一种基于复值U-Net网络学习的非均匀杂波抑制方法技术

本发明专利技术公开一种基于复值U

【技术实现步骤摘要】
一种基于复值U
‑
Net网络学习的非均匀杂波抑制方法


[0001]本专利技术属于雷达探测
，特别涉及一种非均匀杂波环境下的杂波抑制技术。

技术介绍

[0002]雷达地海杂波与目标所处环境紧密相关，沙漠、海洋、高原、城市、草原等不同地形下杂波分布存在很大差异，甚至不同天气环境下也不尽相同。现有基于统计模型的杂波抑制技术极大依赖于杂波统计模型，当杂波背景与预设杂波数学模型失配时，抑制性能会急剧下降，产生严重的杂波虚警、目标漏检等现象，缺乏复杂环境适应性。
[0003]近年来，深度学习技术的自动特征提取能力，并且不依赖特定的统计模型，因此被广泛应用于杂波抑制。文献“Sea clutter suppression for radar PPI images based on SCS
‑
GAN,IEEE Geosci.Remote Sens.Lett.,vol.18,no.11,pp.1886
–
1890,2020.”设计了一个基于生成对抗网络的海上杂波抑制方法，并将其用于海上PPI图像检测，在不同海况下实现了有效的杂波抑制。“A sea clutter suppression method based on machine learning approach for marine surveillance radar,IEEE J.Sel.Top.Appl.Earth Observations Remote Sens,vol.15,pp.3120
–<br/>3130,2022.”使用了双层级生成对抗网络进行杂波抑制，并且更好的保留了目标的信息。
[0004]然而，以上方法均在雷达图像上使用实值网络进行杂波抑制，忽视了信号的相位信息，限制了其进一步发展。

