基于二通道残差深度神经网络的二次雷达信号处理方法技术

本发明专利技术属于雷达技术领域，具体的说是一种基于二通道残差深度神经网络的二次雷达信号处理方法。本发明专利技术首先获取二次雷达应答信号样本数据并对数据集进行预处理。随后基于深度学习方法，构建了一种新型二通道残差深度神经网络。二通道残差深度神经网络由两个特征提取通道构成，每个通道进行多次残差相加，两个通道之间进行残差相连。将训练集和验证集输入，训练残差二通道深度网络，参数最佳时停止训练。最后将测试数据输入到网络中，预测出二次雷达应答信号。该网络模型可以减少信息损失，充分提取二次雷达信号的深层特征。本发明专利技术去噪性能优良，可准确预测出二次雷达时序信号，满足噪声抑制需求。

【技术实现步骤摘要】
基于二通道残差深度神经网络的二次雷达信号处理方法
本专利技术属于雷达
，具体的说是一种基于二通道残差深度神经网络的二次雷达信号处理方法。
技术介绍
二次雷达系统是国防以及国内民用航空主要的监视手段，在传输过程中会受到噪声的干扰，影响信号传输的清晰度，也导致了电波传输的稳定性和可靠性降低。传统去噪方法虽有效果，但还有噪声残留，影响信号检测。如今机器学习技术发展迅猛，作为机器学习的一个分支，深度学习和卷积神经网络在AlphaGo人机对弈和网络大数据分析等领域取得了巨大的成就。如何利用深度学习及CNN的强大功能去除信号噪声，是信号处理领域面临的课题之一。因此在近年兴起的机器学习，深度学习上进行探索，训练专用于适合二次雷达去除噪声的神经网络，具有重要的理论意义和实践意义。
技术实现思路
本专利技术的目的是基于深度学习算法，构造一种二通道残差深度神经网络，提供一种能够有效抑制噪声并二次雷达应答信号进行预测的方法。本专利技术采用的技术方案是，基于二通道残差深度神经网络的二次雷达信号处理方法，包括以下步骤：S1、构造训练集和验证集：将加入高斯白噪声并经过解调后的二次雷达应答时序信号作为训练数据集，记作其中N代表信号样本数，Z代表信号时间步长，未加入噪声的原始二次雷达应答信号作为标签，记作按比例划分为训练数据集和验证数据集；将应答信号训练样本数据进行随机打乱，对样本数据和标签进行维度扩展，形成形式为(n，t，g)的3D张量，其中n表示样本数目，t表示时间步长，g表示特征层数目；对数据进行归一化，将数据的所有特征映射到同一尺度0-1之间，得到训练集和验证集；S2、构建二通道残差深度神经网络，包括浅层特征提取部分、深层特征提取部分和上采样部分；所述浅层特征提取部分包括两个串联的卷积核大小为1*3，数据张量尺寸均为(n,512,64)的卷积层；所述深层特征提取部分包括并联的两个结构相同的支路，每个支路包含7个一维度卷积层，2个pooling池化层和3个残差相加连接层，7个一维度卷积层的数据张量尺寸依次为(n,512,128)、(n,512,128)、(n,256,256)、(n,256,256)、(n,128,128)、n,128,128)、(n,128,64)；数据每经过2个卷积神经单元进行一次残差相加，将前面的输出张量重新注入到下游数据流中，前两次残差相加后进行一次pool_size＝2的最大池化运算将训练参数数量下采样2倍，第三次残差相加后输入第7个卷积层，两个通道第7个卷积层的输出张量进行连接，构成深层特征提取部分的输出；两个通道之间在各自残差相加结点处进行残差相连，充分增强信号特征的提取，减少特征信息的损失；所述上采样部分包括两个size＝2上采样层和三个卷积层，上采样层与卷积层交替连接，逐步恢复张量的时间步长为512，最后一层卷积层的卷积核尺寸为1*1，特征层数量为1，输出预测时序信号数据，张量尺寸为(n,512,1)；S3、采用训练集对构建的二通道残差深度神经网络进行训练，并采用验证集对超参数进行调整；采用均方误差MSE作为回归预测的损失函数，公式为使用回调函数查看训练模型的内在状态，当观测到验证损失不再改善，参数达到最佳时停止训练，保存模型参数，获得训练好的二通道残差深度神经网络；S4、将获得的二次雷达应答信号输入训练好的二通道残差深度神经网络，即可获得噪声抑制处理后的二次雷达时序应答信号。本专利技术的有益效果为，残差连接的二通道深度神经网络可以减少信息损失，充分提取二次雷达应答信号的深层特征，该网络模型去噪性能优良，可准确预测出二次雷达时序信号，满足噪声抑制需求。附图说明图1为二通道残差深度神经网络模型结构示意图；图2为基于二通道残差深度神经网络的二次雷达信号处理流程图。具体实施方式下面结合附图和实施例对本专利技术的技术方案做进一步详细描述：实施例本例包括以下步骤：第一步，获取样本数据集：将样本总数为60000，时间步长为512的二次雷达应答时序信号作为样本数据。将加入高斯白噪声SNR＝5并经过解调后的二次雷达应答时序信号作为训练数据集，记为其中N＝60000代表信号样本数量，Z＝512代表信号时间步长。未加入噪声的原始二次雷达应答信号作为训练标签，记为并将样本数据按(0.6,0.2,0.2)的比例划分为训练集，验证集和测试集。第二步，对数据集进行预处理：将二次雷达训练样本数据进行随机打乱，对样本数据和标签进行维度扩展，形成形式为(n，t，g)的3D张量，其中n表示样本数目，t表示时间步长，g表示特征层的数目。并对数据进行批标准化处理，将数据的所有特征映射到同一尺度0-1之间。第三步，构建二通道残差深度神经网络：图1为二通道残差深度神经网络模型结构示意图。二通道残差深度神经网络由两个特征提取通道构成。首先信号数据输入两个串联的卷积核大小为1*3，数据张量尺寸均为(n,512,64)卷积神经单元CONV1D，进行浅层特征学习，卷积运算公式为y＝∑f(τ)g(x-τ)dτ。接着将训练样本数据输入二通道深层网络中，两个通道的构成相同。每个通道包含7个一维度卷积神经单元，2个pooling池化层和3个残差相加连接层。数据每经过2个卷积神经单元进行一次残差相加，将前面的输出张量重新注入到下游数据流中。前两组残差相加后进行一次pool_size＝2的最大池化运算将训练参数数量下采样2倍。两个通道之间在各自残差相加结点处进行残差相连，充分增强信号特征的提取，减少特征信息的损失。在二通路特征提取中，每个通路的特征层数目也做相应变化进行深度特征提取，结合池化运算，各个阶段张量尺寸变化依次为：(n,512,128)，(n,256,256)，(n,128,128)，(n,128,64)。最后将两个通路的输出张量进行连接，将学习到的深层特征进行融合。设置2个size＝2的上采样层与卷积网络层穿插相叠，逐步恢复张量的时间步长为512。最后设置一层卷积核尺寸为1*1，特征层数量为1的卷积层CONV1D，输出预测时序信号数据，张量尺寸为(n,512,1)。第四步，二通道残差深度神经网络的训练：将经第二部中预处理后的训练集和验证集输入到第三步中构建的二通道深度残差神经网路中，采用均方误差MSE作为回归预测的损失函数。在调用训练模块model.fit时,使用回调函数callback监控模型的状态和性能，当观测到验证损失不再改善，参数达到最佳时停止训练，并对模型进行保存。第五步，二次雷达时序信号预测输出：将经第二步中预处理后的测试集输入到第四步中保存的神经网络模型，输出经构建的二通道残差深度网络进行噪声抑制的二次雷达时序应答信号,记作其中N为测试集样本数目，W＝512表示信号时间步长。使用了各种不同噪声环境下的不同二次雷达应答信号数据进行了大量实验，其中最小信噪比SNR＝-5,最大信噪比SNR＝20。测试得到本专利技术去噪性能优良，可准确预测本文档来自技高网...

