基于卷积去噪自编码的微波雷达海杂波抑制方法及系统技术方案

本发明专利技术提出了一种基于卷积去噪自编码的微波雷达海杂波抑制方法及系统，包括选取微波雷达实验雷达目标回波脉冲串数据作为基准回波，并作补零图像化处理；建立海杂波的时域去相关模型；根据回波基准数据建立目标加杂波的丰富信杂比的序列模型，并作图像化处理；利用卷积去噪自编码器和Inception网络，建立基于深度卷积去噪自编码器的雷达海杂波抑制神经网络模型RCSCDAE；训练RCSCDAE神经网络基函数的中心值、方差以及隐含层到输出层的权值；利用RCSCDAE神经网络抑制海杂波，恢复目标信号。本发明专利技术采用RCSCDAE神经网络方法抑制海杂波并重构目标信号，克服现有传统方法实时性低、目标重构能量损失大等问题，为微波雷达海杂波抑制提供新的技术手段。制提供新的技术手段。制提供新的技术手段。

【技术实现步骤摘要】
基于卷积去噪自编码的微波雷达海杂波抑制方法及系统


[0001]本专利技术属于海杂波抑制
，涉及一种基于卷积去噪自编码的深度学习网络模型的微波雷达海杂波抑制技术方案。

技术介绍

[0002]对于微波雷达，传统的用于窄带雷达的动目标显示(MTI)及动目标检测(MTD)杂波抑制方法无法解决运动目标和杂波在相干处理期间与可能会出现越距离单元走动，因此不再适用，需要研究新的方法，对微波目标识别雷达而言，不仅需要滤除各信杂比下的杂波，同时要求尽可能保持目标信号特性不被破坏，以便完成后续的识别工作。
[0003]非相干杂波抑制方法主要是将同一运动目标经过一定时间间隔反射回来的两个回波目标信号的瞬时位置进行比较进而区分固定目标与运动信号，但是该方法在运动的海杂波失效。针对目标速度未知时，将图像处理中用于提取线段的方法Hough变换引入到雷达杂波抑制领域，虽然在低信杂比情况下可以有效的抑制杂波，提高识别率，但是运算量较大，实时性低，难以满足雷达工程实践的需要；且目标信号的能量损失较大，对后续识别问题带来很大难度。
[0004]综上所述，在现有技术中至少存在如下技术问题：目前存在的针对微波雷达在强海杂波区的海杂波抑制效果不理想，运算量大实时性低，无法满足雷达工程实践的要求，海杂波抑制后目标的能量损失较大，难以满足工程实践后续识别的要求的技术问题。

