一种基于信号分割的智能干扰抑制方法技术

本发明专利技术提供了一种基于信号分割的智能干扰抑制方法，包括以下步骤：建立雷达干扰信号模型，获取原始回波信号数据，将雷达干扰信号模型叠加在原始回波信号上；将原始回波信号和带干扰的回波信号分别与发射信号进行混频，混频后低通滤波得到基带信号；基带信号组成数据集，对数据集进行分组，每组信号中选取至少部分作为训练集，其余部分作为测试集；使用基于编码

【技术实现步骤摘要】
一种基于信号分割的智能干扰抑制方法


[0001]本专利技术涉及信号处理
，具体而言，涉及一种基于信号分割的智能干扰抑制方法。

技术介绍

[0002]目前主要的车载雷达信号干扰抑制方法分为以下两种：
[0003]传统的干扰抑制方法例如调零算法是在频域上进行信号处理来抑制干扰，第一步是回波信号混频处理，再将得到的基带信号变化到频域。第二步是根据回波信号的能量等特征，计算一个适当的阈值来分辨干扰与有用目标，进而对干扰进行检测与抑制。在实际复杂的电磁环境中，会获得来自各处位置的各种干扰，干扰信号的能量与真实回波能量相近时，无法通过调零抑制这种干扰。此类方法识别干扰的鲁棒性低，容易造成较多的漏检。
[0004]基于深度学习的干扰抑制技术主要是对含干扰的雷达信号进行神经网络训练，将网络预测结果作为干扰抑制后的信号。传统的卷积神经网络(Convolutional Neural Networks,CNN)一般用来完成图像级的分类，进行分割时是将每个数据点周围的一小块区域作为网络的输入，因此用做信号干扰抑制时，网络的训练和预测低效且不准确。用全卷积网络(Fully Convolutional Networks，FCN)可以进行像素级的分割，FCN接受任意尺寸的输入，采用反卷积层使输出恢复到与输入相同的尺寸，对每个像素都产生了一个预测，但进行分割时，分割细节不够精细，FCN特征融合时将对应点直接相加，不能形成多层次的特征，预测的精确度还需要提升。

