本发明属于雷达，具体涉及一种基于改进resnet网络的外辐射源雷达目标检测方法及装置。
背景技术：
1、外辐射源雷达是一种利用非合作信号对目标进行检测的双基地雷达系统，其在抗干扰、抗隐身目标、抗反辐射导弹、抗低空突防等方面有显著优势。并且在要地防空、机场监视等场景中，对高速机动目标、无人机目标的检测测与分类都有重要作用，因此，研究外辐射源雷达对高低空域目标的检测具有重要研究意义。
2、随着低空空域逐渐开放，无人机等“低慢小”目标的频繁活动在低空空域管理方面引起了一连串的挑战。外辐射源雷达在检测“低慢小”目标时，依赖于如数字电视广播等第三方辐射源的信号。通过对这些信号进行长时间的积累处理，外辐射源雷达能够精确地分辨目标速度，有利于对“低慢小”目标的检测。由于“低慢小”目标具有飞行高度低、速度慢、散射截面积小等特征，从而导致外辐射源雷达目标回波能量小，此外，城市低空探测环境的复杂性，大量的多径杂波导致目标回波极可能淹没在杂波中。外辐射源雷达传统的检测方式是使用自适应滤波器抑制掉大量杂波，并且将整个距离多普勒谱上的残余杂波和噪声统一看作独立同分布的高斯分布模型，采用的是平方律检波加各种cfar处理检测目标。然而传统的自适应滤波器在抑制杂波时，速度较慢的运动目标也会被同时滤除掉，造成目标无法被检测出来。
3、近年来，以神经网络为核心的深度学习技术，在计算机视觉等感知领域实现了革命性的进展。深度神经网络通过建立从简单到复杂的多层表示结构，并通过网络对训练数据进行复杂的非线性处理，从而使网络能够自动识别并学习数据中的隐含特征，实现从输入到目标的映射。在雷达目标检测和识别领域，深度神经网络能够自动提取数据中的关键特征。通过构建一个端到端的网络模型，它不仅提高了处理效率，而且在目标检测和识别的准确性上相比传统方法也实现了显著的提高。因此，研究基于深度学习的外辐射源雷达“低慢小”目标检测方法具有重要意义。
4、苏宁远等人在文献“基于卷积神经网络的海上微动目标检测与分类方法[j].雷达学报,2018,7(5):565–574”将卷积神经网络(cnn)用于海上目标微多普勒的检测和雷达海上目标智能检测。高暄皓在文献“微弱机动目标雷达信号相参积累算法研究[d].战略支援部队信息工程大学,2023”中提出了基于残差网络的目标检测算法。以上目标检测方法大多应用于主动雷达，无法解决外辐射源雷达“低慢小”目标检测问题。
技术实现思路
1、为了解决现有技术中存在的上述问题，本发明提供了一种基于改进resnet网络的外辐射源雷达目标检测方法及装置。本发明要解决的技术问题通过以下技术方案实现：
2、第一方面，本发明提供了一种基于改进resnet网络的外辐射源雷达目标检测方法包括：
3、s100，从雷达系统获取当前雷达信号，并将所述当前雷达信号作为待检测信号；
4、s200，对所述待检测信号进行归一化处理得到归一化信号；
5、s300，将所述归一化信号输入至训练好的基于改进resnet网络的外辐射源雷达目标检测的网络模型中，以使所述网络模型中的卷积模块对所述归一化信号作初步特征提取，将提取到的初步特征输入至残差卷积网络中作残差计算，并利用多头注意力模块捕捉不同初步特征之间的相互关系以及利用所述相互关系对不同初步特征作加权计算，以提取出重要的特征信息，将所述特征信息输入至全连接层作分类，得到所述当前雷达信号所属的信号类别。
6、第二方面，本发明提供了一种基于改进resnet网络的外辐射源雷达目标检测装置包括：
7、获取模块，被配置为从雷达系统获取当前雷达信号，并将所述当前雷达信号作为待检测信号；
8、处理模块，被配置为对所述待检测信号进行归一化处理得到归一化信号；
9、识别模块，被配置为将所述归一化信号输入至训练好的基于改进resnet网络的外辐射源雷达目标检测的网络模型中，以使所述网络模型中的卷积模块对所述归一化信号作初步特征提取，将提取到的初步特征输入至残差卷积网络中作残差计算，并利用多头注意力模块捕捉不同初步特征之间的相互关系以及利用所述相互关系对不同初步特征作加权计算，以提取出重要的特征信息，将所述特征信息输入至全连接层作分类，得到所述当前雷达信号所属的信号类别。
10、有益效果：
11、本发明提供了一种基于改进resnet网络的外辐射源雷达目标检测方法及装置，从雷达系统获取当前雷达信号作为待检测信号；对待检测信号进行归一化处理得到归一化信号；将所述归一化信号输入至训练好的基于改进resnet网络的外辐射源雷达目标检测的网络模型中得到所述当前雷达信号所属的信号类别。由于本发明采用基于改进resnet的网络模型，该网络模型添加了多头注意力机制，解决了传统外辐射源雷达目标检测方法对“低慢小”目标难以检测以及需要对杂波环境进行深入的统计分析的难题，有效提高了低信噪比下目标检测的准确率，提高了外辐射源雷达目标检测的稳健性和实时性。
12、以下将结合附图及实施例对本发明做进一步详细说明。
1.一种基于改进resnet网络的外辐射源雷达目标检测方法，其特征在于，包括：
2.根据权利要求1所述的基于改进resnet网络的外辐射源雷达目标检测方法，其特征在于，所述基于改进resnet网络的外辐射源雷达目标检测的网络模型利用训练样本集训练，再利用测试样本集测试得到；
3.根据权利要求2所述的基于改进resnet网络的外辐射源雷达目标检测方法，其特征在于，所述对所述目标回波信号和杂波信号进行预处理，并将预处理之后的目标回波信号和杂波信号划分为训练样本集和测试样本集包括：
4.根据权利要求1所述的基于改进resnet网络的外辐射源雷达目标检测方法，其特征在于，所述基于改进resnet网络的外辐射源雷达目标检测的网络模型包括主干网络，所述主干网络由残差卷积网络resnet34组成，在所述残差卷积网络resnet34前加入一个卷积模块进行初步特征提取，并且在所述残差卷积网络resnet34后添加多头注意力模块，所述多头注意力模块的输出连接一个全连接层。
5.根据权利要求4所述的基于改进resnet网络的外辐射源雷达目标检测方法，其特征在于，
6.根据权利要求2所述的基于改进resnet网络的外辐射源雷达目标检测方法，其特征在于，所述基于改进resnet网络的外辐射源雷达目标检测的网络模型的训练过程如下：
7.根据权利要求6所述的基于改进resnet网络的外辐射源雷达目标检测方法，其特征在于，所述残差块包括残差部分和直接映射部分，公式表示为：
8.根据权利要求7所述的基于改进resnet网络的外辐射源雷达目标检测方法，其特征在于，子步骤4f中所述多头注意力模块具体计算表达式为：
9.根据权利要求8所述的基于改进resnet网络的外辐射源雷达目标检测方法，其特征在于，在所述子步骤4h中，损失值lloss的计算公式为：
10.一种基于改进resnet网络的外辐射源雷达目标检测装置，其特征在于，包括：
