一种图特征学习下的海杂波抑制方法技术

本发明专利技术公开了一种图特征学习下的海杂波抑制方法，属于雷达与信号处理技术和人工智能技术领域。本发明专利技术包括以下步骤：对海洋雷达的接收信号系统模型进行搭建，分为目标回波信号和海杂波信号；构建雷达接收信号系统模型的时频谱；构建处理时频谱的图特征学习算法，采用图嵌入算法对时频谱进行图构造，生成对应的图，再使用节点分类算法对图的节点集合进行节点分类；构建性能表征指标，分类算法性能指标用于度量图中节点的分类效果，信杂比改善指标用于度量海杂波的抑制效果；对雷达接收信号中的目标回波信号和海杂波信号进行有效分类，抑制其中的海杂波信号。本发明专利技术提供的方法，能更有效的对海洋雷达的接收信号系统中的海杂波信号分量进行有效抑制。信号分量进行有效抑制。信号分量进行有效抑制。

【技术实现步骤摘要】
一种图特征学习下的海杂波抑制方法


[0001]本专利技术属于雷达与信号处理技术和人工智能
，更具体地说，涉及一种图特征学习下的海杂波抑制方法。

技术介绍

[0002]在海洋探测雷达系统中，雷达照射海面而产生的后向散射回波被称为海杂波。由于海洋雷达受到复杂海况所产生的海杂波影响，极大地降低了雷达监视和检测目标的能力。因此，从海洋雷达接收的信号中抑制海杂波分量是亟需解决的问题.
[0003]由于海面的复杂运动，导致海杂波具有非线性、非高斯、非平稳的特征。传统随机信号处理方法，一般是建立在信号平稳性假设前提下，单纯采用时域或频域的单一特征，无法有效地描述海杂波的复杂特征。通过引入时频变换的理论，构造了基于时域和频域的联合二维处理方法，将一维的时间信号投射成时间
‑
频率的二维图像，得到了可以描述时间
‑
频率
‑
能量这三者关系的时频谱，可以更加直观的观测到信号在时频域上的局部变化规律。目前，针对海杂波时频变换的主要方法有短时傅里叶变换(Short
‑
Time Fourier Transform，STFT)、魏格纳
‑
维尔分布(Wigner
‑
Ville Distribution，WVD)和小波变换(Wavelet Transform，WT)等。
[0004]近年来，国内外学者提出许多杂波抑制方法，这些方法主要包括时域对消法和子空间分解法两大类：时域对消法主要包括动目标显示(Moving Targets Indication,MTI)和动目标检测(Moving Target Detection，MTD)自适应方法等。MTI方法在检测目标为漂浮或慢速运动目标时，目标与杂波在多普勒域存在部分或完全重合，在抑制杂波的同时目标也会被抑制。MTD方法在目标做非匀速运动时，雷达回波信号会呈现出时变、非平稳等复杂特性，导致基于傅里叶变换的MTD方法不再有效。子空间分解法主要包括使用特征值分解(Eigen Value Decomposition,EVD)、奇异值分解(Singular Value Decomposition,SVD)等分解法抑制海杂波。SVD方法的基本思路是基于杂波窄带信号模型，通过雷达回波的时域信号构造Hankel矩阵，并利用将该矩阵中海杂波分量对应的奇异值归置为零，完成对海杂波的抑制，但实际回波序列中窄带信号数目不能直接获取，需要根据杂波先验信息实时调整Hankel矩阵的列数，难以达到理想的杂波抑制效果。
[0005]随着神经网络技术的发展与应用，也有学者提出了基于浅层神经网络的杂波抑制方法，主要包括基于径向基函数(Radial Basis Function,RBF)神经网络和小波神经网络(Wavelet Neural Network,WNN)等。基于RBF神经网络的杂波抑制方法需要根据先验信息手工调整网络结构和参数等，缺乏理论依据。基于WNN的杂波抑制方法在嵌入维和嵌入延迟的选取不当时，会使得重构的混沌系统不能很好地表征杂波特性，将严重影响杂波抑制效果。

