一种基于梯度加权生成对抗网络的非均匀海杂波抑制方法技术

本发明专利技术公开一种基于梯度加权生成对抗网络的非均匀海杂波抑制方法，应用于雷达信号杂波抑制技术领域，针对传统目标检测方法对漂浮小目标的检测存在明显的性能瓶颈的问题，本发明专利技术首先收集雷达对海的实测数据，对雷达原始回波信号的每一个脉冲进行信号预处理；然后生成对应信号模型的样本，加入样本集，将处理后的信号按照脉冲划分为训练集和测试集两部分；接着构建基于梯度罚函数加权生成对抗网络，然后训练集训练网络参数，得到网络模型；最后将测试集样本输入训练得到的网络模型中，网络输出抑制后的距离幅度图。采用本发明专利技术的方法能够很好的抑制非均匀海杂波，提取复杂杂波背景下的目标信息，在保留目标的同时能够有效地将杂波剔除。剔除。剔除。

【技术实现步骤摘要】
一种基于梯度加权生成对抗网络的非均匀海杂波抑制方法


[0001]本专利技术属于雷达信号杂波抑制
，特别涉及一种海杂波的抑制技术。

技术介绍

[0002]在复杂场景下，无人机、隐身飞机等新型目标是现代雷达面临主要挑战，由于其极弱的雷达散射截面积、复杂高机动运动特性、以及遮掩在复杂地海杂波和干扰背景中，对复杂场景下弱小目标的检测是长期困扰现代雷达的难题，一直是雷达科学领域研究的热点和难点。
[0003]其中，海杂波背景下的雷达目标检测对民用和军事都有着重要的意义。随着海面目标的小型化和隐身化，海面慢速、漂浮小目标已经成为了雷达警戒的重点对象。关于此类小目标的检测一直以来都是海杂波背景下目标检测中的难题。通常，漂浮小目标的雷达散射横截面积(RCS)微弱，并且运动速度慢，常常在时域和频域均存在“超杂波检测”的困难。传统目标检测方法对漂浮小目标的检测存在明显的性能瓶颈。
[0004]国内外众多高校和研究机构进行了关于深度学习下的信号处理研究。2019年，清华大学将传统的经过多普勒处理后的R
‑
D图，并不进行CFAR检测，反而输入他们构建的CNN检测器，通过构建的8层神经网络代替了CFAR进行检测(Wang L,Tang J,Liao Q.A study on radar target detection based on deep neural networks[J].IEEE Sensors Letters,2019,3(3):1
‑
4.)，在低信噪比下，效果提升显著。上面的方法是基于传统的神经网络构建，没有考虑更好的学习杂波的特性和训练网络的稳健性。

