编解码卷积神经网络的雷达信号抗干扰低损恢复方法技术

本发明专利技术公开了一种编解码卷积神经网络的雷达信号抗干扰低损恢复方法，主要解决现有技术中雷达信号干扰抑制后目标信息损失的问题。其实现如下：1)构建时频信号低损恢复网络；2)生成由时频和掩膜数据构成的训练数据集；3)将训练数据集中的数据输入时频信号低损恢复网络，使用动量法对时频信号低损恢复网络的参数进行迭代训练，以降低损失函数值；4)对受到干扰的雷达回波进行时频域抗干扰，并将抗干扰后的回波输入到训练后的时频信号低损恢复网络，得到恢复后的时频域回波，再将其变换到时域。本发明专利技术具有在时频域对干扰抑制后缺损信号进行低损修复的能力，具有针对时频聚集性干扰的普适性和鲁棒性，可用于合成孔径雷达抗干扰。可用于合成孔径雷达抗干扰。可用于合成孔径雷达抗干扰。

Anti jamming and low loss recovery method of radar signal based on convolutional neural network

【技术实现步骤摘要】
编解码卷积神经网络的雷达信号抗干扰低损恢复方法


[0001]本专利技术属于雷达信号处理
，更进一步涉及一种雷达信号抗干扰低损恢复方法，可用于合成孔径雷达抗干扰。

技术介绍

[0002]雷达系统能在复杂环境下对静止或运动目标实现高精度探测。然而在复杂电磁干扰中，雷达系统在工作频段内易受到有源干扰信号、无线通信信号和其他雷达信号等多种复杂电磁干扰的影响，严重制约雷达高分辨成像效果，因此抗干扰技术是雷达信号处理技术的核心问题之一。
[0003]由于有源主瓣干扰与目标在时频域中的耦合度明显降低，因此可以依据有源主瓣干扰的时频聚集性，在时频特征空间中通过干扰分类方法抑制有源主瓣干扰。IEEE中L.Zuo等人发表的《New Smoothed Time
‑
Frequency Rate Representations for Suppressing Cross Terms》和R.Zhang等人发表的《Micro
‑
doppler interference removal via histogram analys本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.编解码卷积神经网络的雷达信号抗干扰低损恢复方法，其特征在于，包括：(1)搭建一个由14个卷积层、7个上采样层和7个拼接层构成的时频信号低损恢复网络；(2)生成训练数据集：(2a)使用直方图定位法对现有的多个受到干扰的雷达回波数据进行干扰定位，用干扰定位得到的多个掩膜构成掩膜数据集Mask；(2b)对现有未受到干扰的雷达回波数据进行短时傅里叶变换，得到多个时频图，并对这些时频图进行归一化处理，得到归一化时频图；(2c)将这些归一化时频图与掩膜数据集Mask中的掩膜一一对应；(2d)将对应后掩膜数据集Mask中的每一个掩膜按列求和，并对求和大于30的列所对应的归一化时频图中添加均值为0、方差为0.15的高斯噪声，用添加噪声后的归一化时频图构成时频数据集Spec；(2e)将时频数据集Spec与掩膜数据集Mask合并，构成训练数据集X；(3)训练时频信号低损恢复网络：(3a)设置训练参数：最大迭代次数M、学习率ρ、批次大小N；(3b)构建时频信号低损恢复网络的复合损失函数L：L＝6L
valid
+6L
hole
+0.1L
tv
+0.05L
prc
+120L
style
+0.03L
cos
式中，L
valid
为完整区域的L1损失函数，L
hole
为缺损区域的L1损失函数，L
tv
为平滑损失函数，L
prc
为感知损失函数，L
style
为风格损失函数，L
cos
为余弦相似度损失函数。(3c)将训练数据集X中的部分数据输入时频信号低损恢复网络，使用动量法对时频信号低损恢复网络的参数进行迭代更新，以降低损失函数值；(3d)迭代执行(3c)直至达到最大迭代次数M，得到训练好的时频信号低损恢复网络；(4)生成测试数据：(4a)对受到干扰的雷达回波数据进行短时傅里叶变换，得到干扰时频图spec；(4b)对干扰时频图spec使用直方图干扰定位法获得干扰定位掩膜mask，并与干扰时频图spec构成测试数据x；(5)将测试数据x输入到训练好的时频信号低损恢复网络中，得到时频信号恢复结果；(6)对时频信号恢复结果进行逆短时傅里叶变换，得到抗干扰低损恢复后的雷达回波。2.根据权利要求1所述方法，其特征在于，所述(1)中的时频信号低损恢复网络，的结构如下：输入
→
第1卷积层
→
第2卷积层
→
第3卷积层
→
第4卷积层
→
第5卷积层
→
第6卷积层
→
第7卷积层
→
第1上采样层
→
第1拼接层
→
第8卷积层
→
第2上采样层
→
第2拼接层
→
第9卷积层
→
第3上采样层
→
第3拼接层
→
第10卷积层
→
第4上采样层
→
第4拼接层
→
第11卷积层
→
第5上采样层
→
第5拼接层
→
第12卷积层
→
第6上采样层
→
第6拼接层
→
第13卷积层
→
第7上采样层
→
第7拼接层
→
第14卷积层
→
输出。3.根据权利要求2所述的方法，其特征在于，所述时频信号低损恢复网络的各层参数设置如下：第1卷积层的卷积核大小为7
×
7，通道数为64，步长为2，激活函数选择ReLU函数；第2卷积层的卷积核大小为5
×
5，通道数为128，步长为2，采用批归一化，激活函数选择ReLU函数；
第3卷积层的卷积核大小为5
×
5，通道数为256，步长为2，采用批归一化，激活函数选择ReLU函数；第4～7卷积层的卷积核大小为3
×
3，通道数为512，步长为2，采用批归一化，激活函数选择ReLU函数；第8～10卷积层的卷积核大小为3
×
3，通道数为512，步长为1，采用批归一化，激活函数选择Leaky ReLU函数，alpha参数为0.2；第11～13卷积层的卷积核大小为3
×
3，通道数分别为256，128，64，步长为1，...

【专利技术属性】
技术研发人员：李亚超，岑熙，顾彤，韩朝赟，郭亮，张鹏，李丝丝，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：