【技术实现步骤摘要】
一种基于神经网络的地杂波仿真方法
本专利技术涉及雷达信号处理
，尤其涉及一种基于神经网络的地杂波仿真方法、计算机设备及计算机可读存储介质。
技术介绍
在研究雷达性能、分析雷达信号时，经常需要利用到地杂波。目前，可用的地杂波数据主要来自于理论仿真和实测数据。一般情况下，对于低频段入射波照射时，平坦地表可以看作为单层指数谱粗糙面。1963年，P.Beckmann采用基尔霍夫近似方法(KA)研究了随机粗糙面和周期粗糙面的电磁散射回波。1979年，Bass等人分别采用微扰法(SPM)和基尔霍夫近似方法(KA)研究了随机粗糙面散射及其遮蔽效应。1994年，Voronovich提出小斜率近似方法(SSA)，并将其应用于粗糙面电磁散射回波的计算。1994年，A.K.Fung提出了积分方程法(IEM)，该方法填补了微扰法和基尔霍夫近似方法有效区域的空白，能在较宽的粗糙度范围内实现对地表后向散射回波的准确预测。2003年，Chen等人将格林函数Weyl谱中相位项的绝对值以及其梯度矢量中的高阶项进行了保留，采用过渡函数对菲涅尔反射系数进行...
【技术保护点】
1.一种基于神经网络的地杂波仿真方法，其特征在于，包括如下步骤：/nS1、构建基于神经网络的特征映射网络和数据生成网络；/n其中，所述特征映射网络包括依次连接的地杂波物理仿真层、特征映射层和全连接层；地杂波物理仿真层用于输入地杂波参数，并根据地杂波参数和地面电磁散射理论模型生成地杂波数据，所述地杂波参数包括频段、俯仰角、极化，地杂波物理仿真层的输出为特征映射层的输入，特征映射层用于实现地杂波数据在特征空间上的映射，特征映射层的输出为全连接层的输入，全连接层用于将特征表示映射到低维的地杂波数据特征空间，输出地杂波数据特征；/n所述数据生成网络包括全连接层和数据生成层；全连接层...
【技术特征摘要】
1.一种基于神经网络的地杂波仿真方法，其特征在于，包括如下步骤：
S1、构建基于神经网络的特征映射网络和数据生成网络；
其中，所述特征映射网络包括依次连接的地杂波物理仿真层、特征映射层和全连接层；地杂波物理仿真层用于输入地杂波参数，并根据地杂波参数和地面电磁散射理论模型生成地杂波数据，所述地杂波参数包括频段、俯仰角、极化，地杂波物理仿真层的输出为特征映射层的输入，特征映射层用于实现地杂波数据在特征空间上的映射，特征映射层的输出为全连接层的输入，全连接层用于将特征表示映射到低维的地杂波数据特征空间，输出地杂波数据特征；
所述数据生成网络包括全连接层和数据生成层；全连接层用于输入所述特征映射网络输出的地杂波数据特征，将地杂波数据特征空间的数据表示进行升维，全连接层的输出为数据生成层的输入，数据生成层用于根据输入特征生成并输出仿真的地杂波数据；
S2、使用给定地物分类、分级状态的地杂波理论仿真数据和地杂波实测数据作为训练集的样本，训练所述特征映射网络和所述数据生成网络，将各样本对应的地杂波参数输入所述特征映射网络，当所述数据生成网络输出的地杂波数据与训练用样本的偏差小于设定阈值后，停止训练；
S3、给定频段、俯仰角、极化，输入训练后的所述特征映射网络和所述数据生成网络，生成仿真的地杂波数据。
2.根据权利要求1所述的基于神经网络的地杂波仿真方法，其特征在于：
所述特征映射网络的特征映射层包括多个层级，每个层级均包括依次连接的卷积层模块、批量归一化模块和非线性激活函数模块；其中，
卷积层模块包含与卷积核做卷积运算和降采样的操作，其中卷积核取3*3或5*5，降采样的倍数为2，批量归一化模块对所述卷积层模块输出的数据做如下处理：减去数据均值，再除以数据标准差，非线性激活函数采用ReLU或LeakyReLU。
3.根据权利要求2所述的基于神经网络的地杂波仿真方法，其特征在于：
所述数据生成网络的数据生成层包括多个层级，每个层级均包括依次连接的反卷积层模块、批量归一化模块和非线性激活函数模块；其中，
反卷积层模块包含与卷积核做卷积运算和升采样的操作，其中卷积核取3*3或5*5，升采样的倍数为2；批量归一化模块对所述反卷积层模块输出的数据做如下处...
【专利技术属性】
技术研发人员：党训旺，陈勇，王超，殷红成，
申请(专利权)人：北京环境特性研究所，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。