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梯度罚函数加权生成对抗网络的非均匀海杂波抑制方法，利用神经网络强大的捕捉数据间的交互性，更好的将目标从杂波背景中提取出来，直接带来更高的信噪比增益，在抑制海杂波的同时保留了真实目标的信号强度。
[0006]本专利技术采用的技术方案为：一种基于梯度罚函数加权生成对抗网络的非均匀海杂波抑制方法，包括：首先预处理由实测采集的海杂波数据集，生成有目标的训练集和测试集，然后构建梯度罚函数加权生成对抗网络神经网络，其次利用生成的训练集对梯度罚函数加权生成对抗网络神经网络进行训练，最后将测试集输入训练好参数的梯度罚函数加权生成对抗网络神经网络，从而输出杂波抑制后的距离幅度图。
[0007]生成含有目标的训练集和测试集的过程为：
[0008]在海杂波场景下采集原始回波距离像，按照每一个脉冲对原始回波距离像进行匹配滤波卷积，匹配滤波卷积后的距离像，同时向前平移信号的点数后，得到的距离向幅度图；对所有距离向幅度图按照3:1进行划分，得到含有目标的训练集和含有目标的测试集。
[0009]本专利技术的有益效果：本专利技术的一种海杂波环境下基于梯度罚函数加权生成对抗网络的杂波抑制方法，该方法能利用神经网络强大的捕捉数据间的交互性，更好的将目标从
杂波背景中提取出来，直接带来更高的信噪比增益，在抑制海杂波的同时保留了真实目标的信号强度。本专利技术构建的梯度罚函数加权生成对抗网络能很好的抑制非均匀海杂波，提取复杂杂波背景下的目标信息，在保留目标的同时能够有效地将杂波剔除，与输入的信号相比，能将信杂比提升3.7dB。
附图说明
[0010]图1为梯度罚函数加权生成对抗网络杂波抑制处理流程图。
[0011]图2为雷达原始回波脉冲距离图。
[0012]图3为信号预处理后的距离幅度图。
[0013]图4为加上目标后产生的样本信号。
[0014]图5为梯度罚函数加权生成对抗网络的架构图。
[0015]图6为杂波抑制前后效果图；
[0016]其中，(a)是杂波抑制前效果图，(b)是杂波抑制后的结果。
[0017]图7为最终测试集样本的信杂比统计图。
具体实施方式
[0018]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。
[0019]结合图1，下面由海杂波实测数据给出本专利技术的具体实施方式。
[0020]采集海杂波后的实测杂波数据图2所示，坐标系的横坐标表示采集的不同脉冲数量，纵坐标表示不同的距离单元，相邻两样点之间的距离间隔为5m，雷达的发射信号为中心频率X波段，频率范围在9.3～9.5GHZ、带宽25MHz的线性调频信号，距离分辨率为6m，脉冲重复频率为3K。天线的极化方式为HH极化，水平波束宽度1.2
°
，天线垂直波束宽度为22
°
。
[0021]本专利技术的处理步骤包括：
[0022]步骤1：海杂波原始数据快时间单元预处理
[0023]以对一组脉冲距离像的预处理过程为例，海杂波采集的原始回波距离像如图2所示。按照每一个脉冲(快时间单元)对原始回波信号进行匹配滤波卷积，卷积的点数为5249。卷积后的距离像，同时向前平移信号的点数后，得到的距离向幅度图如图3所示。
[0024]利用已有的海军航空大学信息融合研究所发布的公开数据集20191008085830_staring.mat，向实测公开数据样本(即公开数据集20191008085830_staring.mat)中加入载频为9.4GHz，带宽为25M，采样率为60MHz的线性调频信号(LFM)，考虑M个脉冲构成一组回波信号，则这M个脉冲的原始回波信号模型为：
[0025][0026]其中，发射信号模型为：
[0027][0028]上式中，j代表虚数单位，rect是单位矩形窗信号，f0是载波频率，而式中的K表示线性调频信号的调频斜率，而信号的持续时间为
‑
T≤t≤T。可以看到，式中的是矩形函数，为线性调频信号的复包络。
[0029]按照每一个脉冲(快时间单元)对原始回波信号进行匹配滤波卷积，具体为：
[0030]系统的冲激响应方式：
[0031][0032]或h(t)＝αx
*
(T
M
‑
t)
[0033]上式中，Ω代表傅里叶变换后的频率，α代表幅度常数因子，T
M
代表匹配滤波器的时延。x
*
(t)和X
*
(Ω)分别为输入信号时域和频域的共轭复数，而H(Ω)和h(t)分别为匹配滤波后输出信号的频域和时域信号。
[0034]经过匹配滤波处理后，接收回波信号后，经过滤波器的输出信号y(t)的频谱(不加入杂波和噪声的情况)可以用Y(Ω)≈H(Ω)X(Ω)进行表示，式中X(Ω)是输入的雷达回波信号波形的频谱，考虑存在某一时刻T
M
的信噪比是输出所有时刻中最大的，那么输出信号分量的功率在T
M
时刻可以表示为：
[0035][0036]处理海军航空大学信息融合研究所发布的公开数据集20191008085830_staring.mat的每一个脉冲本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于梯度罚函数加权生成对抗网络的非均匀海杂波抑制方法，其特征在于，包括：首先预处理由实测采集的海杂波数据集，生成有目标的训练集和测试集，然后构建梯度罚函数加权生成对抗网络，其次利用生成的训练集对梯度罚函数加权生成对抗网络进行训练，最后将测试集输入训练好参数的梯度罚函数加权生成对抗网络，从而输出杂波抑制后的距离幅度图。2.根据权利要求1所述的一种基于梯度罚函数加权生成对抗网络的非均匀海杂波抑制方法，其特征在于，生成含有目标的训练集和测试集的过程为：在海杂波场景下采集原始回波信号，按照每一个脉冲对原始回波信号进行匹配滤波，得到第一数据集，将第一数据集按照单脉冲进行划分，以每一个脉冲数据作为一个样本单位；对于每一个样本中的脉冲信号，都产生4个不同位置的目标信号，将每个样本的脉冲信号对应的4个不停位置的目标信号经匹配滤波后，加入第一数据集，得到第二数据集；将第二数据集按照3:1进行划分，得到含有目标的训练集和含有目标的测试集。3.根据权利要求2所述的...

【专利技术属性】
技术研发人员：崔国龙，余渤，汪育苗，汪翔，郭世盛，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：