技术实现思路

[0005]本专利技术解决的技术问题是：克服现有技术的不足，提出一种基于卷积去噪自编码的海杂波抑制方案，改善了微波雷达在强海杂波区的海杂波抑制效果；解决了现有技术中的抑制微波雷达海杂波干扰的方法存在运算量大，实时性低，难以满足雷达工程实践的要求的问题，实现能自动抑制各信杂比下的海杂波干扰；且海杂波抑制后目标能量损失较少能够满足雷达工程实践后续识别的要求的技术效果。
[0006]为解决上述技术问题，本专利技术提供了一种基于卷积去噪自编码的微波雷达海杂波抑制方法，包括以下步骤：
[0007]1)选取微波雷达实验雷达目标回波脉冲串数据作为基准回波，并作补零图像化处理；
[0008]2)建立海杂波的时域去相关模型；根据回波基准数据建立目标加杂波的丰富信杂比的序列模型，并作图像化处理；
[0009]3)利用卷积去噪自编码器和Inception网络，建立基于深度卷积去噪自编码器的雷达海杂波抑制神经网络模型RCSCDAE；
[0010]4)训练RCSCDAE神经网络基函数的中心值、方差以及隐含层到输出层的权值；
[0011]5)利用RCSCDAE神经网络抑制海杂波，恢复目标信号。
[0012]而且，所述步骤2中的微波雷达实验雷达目标回波脉冲串数据，定义雷达宽带为B，
则雷达距离分辨率为Δr＝c/2B，其中c是光速；沿雷达探测目标的视线方向，被探测目标近似表达成一定数目的距离单元，宽带为Δr，其中第i个距离单元的回波，为该距离单元内所有散射中心对应回波的叠加，将模型公式化为：
[0013][0014]式中，
[0015]N
i
表示位于第i个距离元中的目标散射中心数目；
[0016]a
i，k
为第i个距离元内第k个散射中心的散射强度，其与目标形状结构有关；
[0017]τ
i，k
对应第i个距离元内第k个散射中心的波达时间；
[0018]x
i
为第i个距离元中的所有目标散射中心回波叠加信号；
[0019]j为虚部符号，I(i)为第i个距离元中的所有目标散射中心回波叠加信号实部，Q(i)为第i个距离元中的所有目标散射中心回波叠加信号虚部。
[0020]而且，所述步骤1中的作补零图像化处理，实现方式为对目标数据取模处理，目标数据定义为：
[0021][0022]式中，
[0023]n为数据维度，|x1|，|x2|，...，|x
n
|分别为x1，x2，...，x
n
的模值，x1，x2，...，x
n
分别为n个距离元的回波幅度，I(1)，I(2)，...，I(n)分别是雷达回波数据实部信号，Q(1)，Q(2)，...，Q(n)分别是雷达回波数据虚部信号。
[0024]而且，所述步骤2中的建立海杂波的时域去相关模型，采用零记忆非线性变换法实现，包括首先将正态分布的高斯白噪声序列{x
i
}作为线性变换的输入，输出符合正态分布高斯色噪声相关序列{y
i
}，再将其作为非线性变换的输入，得到非高斯色噪声相关序列{z
i
}，用于构造具有特定的概率密度函数PDF和特定功率谱密度PSD的仿真海杂波。
[0025]而且，所述步骤3中，采用去噪自编码器作为神经网络的训练准则，其输出函数定义为：
[0026][0027]式中，
[0028]y为去噪自编码器输出；
[0029]为原始数据x被相应分布海杂波污染的数据；
[0030]f
θ
()为编码网络函数；
[0031]g
θ
′
()为解码网络函数；
[0032]将去噪自编码器应用到卷积神经网络中，得到卷积去噪自编码器。
[0033]而且，所述步骤3中，卷积去噪自编码器的各卷积层使用Inception网络结构。
[0034]而且，所述步骤4中，对RCSCDAE神经网络进行训练时，训练输入层、各卷积层、各反卷积层的权值，f
θ
()和g
θ
′
()是经过神经网络训练后需要逼近的函数。
[0035]而且，所述步骤5中的利用RCSCDAE神经网络抑制海杂波，恢复目标信号，包括从识别信号和带杂波信号的时域图像的区别的角度出发，实现海杂波抑制和目标恢复。
[0036]另一方面，本专利技术还提供一种基于卷积去噪自编码的微波雷达海杂波抑制系统，
用于实现如上所述的一种基于卷积去噪自编码的微波雷达海杂波抑制方法。
[0037]而且，包括以下模块，
[0038]第一模块，用于选取微波雷达实验雷达目标回波脉冲串数据作为基准回波，并作补零图像化处理；
[0039]第二模块，用于建立海杂波的时域去相关模型；根据回波基准数据建立目标加杂波的丰富信杂比的序列模型，并作图像化处理；
[0040]第三模块，用于利用卷积去噪自编码器和Inception网络，建立基于深度卷积去噪自编码器的雷达海杂波抑制神经网络模型RCSCDAE；
[0041]第四模块，用于训练RCSCDAE神经网络基函数的中心值、方差以及隐含层到输出层的权值；
[0042]第五模块，用于利用RCSCDAE神经网络抑制海杂波，恢复目标信号。
[0043]本专利技术采用RCSCDAE神经网络方法抑制海杂波并重构目标信号，克服现有传统方法实时性低、目标重构能量损失大等问题，为微波雷达海杂波抑制提供新的思路。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积去噪自编码的微波雷达海杂波抑制方法，其特征在于，包括以下步骤：1)选取微波雷达实验雷达目标回波脉冲串数据作为基准回波，并作补零图像化处理；2)建立海杂波的时域去相关模型；根据回波基准数据建立目标加杂波的丰富信杂比的序列模型，并作图像化处理；3)利用卷积去噪自编码器和Inception网络，建立基于深度卷积去噪自编码器的雷达海杂波抑制神经网络模型RCSCDAE；4)训练RCSCDAE神经网络基函数的中心值、方差以及隐含层到输出层的权值；5)利用RCSCDAE神经网络抑制海杂波，恢复目标信号。2.根据权利要求1所述的基于卷积去噪自编码的微波雷达海杂波抑制方法，其特征在于：所述步骤2中的微波雷达实验雷达目标回波脉冲串数据，定义雷达宽带为B，则雷达距离分辨率为Δr＝c/2B，其中c是光速；沿雷达探测目标的视线方向，被探测目标近似表达成一定数目的距离单元，宽带为Δr，其中第i个距离单元的回波，为该距离单元内所有散射中心对应回波的叠加，将模型公式化为：式中，N
i
表示位于第i个距离元中的目标散射中心数目；a
i，k
为第i个距离元内第k个散射中心的散射强度，其与目标形状结构有关；τ
i，k
对应第i个距离元内第k个散射中心的波达时间；x
i
为第i个距离元中的所有目标散射中心回波叠加信号；j为虚部符号，I(i)为第i个距离元中的所有目标散射中心回波叠加信号实部，Q(i)为第i个距离元中的所有目标散射中心回波叠加信号虚部。3.根据权利要求1所述的基于卷积去噪自编码的微波雷达海杂波抑制方法，其特征在于：所述步骤1中的作补零图像化处理，实现方式为对目标数据取模处理，目标数据定义为：式中，n为数据维度，|x1|，|x2|，...，|x
n
|分别为x1，x2，...，x
n
的模值，x1，x2，...，x
n
分别为n个距离元的回波幅度，I(1)，I(2)，...，I(n)分别是雷达回波数据实部信号，Q(1)，Q(2)，...，Q(n)分别是雷达回波数据虚部信号。4.根据权利要求1所述的基于卷积去噪自编码的微波雷达海杂波抑制方法，其特征在于：所述步骤2中的建立海杂波的时域去相关模型，采用零记忆非线性变换法实现，包括首先将正态分布的高斯白噪声序列{x
i
}作为线性变换的输入，输出符...

【专利技术属性】
技术研发人员：陈泽宗，吴思滔，赵晨，魏鋆宇，
申请(专利权)人：武汉大学，
类型：发明
国别省市：