基于深度神经网络的米波雷达低仰角测高方法技术

本发明专利技术公开了一种基于深度神经网络的米波雷达低仰角测高方法，解决了低仰角情况下模型失配问题，包括以下步骤：回波数据预处理得到归一化的幅度谱；构造压缩网络及与其结构对称的解压网络组成DNN，将归一化的幅度谱作为DNN的输入得到特征F并解压处理得到解压数据，用Adam算法与BP算法对DNN参数的权值W和偏置b进行训练与微调，完成深度神经网络的构建与训练；网络达到最优时，将训练集中的全部数据输入压缩网络并单位化得到特征基集；将预处理后的测试集数据输入训练好的DNN得到特征F′并投影在训练集的特征基集中确定目标来波角度，计算目标高度。本发明专利技术提高了雷达测高精度，在低仰角、模型失配情况下依然有效，用于米波雷达低仰角测高领域。

【技术实现步骤摘要】
基于深度神经网络的米波雷达低仰角测高方法
本专利技术属于雷达
，特别涉及雷达低仰角测高，具体是一种基于深度学习的米波雷达低仰角测高方法，可用于低仰角条件下多径信号不是单一点源信号时估计来波方向。
技术介绍
米波雷达在反隐身、反辐射导弹及远程预警方面起到重要作用。但由于米波雷达波长较长，主瓣较宽，阵列孔径受限，故其角度分辨率不高，直接影响测高性能。尤其在低仰角条件下，由于波束打地，目标多径信号特别复杂，且多径信号与直达波信号属于强相干信号，此相干信号很难在空域、时域及频域进行区分。针对此问题，国内外很多学者进行了大量的研究，其中主要研究内容在于两个方面：一方面，基于经典反射模型，通过对直达波信号和多径信号进行解相干进而达到来波方向(DirectionofArrival,DOA)估计的目的，如经典的多重信号分类算法和旋转不变子空间算法。当直达波与多径反射波完全相干时，阵列接收数据的协方差矩阵的秩降为1，通过解相干技术恢复协方差矩阵的秩，进而达到DOA估计的目的。空间平滑算法和矩阵重构算法通过降低系统自由度来实现秩恢复。此类算法的缺点是带来了阵列孔径的损失，Toeplitz预处理方法考虑了真实的数据协方差矩阵的Toeplitz性质，但精度不高。另一方面，通过构建更加精确的多径反射模型，使得模型尽可能地接近于真实情况，进而提高测角性能。基于精确多径反射模型的最大似然算法在传统的多径模型上加入雷达架设高度、地球曲率等先验信息，然而此算法并未考虑实际复杂阵地的地形反射高度的影响，仅在阵地地形较为平坦的条件下适用。基于精确地形匹配的合成导向算法考虑了实际地形高度信息对算法的影响。扰动多径信号模型及其反演方法对反射面高度进行估计，但是该算法仅依据信号模型特征，一旦地形特征与模型失配，则算法性能较差。神经网络技术其优势在于自适应的学习能力、非线性特性和快速收敛特性等，已经成功应用于信号处理领域。神经网络已经成功实现对复杂数据的分类以及函数逼近问题。国内外很多学者重点研究了径向基函数神经网络(RadialBasisFunction,RBFNN)，并成功应用于DOA估计问题。根据Zooghby等人在IEEETransactionsonAntennasandPropagation期刊的1997年第11卷的第1611到1617页提出的方法与杜克林等人在2002年的IEEEInternationalConferenceonCommunication会议论文的第139到144页提出的方法，将DOA估计问题简化为输入和输出的复杂映射关系，通过训练RBFNN，成功对相干源以及非相干源进行DOA估计，并且较传统的SSMUSIC算法有更小的计算量，大大减少DOA估计的时耗。Sallam等人在IEEETransactionsonGeoscienceandRemoteSensing期刊的2016年第9卷的第5095到5104页提出的方法中为了得到波束形成的最优权值，训练该神经网络的输入和输出关系，得到一组网络权值的最优维纳解，并通过实验和仿真数据对比验证了该网络较传统的Capon波束形成等有更好的测角性能。刘玉等人在Sensors期刊的2009年第7卷的第5558到第5579页提出的方法成功将人工神经网络技术应用于云分类问题，对比主成分分析法(principalcomponentanalysis,PCA)和支持向量机(SupportVectorMachine，SVM)，性能均有较大提升。