【技术保护点】
1.基于二通道残差深度网络的二次雷达信号处理方法，其特征在于，包括以下步骤：/nS1、构造训练集和验证集：/n将加入高斯白噪声并经过解调后的二次雷达应答时序信号作为训练数据集，记作

【技术特征摘要】
1.基于二通道残差深度网络的二次雷达信号处理方法，其特征在于，包括以下步骤：
S1、构造训练集和验证集：
将加入高斯白噪声并经过解调后的二次雷达应答时序信号作为训练数据集，记作其中N代表信号样本数，Z代表信号时间步长，未加入噪声的原始二次雷达应答信号作为标签，记作按比例划分为训练数据集和验证数据集；
将应答信号训练样本数据进行随机打乱，对样本数据和标签进行维度扩展，形成形式为(n，t，g)的3D张量，其中n表示样本数目，t表示时间步长，g表示特征层数目；
对数据进行归一化，将数据的所有特征映射到同一尺度之间，得到训练集和验证集；
S2、构建二通道残差深度神经网络，依次包括浅层特征提取部分、深层特征提取部分和上采样部分；
所述浅层特征提取部分包括两个串联的卷积核大小为1*3，数据张量尺寸均为(n,512,64)的卷积层；
所述深层特征提取部分包括并联的两个结构相同的支路，每个支路包含7个一维度卷积层，2个pooling池化层和3个残差相加连接层，7个一维度卷积层的数据张量尺寸依次为(n,512,128)、(n,512,128)、(n,...

【专利技术属性】
技术研发人员：沈晓峰，都雪，廖阔，王子健，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51