一种单波长机载测深雷达波形信号提取方法技术

本发明专利技术公开了一种单波长机载测深雷达波形信号提取方法，构建基于卷积神经网络的波形分类模型将单波长机载测深雷达全波形进行识别，包括异常波形、过饱和波形、陆地波形、海面波形和水下波形。对水面回波和异常波形进行剔除，通过波形分割得到波形片段，构建波形片段分类模型SAPSO‑ELM对波形片段进行识别，对包含有峰值的波形片段进行最大峰值探测，通过与波形类型相结合对没有正确波峰识别的波形进行露西‑理查德森露西反卷积算法进行信号提取。实验表明该方法在波形信号探测中表现高效、准确和适应性强。

【技术实现步骤摘要】
一种单波长机载测深雷达波形信号提取方法
本专利技术属于信号处理领域，具体涉及一种单波长机载测深雷达波形信号提取方法。
技术介绍
沿海管理是世界各国决策者和科学家面临的一个复杂问题。由于需要覆盖的水域广阔，监测海岸可能会很困难。在海岸带环境中获得精确、高密度的水深和地形测量是一项具有挑战性的任务。深和浅水域水深数据主要来源于回声测深仪(单和多波束)，虽然在低能量0-5m小深度的沿海地区，船不能方法，通常采用经典的测量技术，如全站仪(TS)或实时运动全球导航卫星系统(RTK-GNSS)，或通过部署无人水面舰艇(USV)。此外，卫星测深可以在扩大的地区提供中等分辨率和低成本的测深资料，但是，方法的精度除其他外，与深度有关，必须始终得到地面真实数据(通常通过回声探测方法)的支持。机载激光测深(ALB)是一种极具吸引力的浅水水体测深技术，它具有较高的捕获率和测点密度。此外，激光雷达测深是一种缩短测量时间、降低测量成本的工具。传统的激光雷达测深系统采用近红外和绿色激光，如OptechSHOALS-1000/3000、CZMIL、CZMILNova、本文档来自技高网...

【技术保护点】
1.一种单波长机载测深雷达波形信号提取方法，其特征在于，具体包括以下步骤：/n步骤一，构建卷积神经网络进行波形分类，删除不必要的波形，对有价值的波形信号进行进一步处理；/n步骤二，波形小波散射变换特征提取；/n步骤三，波形分割，利用滑动窗口L对波形进行分割，将分割后的波形片段和对应的小波散射变换特征作为特征矩阵，用于后续的分类；/n步骤四，构建波形片段分类模型，选取不同类型的已有波形片段对波形片段分类模型进行训练，然后利用训练好的波形片段分类模型对待检测波形片段进行分类，获得目标波形；/n步骤五，提取目标波形片段的峰值。/n

【技术特征摘要】
1.一种单波长机载测深雷达波形信号提取方法，其特征在于，具体包括以下步骤：
步骤一，构建卷积神经网络进行波形分类，删除不必要的波形，对有价值的波形信号进行进一步处理；
步骤二，波形小波散射变换特征提取；
步骤三，波形分割，利用滑动窗口L对波形进行分割，将分割后的波形片段和对应的小波散射变换特征作为特征矩阵，用于后续的分类；
步骤四，构建波形片段分类模型，选取不同类型的已有波形片段对波形片段分类模型进行训练，然后利用训练好的波形片段分类模型对待检测波形片段进行分类，获得目标波形；
步骤五，提取目标波形片段的峰值。


2.根据权利1要求所述的一种单波长机载测深雷达波形信号提取方法，其特征在于：步骤一的具体实现方式如下；
步骤1.1，基于统计分析，将全波形划分为五类：异常波形；过饱和波形；陆地波形；水面波形和水下波形；
步骤1.2，基于卷积神经网络进行波形分类的模型构建；第一步，将一维波形数据转换成二维数据作为输入数据，低级特征信息的输入通过卷积模块，然后通过三个不同尺度的池化层获得不同尺度的特征，其中卷积模块包括卷积层，批量标准化和ReLU激活函数；第二步，对每一幅特征分别进行两个卷积层以及批处理归一化，得到不同尺度的高级信息；第三步，将上一步得到的三个尺度均匀采样的高维特征用不同的卷积核大小进行卷积操作，最终输出的特征分辨率一样；第四步，利用拼接和卷积操作对不同时刻得到的上下文信息进行聚合，包括两次上下文信息的聚合，分别是第三步输出的特征与初始输入波形进行卷积得到的特征进行拼接，拼接后的特征进行卷积层，批量标准化和池化操作，该操作完成后将此时的特征与第二步得到的特征执行卷积后拼接，得到的特征再执行卷积层，批量标准化和池化操作；第五步，为了便于分类操作，将最终的特征扁平化，最后使用3个全连接层和2个退出层来整合特征并避免过拟合，最后输出数量为每个输入的类标签；
步骤1.3，卷积神经网络模型构建完成后，针对五类波形，每一类选取n个波形进行训练；
步骤1.4，网络模型训练完成后，将每一个输入的波形输入到训练好的卷积神经网络模型，对应输出一个类别标签，最后将水面波形和异常波形剔除。


3.根据权利1要求所述的一种单波长机载测深雷达波形信号提取方法，其特征在于：步骤二使用小波散射变换提取一维波形的特征，具体实现方式如下；
波形信号作为一维信号，其对应的0阶散射系数S0的计算公式(1)：
S0f＝f*φJ(1)
其中f为输入信号，φJ为低通滤波器，*表示卷积操作；原始信号通过低通滤波器平均丢失的高频信息通过小波变换|f*ψj1|进行恢复，，ψj为小波滤波器，1表示计算的对应为第一层，同理，为了得到|f*ψj1|平移不变的部分，对其在尺度2J上进行低通滤波平均得到第一阶散射系数s1，即：
S1f＝|f*ψj1|*φJ(2)
该操作保证输出的结果在空间尺度2J内具有平移不变性，但同时损失了信号的高频特征；为了避免高频细节信息的丢失，采用小波变换恢复信号的高频信息，将母小波ψ在尺度1≤2j≤2J缩放，依次迭代得到第2阶和第3阶散射变换为：
S2＝||f*ψλ1|*ψλ2|*φJ(3)
S3＝|||f*ψλ1|*ψλ2|*ψλ3|*φJ(4)
λ表示路径，下标中的数字表示路径长度，将计算得到的散射变换矩阵组合到一起并进行降采样，矩阵列的长度与波形长度保持一致。


4.根据权利1要求所述的一种单波长机载测深雷达波形信号提取方法，其特征在于：步骤四的具体实现方式如下；
波形片段分类模型SAPSO-ELM构建，极限学习机ELM的结构与单隐层神经网络相类似，包括输入层、隐含层和输出层，对于某一标准极限学习机网络模型，假设有N组任意的训练样本(X，Y)，其中X＝[x1，x2，…，xN]为训练样本中的输入，xi＝[x1i，x2i，…，xDi]T，i＝1，…，N，D表...

【专利技术属性】
技术研发人员：杨必胜，纪雪，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42