技术实现思路

[0005]本专利技术旨在至少解决现有技术中存在传统的干扰抑制方法识别干扰的鲁棒性低，容易造成较多的漏检；现有基于深度学习的干扰抑制方法网络的训练和预测低效且不准确，分割细节不够精细，不能形成多层次的特征的技术问题之一。
[0006]为此，本专利技术提供了一种基于信号分割的智能干扰抑制方法。
[0007]本专利技术提供了一种基于信号分割的智能干扰抑制方法，包括以下步骤：
[0008]S1、建立雷达干扰信号模型，获取原始回波信号数据，将雷达干扰信号模型叠加在原始回波信号上；
[0009]S2、将原始回波信号和S1中得到的带干扰的回波信号分别与发射信号进行混频，混频后低通滤波得到基带信号；
[0010]S3、由S2中的基带信号组成数据集，对数据集进行分组，每组信号中选取至少部分作为训练集，其余部分作为测试集；
[0011]S4、使用基于编码
‑
解码结构的全卷积网络建立处理基带信号的分割网络模型，确定分割网络模型的损失函数；
[0012]S5、将S3中的训练集和测试集同时代入S4建立的分割网络模型中分别进行训练测试和模型测试；当测试集的损失函数值下降到预估期望时结束训练，保存结束训练时对应
的模型及其参数作为进行干扰抑制后的基带信号。
[0013]根据本专利技术上述技术方案的一种基于信号分割的智能干扰抑制方法，还可以具有以下附加技术特征：
[0014]在上述技术方案中，S1中雷达干扰信号模型为：
[0015][0016]其中，A为干扰信号幅度，f
c
为载波频率，α为调频率。
[0017]在上述技术方案中，S1中将高斯白噪声叠加到干扰模型中，作为背景噪声。
[0018]在上述技术方案中，所述雷达干扰信号模型的种类包括同步干扰和异步干扰。
[0019]在上述技术方案中，S2中混频后低通滤波得到的基带信号为：
[0020]S
b
(t)＝S(t)
·
X
*
(t)
[0021]其中，X(t)为雷达回波信号，S(t)为发射信号。
[0022]在上述技术方案中，S4中，分割网络模型包括卷积层、池化层、反卷积层和拼接层；
[0023]所述卷积层和反卷积层均采用padding＝same的方式；
[0024]池化层的池化类型采用最大池化；
[0025]反卷积层采用上采样+卷积的方式；
[0026]分割网络模型的编码、解码自网络通过Skip
‑
connection连接，将特征在channel维度拼接在一起。
[0027]在上述技术方案中，测量输入中每个数据与目标之间的均方误差，采用均方误差作为分割网络模型的损失函数，损失函数为：
[0028][0029]其中，x
n
为预测信号，y
n
为无干扰的目标信号。
[0030]在上述技术方案中，S4中采用Adam自适应优化算法对网络卷积层进行优化，通过设置学习率加快收敛速度来逼近网络最优解，通过设置迭代次数epoch调整网络处理数据的精度，S5中判定训练结束的条件还包括当epoch进行到设置值时。
[0031]在上述任一技术方案中，其特征在于，还包括以下步骤：
[0032]S6、对S2中的带干扰的基带信号和S5中进行干扰抑制后的基带信号分别进行距离维度和多普勒维度的匹配滤波，得到距离多普勒图像，将进行干扰抑制后的基带信号的距离多普勒图像与S2中带干扰的基带信号的距离多普勒图像进行对比评估，判断干扰抑制是否有效，若有效则输出结果。
[0033]在上述技术方案中，通过信干比SINR评估干扰抑制效果，信干比的计算方法如下：
[0034][0035]其中，N
O
为目标数据中的数据点数，N
N
为噪声数据中的数据点数，O表示有对象存在的位置，N表示有存在噪声的位置，为预测的RD图；
[0036]SINR值越大，表示预测结果中信号的干扰被抑制的更小，通过比较带干扰的基带信号的距离多普勒图与进行干扰抑制后的基带信号的距离多普勒图像的信干比的大小，可以判断干扰抑制效果。
[0037]综上所述，由于采用了上述技术特征，本专利技术的有益效果是：
[0038]建立了端到端干扰抑制模型，实现对二维调频连续波雷达信号的分割，能在小样本条件下以较高的准确率实现雷达探测回波信号中的干扰抑制。
[0039]利用构建的信号分割网络像素级的分割精细度对雷达基带信号进行处理，在对称的网络结构中把卷积过程的特征信息引入到对应的反卷积过程，为较深卷积层提供多尺度多层次的信息，从而提取信号中干扰的特征并恢复干净的信号，以实现干扰抑制。
[0040]相较于传统的调零算法、CNN和FCN抑制干扰方法，本专利技术可以在数据较少情况下智能实现干扰抑制，快速识别并抑制一些弱能量干扰，并且干扰抑制后信号得到的距离多普勒图均方误差更低、信干比更高，抑制干扰的精确度更高。
[0041]本专利技术的附加方面和优点将在下面的描述部分中变得明显，或通过本专利技术的实践了解到。
附图说明
[0042]本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0043]图1是本专利技术一个实施例的一种基于信号分割的智能干扰抑制方法的流程图；
[0044]图2是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于信号分割的智能干扰抑制方法，其特征在于，包括以下步骤：S1、建立雷达干扰信号模型，获取原始回波信号数据，将雷达干扰信号模型叠加在原始回波信号上；S2、将原始回波信号和S1中得到的带干扰的回波信号分别与发射信号进行混频，混频后低通滤波得到基带信号；S3、由S2中的基带信号组成数据集，对数据集进行分组，每组信号中选取至少部分作为训练集，其余部分作为测试集；S4、使用基于编码
‑
解码结构的全卷积网络建立处理基带信号的分割网络模型，确定分割网络模型的损失函数；S5、将S3中的训练集和测试集同时代入S4建立的分割网络模型中分别进行训练测试和模型测试；当测试集的损失函数值下降到预估期望时结束训练，保存结束训练时对应的模型及其参数作为进行干扰抑制后的基带信号。2.根据权利要求1所述的一种基于信号分割的智能干扰抑制方法，其特征在于，S1中雷达干扰信号模型为：其中，A为干扰信号幅度，f
c
为载波频率，α为调频率。3.根据权利要求1所述的一种基于信号分割的智能干扰抑制方法，其特征在于，S1中将高斯白噪声叠加到干扰模型中，作为背景噪声。4.根据权利要求1所述的一种基于信号分割的智能干扰抑制方法，其特征在于，所述雷达干扰信号模型的种类包括同步干扰和异步干扰。5.根据权利要求1所述的一种基于信号分割的智能干扰抑制方法，其特征在于，S2中混频后低通滤波得到的基带信号为：S
b
(t)＝S(t)
·
X
*
(t)其中，X(t)为雷达回波信号，S(t)为发射信号。6.根据权利要求1所述的一种基于信号分割的智能干扰抑制方法，其特征在于，S4中，分割网络模型包括卷积层、池化层、反卷积层和拼接层；所述卷积层和反卷积层均采用padding＝same的方式；池化层的池化类型采...

【专利技术属性】
技术研发人员：陶明亮，李佳旺，刘艳阳，王伶，粟嘉，范一飞，韩闯，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：