技术实现思路

[0005]为解决上述技术问题，本专利技术提出一种基于复值U
‑
Net网络学习的非均匀杂波抑制方法，可实现强杂波下的有效抑制，同时具备非均匀杂波区下目标信息增强的能力。
[0006]本专利技术采用的技术方案为：一种基于复值U
‑
Net网络学习的非均匀杂波抑制方法，包括：
[0007]S1、对雷达原始回波进行预处理，具体的：考虑一个单基雷达发射Q个脉冲探测目标，则这Q个脉冲的回波构成的雷达回波信号可表示为s(t)：
[0008][0009]其中，p(t)为线性调频信号，T
r
为脉冲重复间隔；
[0010]S2、构造训练集与测试集：对步骤S1得到的数据进行脉冲压缩预处理，然后将脉冲压缩预处理得到的结果与实测杂波数据进行叠加，从而构造训练集与测试集，训练集用于模型的训练，测试集用于测试模型的性能；
[0011]S3、构建基于复值U
‑
Net的杂波抑制网络：基于复值U
‑
Net的杂波抑制网络包括：降采样结构、升采样结构、跳跃连接层、1
×
1的CV
‑
Conv和CVSig激活函数，降采样结构包括：1
×
3的CV
‑
Conv、CBN、以及CMaxP；升采样结构包括：1
×
2的CV
‑
T
‑
Conv、1
×
3的CV
‑
Conv、CBN、跳跃连接层将降采样过程产生的特征图与升采样过程产生的特征图相连接，在提取高维度特征的同时保留低维度特征；最后使用1
×
1的CV
‑
Conv和CVSig激活函数来获取输出数据；
[0012]S4、采用步骤S2构造的训练集对步骤S3构建的基于复值U
‑
Net的杂波抑制网络进行训练；
[0013]S5、加权融合，对训练完成的基于复值U
‑
Net的杂波抑制网络输出结果的实部与虚部进行加权融合，得到最终的杂波抑制结果。
[0014]本专利技术的有益效果：本专利技术的一种基于复值U
‑
Net网络学习的非均匀杂波抑制方法，可实现强杂波下的有效抑制，同时具备非均匀杂波区下目标信息增强的能力；本专利技术采用复值的卷积块来提取信号的复特征；基于U
‑
Net的上下采样结构和跳跃连接层来融合多层级特征，来区分杂波和目标，可对低信杂比目标进行信息增强。因此，本专利技术具有适应性强、鲁棒性高的优势，可以应用到现役雷达装备中。
附图说明
[0015]图1为本实施例的处理流程图；
[0016]图2为训练样本和测试样本场景示意图；
[0017]其中，图2(a)为训练集，图2(b)为测试集A，图2(c)为测试集B；
[0018]图3为一个测试样本不同迭代过程的结果；
[0019]其中，图3(a)为输入数据，图3(b)为标签数据，图3(c)为误差收敛曲线，图3(d)为第1轮杂波抑制结果；图3(e)为第10轮杂波抑制结果，图3(f)为第20轮杂波抑制结果。
[0020]图4为单样本下复值U
‑
Net网络下不同信杂比的杂波抑制结果；
[0021]其中，图4(a)目标信杂比为2dB，图4(b)为杂波抑制结果，图4(c)目标信杂比为8dB，图4(d)为杂波抑制结果。
[0022]图5为测试集A下复值U
‑
Net网络与实值U
‑
Net网络的抑制结果对比；
[0023]其中，图5(a)输入数据，图5(b)为实值杂波抑制结果，图5(c)为复值杂波抑制结果。
[0024]图6为测试集B下复值U
‑
Net网络与实值U
‑
Net网络的抑制结果对比；
[0025]其中，图6(a)输入数据，图6(b)为实值杂波抑制结果，图6(c)为复值杂波抑制结果。
具体实施方式
[0026]为便于本领域技术人员理解本专利技术的
技术实现思路
，下面结合附图对本
技术实现思路
进一步阐释。
[0027]本专利技术流程图如图1所示，其实现的具体步骤为：
[0028]步骤1：对雷达回波进行脉冲压缩预处理
[0029]考虑一个单基雷达发射Q个脉冲探测目标，则这Q个脉冲的回波构成的雷达回波信号可表示为s(t)：
[0030][0031]其中，t表示时间，p(t)为线性调频信号，T
r
为脉冲重复间隔。
[0032]对获取的数据进行脉冲压缩处理。
[0033]步骤2：制作训练数据集
[0034]利用实测数据加仿真目标的手段，产生脉压后的数据作为训练集。仿真中目标数量设置为1
‑
3的随机变量，目标位置随机分布在观测空间内，且信杂比分布在5
‑
14dB。
[0035]步骤3：构建基于复值U
‑
Net的杂波抑制网络
[0036]复值U
‑
Net网络是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于复值U
‑
Net网络学习的非均匀杂波抑制方法，其特征在于，包括：S1、对雷达原始回波进行预处理，具体的：考虑一个单基雷达发射Q个脉冲探测目标，则这Q个脉冲的回波构成的雷达回波信号可表示为s(t)：其中，p(t)为线性调频信号，T
r
为脉冲重复间隔；S2、构造训练集：对步骤S1得到的数据进行脉冲压缩预处理，然后将脉冲压缩预处理得到的结果与实测杂波数据进行叠加，从而构造训练集；S3、构建基于复值U
‑
Net的杂波抑制网络：基于复值U
‑
Net的杂波抑制网络包括：降采样结构、升采样结构、跳跃连接层、1
×
1的CV
‑
Conv和CVSig激活函数，跳跃连接层将降采样过程产生的特征图与升采样过程产生的特征图相连接，在提取高维度特征的同时保留低维度特征；最后使用1
×
1的复值卷积层和复值Sigmoid激活函数来获取输出数据；降采样结构包括：卷积核为3的复值卷积层、复值批归一化层、复值线性整流函数以及复值池化层；升采样结构包括：卷积核为2的复值转置卷积、卷积核为3的复值卷积层、复值批归一化层、复值线性整流函数；S4、采用步骤S2构造的训练集对步骤S3构建的基于复值U
‑
Net的杂波抑制网络进行训练；S5、加权融合，对训练完...

【专利技术属性】
技术研发人员：郭世盛，汪育苗，汪翔，臧传飞，崔国龙，孔令讲，杨晓波，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：