技术实现思路

[0006]针对现有的方法无法充分表征海杂波特性，从而严重影响杂波抑制效果的问题，
本专利技术提供一种图特征学习下的海杂波抑制方法，建立海洋雷达的接收信号系统模型，对雷达接收信号使用时频变换的处理，实现对雷达接收信号中的海杂波信号和目标回波信号进行分离，从而抑制了雷达接收信号中的海杂波分量，提高了雷达接收信号的信杂比。
[0007]为解决上述问题，本专利技术采用如下的技术方案。
[0008]一种图特征学习下的海杂波抑制方法，包括以下步骤：
[0009]步骤一、对海洋雷达的接收信号系统模型进行搭建，分为目标回波信号和海杂波信号；
[0010]步骤二、构建雷达接收信号系统模型的时频谱；
[0011]步骤三、构建处理时频谱的图特征学习算法，采用图特征学习算法中的图嵌入算法对时频谱进行图构造，生成对应的图，再使用节点分类算法对构成图的节点集合进行节点分类；
[0012]步骤四、构建性能表征指标，包括分类算法性能指标和信杂比改善指标，分类算法性能指标用于度量图中节点的分类效果，信杂比改善指标用于度量海杂波的抑制效果；
[0013]步骤五、对雷达接收信号中的目标回波信号和海杂波信号进行分类，并抑制其中的海杂波信号。
[0014]进一步的，步骤一中，海洋雷达的接收信号系统模型为：r(t)＝s(t)+x(t)+n(t)，其中，s(t)为目标回波信号、x(t)为海杂波信号，n(t)为复高斯白噪声；
[0015]海杂波信号采用的仿真方法是球不变随机过程法SIRP，SIRP法生成海杂波信号序列的具体步骤如下：
[0016]A1：生成复高斯白噪声序列w(k)；
[0017]A2：将w(k)通过线性数字滤波器H(z)，输出高斯随机序列y(k)；
[0018]A3：海杂波的仿真序列x(k)＝v(k)
×
y(k)，使用与高斯随机序列y(k)相互独立，且非负的实平稳序列v(k)调制高斯随机序列y(k)，得到海杂波的仿真序列x(k)；
[0019]A4：经过雷达信号处理后，将目标回波信号描述为等效复基带形式：其中，f
d
为目标回波信号的多普勒频率，a为目标回波信号的雷达散射截面。
[0020]进一步的，步骤二中，使用STFT线性时频变换对雷达接收信号进行时频变换，STFT的计算公式具体为：
[0021][0022]其中，y(u)为初始信号，g(u)为窗函数，t表示窗函数的中心位置，上标*为复共轭，u表示目标回波信号或海杂波信号的时域时间，f表示频率；STFT
y
(t,f)是初始信号y(u)的STFT，通过上述计算公式，可以得到STFT
s
(t,f)和STFT
x
(t,f)，STFT
s
(t,f)是目标回波信号的STFT，STFT
x
(t,f)是海杂波信号的STFT；
[0023]由海杂波信号的STFT和目标回波信号的STFT求得雷达接收信号的STFT：
[0024]STFT
r
(t,f)＝STFT
s
(t,f)+STFT
x
(t,f)，STFT
r
(t,f)是雷达接收信号的STFT。
[0025]进一步的，步骤三中，时频谱STFT(t,f)的图构造流程如下：
[0026]B1：提取雷达接收信号的时频谱STFT
r
(t,f)图像中的像素点，构造成二维初始矩阵S，初始矩阵S大小为r
×
c，r∈R且c∈R；
[0027]B2：设定初始矩阵S的阈值为α，记初始矩阵S中元素的最大值为s
m
，对于初始矩阵S中的任意元素s
i,j
，若s
i,j