Blackwell等人在IEEETransactionsonGeoscienceandRemoteSensing期刊的2005年第11卷中第2535页到第2546页提出的方法通过投影主成分分析法(ProjectedPrincipalComponents,PPC)对数据进行降维处理，然后利用深度神经网络(DeepNeuralNetworks,DNN)去估计大气温以及湿廓线。王若坤等人在IEEETransactionsonGeoscienceandRemoteSensing期刊的2018年第5卷第374页到第678页提出了一种利用支持向量回归算法成功实现HF雷达的DOA估计方法。基于对直达波信号与多径信号解相干的方法具有带来孔径损失、精度较差的缺点，基于精确构建多径反射模型的方法在地形特征与模型失配时，性能会急剧变差。基于RBFNN的DOA估计方法将神经网络技术运用于测角，但其采用的神经网络结构为单隐含层，对目标特征的学习能力有限。
技术实现思路
为了克服上述已有技术的不足，本专利技术提出了一种精度更高、运算速度更快、在模型失配情况下仍能正常工作的基于深度神经网络的低仰角米波雷达测高方法。本专利技术是一种基于深度神经网络的米波雷达低仰角测高方法，其特征在于，包括有以下步骤：步骤1，回波数据预处理：将采集到的数据分成训练集数据和测试集数据并分别进行标记；对带标签的训练集回波数据x(m)进行频域变换，得到数据的幅度谱X(k),k＝1,2…K,K为数据总维数，对幅度谱X(k)进行归一化处理，得到归一化处理后的幅度谱X：X＝(X-min(X))/(max(X)-min(X))；步骤2，多层深度神经网络DNN训练：分批训练带标签的训练集数据x(m)，构造压缩网络，压缩网络的输出维数小于输入维数：以归一化的幅度谱X作为压缩网络的输入并对输入数据进行特征提取得到特征F；构造结构对称的解压网络，解压网络的输出维数等于压缩网络的输入维数：以压缩得到的特征F作为解压网络的输入进行解压处理得到解压数据X′(k)，k＝1,2…K；计算幅度谱数据X(k)和解压数据X′(k)的均方误差Xmse，采用自适应时刻估计算法(AdaptiveMomentEstimation,Adam)对网络参数的权值W和偏置b进行训练，并在每次迭代后采用误差反向传播算法(BackPropagation,BP)对网络权值W和偏置b进行微调，直到数据集误差收敛，即确定网络参数W和b，完成多层深度神经网络的训练和构造；步骤3，对训练集数据的特征基提取：在DNN训练过程中当网络参数达到最优时，依次输入训练集中的单个数据，获取所有单个数据的特征并单位化得到特征基Fi，i＝1,2…n，n为特征个数，组成特征基集{F1,F2…Fn}，特征基集中的每个特征基对应一个仰角θi，i＝1,2…n，特征基集所对应的仰角集为{θ1,θ2…θn}；步骤4，测试集数据来波方向DOA估计：对测试集数据进行数据预处理：用训练集数据的最大值和最小值对频域变换后的测试集数据进行归一化处理，得到归一化处理后的幅度谱；将归一化处理后的幅度谱输入已经训练好的多层DNN网络进行压缩得到测试集数据特征F′，将测试集数据特征F′投影在训练集数据的特征基集中，并确定来波角度：计算低仰角目标高度，完成米波雷达低仰角目标的高度测量。本专利技术解决了米波雷达工程实际中模型失配等问题，在研究了环境对信源的作用过程后深入探索了雷达接收数据特征与环境特征的关系，并在传统的测高模型及算法基础上，引入深度学习技术，对米波雷达进行DOA估计。