一种数据模型双驱动下的海杂波建模与抑制方法技术

本发明专利技术公开了一种数据模型双驱动下的海杂波建模与抑制方法，属于雷达与信号处理技术和人工智能技术领域。包括以下步骤：搭建生成对抗网络GAN作为海杂波建模算法的驱动模型，同时采用高斯白噪声数据与海杂波数据作为海杂波建模算法的驱动数据；进行GAN中的生成器和判别器的模型训练；搭建基于卷积神经网络CNN的海杂波抑制模型，并使用GAN模型所生成的数据作为CNN的输入数据集，进行CNN的模型训练；进行模型性能的衡量，采用均方差MSD检验来衡量GAN模型的海杂波建模仿真效果，通过对比使用CNN模型前后的雷达接收信号时频谱，检验CNN模型的海杂波抑制效果。本发明专利技术提供的方法，能更有效的进行海杂波的仿真建模，并可以对雷达接收信号中的海杂波分量进行抑制。达接收信号中的海杂波分量进行抑制。达接收信号中的海杂波分量进行抑制。

【技术实现步骤摘要】
一种数据模型双驱动下的海杂波建模与抑制方法


[0001]本专利技术属于雷达与信号处理技术和人工智能
，尤其涉及一种数据模型双驱动下的海杂波建模与抑制方法。

技术介绍

[0002]海洋雷达所面临的工作环境复杂多变，在其接收的雷达回波信号中，除了需要的目标回波信号之外，还包含了噪声与海杂波分量。由于海杂波有较高的功率水平，所以海杂波分量成为影响海洋雷达工作性能的主要因素之一。海杂波具有非高斯和非平稳特性，因此进行海杂波的建模仿真，是进一步研究雷达接收信号中海杂波分量抑制的重要基础。
[0003]目前，关于海杂波的研究和分析主要有基于统计分布和物理特性两种分析思路。基于统计分布的方法主要以模型为主，例如对数正态分布、Weibull分布和K分布等。由于K分布模型可以同时考虑海杂波的幅度分布特征和脉冲间相关性能，能够比其他模型更准确地反映海杂波的统计特性。Conte、Marier分别利用球不变随机过程SIRP和零记忆非线性变换法ZMNL对海杂波进行仿真，上述两种方法是目前使用较广泛的海杂波仿真方法。Ritchie通过计算海杂波累积振幅分布得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据模型双驱动下的海杂波建模与抑制方法，其特征在于，包括以下步骤：步骤一、搭建GAN网络作为海杂波建模的驱动模型，采用高斯白噪声数据、使用球不变随机过程法SIRP法生成的满足K分布的海杂波仿真数据和实测海杂波数据作为海杂波建模的驱动数据；步骤二、进行GAN的生成器和判别器的模型训练；步骤三、搭建基于CNN的海杂波抑制模型，并使用GAN模型所生成的海杂波数据作为CNN的输入数据集；步骤四、进行CNN的模型训练；步骤五、进行模型性能的衡量，采用MSD检验来衡量GAN模型的海杂波建模仿真效果，通过对比使用CNN模型前后的雷达接收信号时频谱，检验CNN模型的海杂波抑制效果。2.根据权利要求1所述的一种数据模型双驱动下的海杂波建模与抑制方法，其特征在于，步骤一中驱动模型GAN网络的整体结构包括生成器G、判别器D，生成器G的输入为Z，将Z输入生成器G后，会生成不存在于真实世界的海杂波数据G(Z)，再经过判别器D进行海杂波数据真假性的判断；通过不断的网络迭代训练，使得生成器G和判别器D会各自更新其网络参数，使得损失函数最小，最终会达到一个纳什均衡的状态，此时的GAN模型达到了最优状态，生成器G所生成的海杂波数据最接近于真实的海杂波数据；驱动数据需要使用短时傅里叶变换STFT进行预处理，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；通过计算公式，对上述三种驱动数据分别做STFT并得到各自的时频谱数据集，将这三种驱动数据集作为海杂波建模的驱动数据。3.根据权利要求1所述的一种数据模型双驱动下的海杂波建模与抑制方法，其特征在于，步骤二中所述判别器包括卷积层和全连接层，其中还加入了防止过拟合的Dropout层，生成器包括全连接层和反卷积层；GAN模型的具体训练方式分为如下两个部分：训练1：单独训练判别器；1)将500份满足高斯分布的白噪声样本数据和500份满足K分布的海杂波仿真样本数据通过STFT得到时频谱；2)将上述1000份时频谱图像样本混合，并按照8:2的比例分别构造为训练集和测试集，...

【专利技术属性】
技术研发人员：陈鹏，许震，王宗新，曹振新，
申请(专利权)人：东南大学，
类型：发明
国别省市：