第４５卷第３期２０２３年３月系统工程与电子技术ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓＶｏｌ．４５Ｎｏ．３■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■Ｍａｒｃｈ２０２３文章编号：１００１－５０６Ｘ（２０２３）０３－７１７－０９网址：ｗｗｗ．ｓｙｓ－ｅｌｅ．ｃｏｍ收稿日期：２０２１０５１８；修回日期：２０２１０９１６；网络优先出版日期：２０２２０３０１。网络优先出版地址：ｈｔｔｐｓ：∥ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／１１．２４２２．ＴＮ．２０２２０３０１．１６０７．０１２．ｈｔｍｌ＊通讯作者．引用格式：曹鹏宇，杨承志，陈泽盛，等．基于深度残差收缩注意力网络的雷达信号识别方法［Ｊ］．系统工程与电子技术，２０２３，４５（３）：７１７－７２５．Ｒｅｆｅｒｅｎｃｅｆｏｒｍａｔ：ＣＡＯＰＹ，ＹＡＮＧＣＺ，ＣＨＥＮＺＳ，ｅｔａｌ．Ｒａｄａｒｓｉｇｎａｌｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｄｅｅｐｒｅｓｉｄｕａｌｓｈｒｉｎｋａｇｅａｔｔｅｎｔｉｏｎｎｅｔｗｏｒｋ［Ｊ］．ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓ，２０２３，４５（３）：７１７－７２５．基于深度残差收缩注意力网络的雷达信号识别方法曹鹏宇１，＊，杨承志１，陈泽盛１，王露２，石礼盟３（１．空军航空大学航空作战勤务学院，吉林长春１３００２２；２．空军航空大学航空基础学院，吉林长春１３００２２；３．中国人民解放军９３６７１部队，河南南阳４７４３５０）摘要：针对低信噪比条件下雷达信号识别率低，以及分类网络不具备识别样本库新添加信号类型的局限，提出了一种基于深度残差收缩注意力网络的雷达信号识别方法。通过网络将一维雷达信号映射到３２维向量空间。网络中的残差连接能有效强化特征的传播能力，解决网络过深无法训练的问题；注意力机制的引入，不仅构建掩码支路充当主干支路的特征选择器，还能够帮助网络自适应地选择合适的阈值进行软阈值化，从而减少网络中噪声或者冗余信息的影响，提高网络对噪声的鲁棒性。训练过程中排序表损失（ｒａｎｋｅｄｌｉｓｔｌｏｓｓ，ＲＬＬ）和分类损失函数共同指导网络训练。ＲＬＬ能够有效克服传统度量学习损失函数忽略类内特征的问题，分类损失函数能够弥补度量损失优化下对样本整体分布不敏感的问题。实验表明，...
