003可以用于根据样本集中样本雷达信号的信号类型预测结果和样本集中样本雷达信号的样本标签，确定损失值；其中，损失值是根据目标损失函数确定的，目标损失函数可根据样本雷达信号的识别难易程度，调整样本雷达信号对应的损失值；训练模块1004可以用于根据损失值迭代更新初始雷达信号识别模型，得到目标雷达信号识别模型。
[0141] 在一些实施例中，上述损失值通过如下公式获得：其中， 为损失值， 为样本集中样本雷达信号的信号类型预测结果。
[0142] 在一些实施例中，上述损失值是根据目标损失函数和注意力权重系数确定的，不同的样本雷达信号对应的注意力权重系数不同。
[0143] 在一些实施例中，上述损失值通过如下公式获得：其中， 为损失值， 为
样本集中样本雷达信号对应的注意力权重系数， 为样本集中样本雷达信号的信号类型预测结果。
[0144] 在一些实施例中，训练模块1004可以包括：训练单元，可以用于根据损失值迭代更新初始雷达信号识别模型，得到训练后的雷达信号识别模型；确定单元，可以用于在满足第一预设条件的情况下，将训练后的雷达信号识别模型确定为目标雷达信号识别模型；其中，第一预设条件包括：损失值小于或等于预设阈值；或者，初始雷达信号识别模型的迭代次数达到预设次数。
[0145] 在一些实施例中，样本集包括N个样本子集，N个样本子集中各样本子集均包括至少两种类型的样本雷达信号，以及各样本雷达信号的样本标签；该训练装置1000还可以包括：划分模块，可以用于将N个样本子集中任一样本子集作为测试样本子集，并将N个样本子集中除测试样本子集以外的样本子集作为训练样本子集；预测模块1002，可以具体用于根据训练样本子集中的样本雷达信号和初始雷达信号识别模型，得到训练样本子集中样本雷达信号的信号类型预测结果；确定模块1003，可以具体用于根据训练样本子集中样本雷达信号的信号类型预测结果和训练样本子集中样本雷达信号的样本标签，确定损失值。
[0146] 在一些实施例中，确定单元，可以具体用于：根据测试样本子集中的样本雷达信号和训练后的雷达信号识别模型，得到测试样本子集中样本雷达信号的信号类型预测结果；根据测试样本子集中样本雷达信号的信号类型预测结果和测试样本子集中样本雷达信号的样本标签，确定验证分数；在验证分数满足第二预设条件的情况下，将训练后的雷达信号识别模型，确定为目标雷达信号识别模型。
[0147] 在一些实施例中，确定单元，可以具体用于：在初始雷达信号识别模型的训练周期达到第一预设周期的情况下，根据测试样本子集中样本雷达信号的信号类型预测结果和测试样本子集中样本雷达信号的样本标签，确定当前验证分数；在当前验证分数小于或等于上一验证分数的情况下，将训练后的雷达信号识别模型确定为目标雷达信号识别模型。
[0148] 在一些实施例中，初始雷达信号识别模型包括至少两个卷积层和分类层，预测模块1002，可以具体用于：根据至少两个卷积层对样本集中的样本雷达信号进行处理，得到目标雷达信号特征图；根据分类层对目标雷达信号特征图进行处理，得到样本集中样本雷达信号的信号类型预测结果。
[0149] 在一些实施例中，至少两个卷积层包括三个第一卷积层、三个第二卷积层、三个第三卷积层和三个第四卷积层；其中，第二卷积层的卷积核的尺寸与第一卷积层的卷积核的尺寸相同，第二卷积层的卷积核的数量大于第一卷积层的卷积核的数量，第三卷积层的卷积核的尺寸大于第二卷积层的卷积核的尺寸，第三卷积层的卷积核的数量等于第二卷积层的卷积核的数量，第四卷积层的卷积核的尺寸与第三卷积层的卷积核的尺寸相同，第四卷积层的卷积核的数量大于第三卷积层的卷积核的数量；根据至少两个卷积层对样本集中的样本雷达信号进行处理，得到目标雷达信号特征图，包括：根据三个第一卷积层对样本集中的样本雷达信号进行处理，得到第一雷达信号特征图；根据三个第二卷积层对第一雷达信号特征图进行处理，得到第二雷达信号特征图；根据三个第三卷积层对第二雷达信号特征图进行处理，得到第三雷达信号特征图；根据三个第四卷积层对第三雷达信号特征图进行处理，得到目标雷达信号特征图。
[0150] 在一些实施例中，训练模块1004可以具体用于：在初始雷达信号识别模型的训练周期未达到第二预设周期的情况下，基于第一学习率，根据损失值迭代更新初始雷达信号识别模型；在初始雷达信号识别模型的训练周期达到第二预设周期的情况下，基于第二学习率，根据损失值迭代更新初始雷达信号识别模型，其中，第二学习率小于第一学习率。
[0151] 请参见图11，本申请实施例还提供了一种雷达信号识别装置1100，如图11所示，该雷达信号识别装置1100包括：获取模块1101和识别模块1102。其中，获取模块1101可以用于获取待识别雷达信号；识别模块1102可以用于根据待识别雷达信号和目标雷达信号识别模型，确定待识别雷达信号的信号类型，其中，目标雷达信号识别模型为根据前述实施例提供的雷达信号识别模型的训练装置训练得到的。
[0152] 请参见图12，本申请实施例还提供了一种电子设备，包括：处理器1201、存储器1202以及存储在存储器1202上并可在处理器1201上运行的可执行指令，处理器1201执行可执行指令时实现上述实施例中任一项提供的雷达信号识别模型的训练方法，或者，上述实施例提供的雷达信号识别方法。
[0153] 本申请实施例还提供了一种电子设备，该电子设备包括如上述实施例所述的雷达信号识别模型的训练装置。
[0154] 本申请实施例又提供了一种电子设备，该电子设备包括如上述实施例所述的雷达信号识别装置。
[0155] 在一些实施例中，该电子设备可以是服务器。
[0156] 本申请实施例还提供了一种计算机可读存储介质，存储介质中存储有至少一可执行指令，可执行指令在电子设备上运行时，使得电子设备执行如上述雷达信号识别模型的训练方法的操作，或者，执行如上述雷达信号识别方法的操作。
[0157] 在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。此外，本申请实施例也不针对任何特定编程语言。
[0158] 在此处所提供的说明书中，说明了大量具体细节。然而能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。类似地，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。其中，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。
[0159] 本领域技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外。
[0160] 应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。