/s<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图特征学习下的海杂波抑制方法，其特征在于：包括以下步骤：步骤一、对海洋雷达的接收信号系统模型进行搭建，分为目标回波信号和海杂波信号；步骤二、构建雷达接收信号系统模型的时频谱；步骤三、构建处理时频谱的图特征学习算法，采用图特征学习算法中的图嵌入算法对时频谱进行图构造，生成对应的图，再使用节点分类算法对图的节点集合进行节点分类；步骤四、构建性能表征指标，包括分类算法性能指标和信杂比改善指标，分类算法性能指标用于度量图中节点的分类效果，信杂比改善指标用于度量海杂波的抑制效果；步骤五、对雷达接收信号中的目标回波信号和海杂波信号进行分类，并抑制其中的海杂波信号。2.根据权利要求1所述的一种图特征学习下的海杂波抑制方法，其特征在于：步骤一中，海洋雷达的接收信号系统模型为：r(t)＝s(t)+x(t)+n(t)，其中，s(t)为目标回波信号、x(t)为海杂波信号，n(t)为复高斯白噪声；海杂波信号采用的仿真方法是球不变随机过程法SIRP，SIRP法生成海杂波信号序列的具体步骤如下：A1：生成复高斯白噪声序列w(k)；A2：将w(k)通过线性数字滤波器H(z)，输出高斯随机序列y(k)；A3：海杂波的仿真序列x(k)＝v(k)
×
y(k)，使用与高斯随机序列y(k)相互独立，且非负的实平稳序列v(k)调制高斯随机序列y(k)，得到海杂波的仿真序列x(k)；A4：经过雷达信号处理后，将目标回波信号描述为等效复基带形式：其中，f
d
为目标回波信号的多普勒频率，a为目标回波信号的雷达散射截面。3.根据权利要求2所述的一种图特征学习下的海杂波抑制方法，其特征在于：步骤二中，使用STFT线性时频变换对雷达接收信号进行时频变换，STFT的计算公式具体为：其中，y(u)为初始信号，g(u)为窗函数，上标*为复共轭，t表示窗函数的中心位置，u表示时域时间，f表示频率；STFT
y
(t,f)是初始信号y(u)的STFT，通过上述计算公式，可以得到STFT
s
(t,f)和STFT
x
(t,f)，STFT
s
(t,f)是目标回波信号的STFT，STFT
x
(t,f)是海杂波信号的STFT；由海杂波信号的STFT和目标回波信号的STFT求得雷达接收信号的STFT：STFT
r
(t,f)＝STFT
s
(t,f)+STFT
x
(t,f)，STFT
r
(t,f)是雷达接收信号的STFT。4.根据权利要求3所述的一种图特征学习下的海杂波抑制方法，其特征在于：步骤三中，时频谱STFT(t,f)的图构造流程如下：B1：提取雷达接收信号的时频谱STFT
r
(t,f)图像中的像素点，构造成二维初始矩阵S，初始矩阵S大小为r
×
c，r∈R且c∈R；B2：设定初始矩阵S的阈值为α，记初始矩阵S中元素的最大值为s
m
，对于初始矩阵S中的任意元素s
i,j
，若s
i,j
/s
m
&lt;α，则将s
i,j
的值更新为0,记更新后的矩阵为Q,矩阵Q中非零元素的个数为n,矩阵Q中任意r
×
c
‑
n个元素为0；B3：将矩阵Q中为零的元素不变，其余n个非零元素重新赋值,具体的赋值方法为：针对矩阵中非零元素的下标，先按照元素的行进行由小到大排序，再按照每一行元素的列由小
到大排序，依照排序顺序进行从1到n的连续递增的整数赋值,记更新后的矩阵为H；B4：将矩阵H中n个非零的连续元素值看作为图结构中的n个不同节点，根据n个不同节点在矩阵H中的位置关系，构造出相对应的图结构的邻接矩阵A
r
；B5：通过邻接矩阵A
r
，可以得到STFT
r
(t,f)通过图构造所生成的无向图G
r
＝(V
r
,E
r
,W
r
),其中，V
r
＝{v
r1
,v
r2
,v
r3
,
…
,v
rn
}是图G
r
中雷达接收信号中目标回波信号的节点和海杂波信号的节点的集合；E

【专利技术属性】
技术研发人员：陈鹏，许震，王宗新，曹振新，伍原成，
申请(专利权)人：南京步微通信设备有限公司，
类型：发明
国别省市：