买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉杭州电子科技大学申请的专利一种基于改进时序卷积网络的雷达目标识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114861712B 。

龙图腾网通过国家知识产权局官网在2025-07-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210413812.3，技术领域涉及：G06F18/24；该发明授权一种基于改进时序卷积网络的雷达目标识别方法是由夏伟杰;陈晴;潘勉;吕帅帅;蒋洁设计研发完成，并于2022-04-14向国家知识产权局提交的专利申请。

本一种基于改进时序卷积网络的雷达目标识别方法在说明书摘要公布了：本发明公开了一种基于改进时序卷积网络的雷达目标识别方法，首先对原始HRRP样本集进行预处理，采用TCN模型提取HRRP的数据特征；然后采用多层次注意力模块，自适应的缩放数据不同片段的特征重要性；最后通过全连接层将更有效的特征进行保留，最后采用softmax对网络的输出进行分类。本发明通过因果卷积来建立HRRP的因果序列特性，并且通过膨胀卷积和堆叠模型深度来扩大模型的感受野，提取更全面的特征信息。提出了针对多层时间卷积网络的多层次注意力机制，对不同层次反映的目标结构特征进行重要性调整，突出可分性强的层次特征，抑制无用特征，自适应调整各个层次输出对识别结果的影响。

本发明授权一种基于改进时序卷积网络的雷达目标识别方法在权利要求书中公布了：1.一种基于改进时序卷积网络的雷达目标识别方法，其特征在于，包括以下步骤： S1：对原始HRRP样本集进行预处理； 采用L2范数归一化对HRRP原始回波数据进行处理，将幅度划分到统一尺度内消除HRRP的幅度敏感性；采用重心对齐法来改善HRRP的平移敏感性； S2:采用TCN模型提取HRRP的数据特征； TCN模型由3个残差模块堆叠得到；所述的残差模块由因果膨胀卷积和残差连接这两个核心模块构成；为了提高识别的准确率，在每次因果膨胀卷积之后加入了批归一化和激活函数；同时为了防止过拟合，引入了Dropout方法来提高模型的泛化能力；模型的输出采用跨层输出机制来获取更为完善的特征信息； S3：采用多层次注意力模块，自适应的缩放数据不同片段的特征重要性；让不同层次的输出特征都对识别结果产生影响； S4:通过全连接层将更有效的特征进行保留，最后采用softmax对网络的输出进行分类； 所述步骤S1具体步骤如下： S1.1：L2范数归一化；将幅度划分到统一尺度内；将原始的雷达HRRP数据表示为X＝[x1,x2,...,xM]，则L2范数归一化后得到的Xnorm如下： 其中，X表示原始HRRP数据，M表示HRRP内包含的距离单元数量，xm表示第m个距离单元内的幅值；通过范数归一化后得到 S1.2：重心对齐法；重心对齐法分为两步：首先需要计算出HRRP的重心位置，然后通过平移使其重心位于HRRP距离单元的中心位置；雷达HRRP数据表示为则重心G的计算如下： 通过平移得到数据 所述S2详细步骤为： S2.1:因果膨胀卷积； 因果膨胀卷积通过间隔采样增大卷积核的感受野，无需依赖于模型深度就能使得输出包含丰富的长期追溯信息；卷积核经过预处理后HRRP输入样本序列为其中M为距离单元个数；那么，HRRP经过因果膨胀卷积的计算之后的输出定义为： 其中，d表示扩张系数，d随卷积层的加深以2的指数幂增加；ker是卷积核大小，fr表示卷积核在r位置处的取值，0≤r≤ker-1；感受野的大小如下： field＝ker-1·d S2.2:批归一化； 加入可训练的参数对每个批次mini-batch的数据做归一化处理；每个mini-batch中包含num条数据：定义该批次数据经过因果膨胀卷积操作之后的输出为Fo表示mini-batch中第o条数据对应的因果膨胀卷积输出；那么，对进行批归一化可定义为： 其中，Fok,l、分别为第o条数据在批归一化操作前后第k个通道的第l个数值，γk、βk为可训练的参数，ε定义为一个极小的数值以防止分母为0；μBN、分别为均值和方差，计算过程表示为： 其中L表示序列长度；然后，对进行批归一化后的特征进行非线性变换，也就是将特征输入激活函数得到 S2.3:激活函数； 使用的是ReLU函数，其公式如下： ReLUx＝max0,x S2.4:残差连接； 残差连接通过恒等映射，让残差模块以跨层的方式向深层传递浅层信息，解决了当TCN模型过深时出现的退化问题；当Xinput为残差模块的输入值，F·为残差模块的映射输出，则残差模块的输出Xres表示为： Xres＝ActivationXinput+FXinput S2.5:跨层输出机制； 采用了跨层输出机制，即TCN模型中每个残差模块的输出都分为两部分：第一个输出是残差连接输出，经过激活函数后继续向后传播，作为下一个残差模块的输入；第二个输出是特征提取部分，按照残差模块的堆叠次序输出结果，作为多层次注意力模块的输入以进行后续的注意力分布计算；跨层输出机制可以提取抽象度不同的特征，有利于提高识别准确性。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。