本专利技术与现有技术相比具有以下优点：(1)精度更高：在信噪比较低及快拍数较少的情况下，经典的SSMUSIC算法虽然通过空间平滑的方法对矩阵进行了秩本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的米波雷达低仰角测高方法，其特征在于，包括有以下步骤：步骤1，回波数据预处理：将采集到的数据分成训练集数据和测试集数据并分别进行标签标记；对带标签的训练集回波数据x(m)进行频域变换，得到数据的幅度谱X(k),k＝1,2…K,K为数据维数，对幅度谱X(k)进行归一化处理，得到归一化处理后的幅度谱X：X＝(X‑min(X))/(max(X)‑min(X))；步骤2，多层深度神经网络DNN训练：分批训练带标签的训练集数据x(m)，构造压缩网络，压缩网络的输出维数小于输入维数：以归一化的幅度谱X作为压缩网络的输入并对输入数据进行特征提取得到特征F；构造与压缩网络结构对称的解压网络，解压网络的输出维数等于压缩网络的输入维数：以压缩得到的特征F作为解压网络的输入进行解压处理得到解压数据X′(k)，k＝1,2…K；计算幅度谱数据X(k)和解压数据X′(k)的误差Xmse，采用自适应时刻估计算法对网络参数的权值W和偏置b进行训练，并在每次迭代后采用误差反向传播算法对网络权值W和偏置b进行微调，直到数据集误差收敛，即确定网络参数W和b，完成多层深度神经网络的训练和构造；步骤3，对训练集数据的特征基提取：在DNN训练过程中当网络参数达到最优时，依次输入训练集中的单个数据，获取所有单个数据的特征并单位化得到特征基Fi，i＝1,2…n，n为特征个数，组成特征基集{F1,F2…Fn}，特征基集中的每个特征基对应一个仰角θi，i＝1,2…n，特征基集所对应的仰角集为{θ1,θ2…θn}；步骤4，测试集数据来波方向估计：对测试集数据进行数据预处理：用训练集数据的最大值和最小值对频域变换后的测试集数据进行归一化处理，得到归一化处理后的幅度谱；将归一化处理后的幅度谱输入已经训练好的多层DNN网络进行压缩得到测试集数据特征F′，将测试集数据特征F′投影在训练集数据的特征基集中，并确定来波角度：...

【技术特征摘要】
1.一种基于深度神经网络的米波雷达低仰角测高方法，其特征在于，包括有以下步骤：步骤1，回波数据预处理：将采集到的数据分成训练集数据和测试集数据并分别进行标签标记；对带标签的训练集回波数据x(m)进行频域变换，得到数据的幅度谱X(k),k＝1,2…K,K为数据维数，对幅度谱X(k)进行归一化处理，得到归一化处理后的幅度谱X：X＝(X-min(X))/(max(X)-min(X))；步骤2，多层深度神经网络DNN训练：分批训练带标签的训练集数据x(m)，构造压缩网络，压缩网络的输出维数小于输入维数：以归一化的幅度谱X作为压缩网络的输入并对输入数据进行特征提取得到特征F；构造与压缩网络结构对称的解压网络，解压网络的输出维数等于压缩网络的输入维数：以压缩得到的特征F作为解压网络的输入进行解压处理得到解压数据X′(k)，k＝1,2…K；计算幅度谱数据X(k)和解压数据X′(k)的误差Xmse，采用自适应时刻估计算法对网络参数的权值W和偏置b进行训练，并在每次迭代后采用误差反向传播算法对网络权值W和偏置b进行微调，直到数据集误差收敛，即确定网络参数W和b，完成多层深度神经网络的训练和构造；步骤3，对训练集数据的特征基提取：在DNN训练过程中当网络参数达到最优时，依次输入训练集中的单个数据，获取所有单个数据的特征并单位化得到特征基Fi，i＝1,2…n，n为特征个数，组成特征基集{F1,F2…Fn}，特征基集中的每个特征基对应一个仰角θi，i＝1,2…n，特征基集所对应的仰角集为{θ1,θ2…θn}；步骤4，测试集数据来波方向估计：对测试集数据进行数据预处理：用训练集数据的最大值和最小值对频域变换后的测试集数据进行归一化处理，得到归一化处理后的幅度谱；将归一化处理后的幅度谱输入已经训练好的多层DNN网络进行压缩得到测试集数据特征F′，将测试集数据特征F′投影在训练集数据的特征基集中，并确定来波角度：计算低仰角目标高度，完成米波雷达低仰角目标的高度测量。2.如权利要求1所述的基于深度神经网络的米波雷达低仰角测高方法，其特征在于，步骤2所述的多层DNN训练，包括有如下步骤：2.1将归一化的幅度谱X作为压缩网络的输入，并对输入的幅度谱数据进行特征提取得到特征F,与此同时构建另一个结构对称的解压网络对压缩得...

【专利技术属性】
技术研发人员：陈伯孝，杨婷，项厚宏，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61