一种高精度高鲁棒性的雷达缺失信号补全系统技术方案

本发明专利技术公开了一种高精度高鲁棒性的雷达缺失信号补全系统，包括数据库及上位机；数据库和上位机依次相连，所述数据包含已有的已经采集到的雷达信号，所述的上位机包括数据预处理模块、缺失信号补全模块和结果显示模块。其中缺失信号补全模块采用了新颖的自适应自编码神经网络，对不同雷达信号数据有良好的鲁棒性，以及更高的补全精度。本发明专利技术公开的一种高精度高鲁棒性的雷达缺失信号补全系统具有缺失信息补全准确率高、速度快、鲁棒性好的优点。鲁棒性好的优点。鲁棒性好的优点。

【技术实现步骤摘要】
一种高精度高鲁棒性的雷达缺失信号补全系统


[0001]本专利技术涉及数字信号处理处理、深度学习算法领域，尤其涉及一种结合深度学习的雷达缺失信号补全系统。

技术介绍

[0002]信号处理中的雷达缺失信号补全任务是具有重要意义的热点研究问题，应用非常广泛，逐渐有更多的国际组织开始关注并推动相关领域的发展。传统的雷达缺失信号补全技术是基于插值算法和传统机器学习算法，利用信号缺失位置的前后信息估算出缺失信号的数值。
[0003]在传统的雷达缺失信号补全任务中，缺失信号在整体雷达信号中的位置以及该位置前后信号的数值有着至关重要的影响。但是，传统的雷达缺失信号补全方法针对每个雷达信号都要进行学习，这造成了极大的计算开销和时间开销。并且，插值算法和传统的机器学习算法也面临着准确率很难继续提高的瓶颈。同时，一段雷达信号中信号缺失位置的数量也对传统雷达缺失信号补全方法的效果有着巨大影响。所以，对于雷达缺失信号补全任务而言，研究的主要目标是提高算法对不同缺失信号的鲁棒性以及信号补全的精度，同时降低算法的计算开销和时间开销。因此，这不仅具有重要的理论意义和实际意义，而且也是国际上缺失信号补全任务中的难点和热点。

技术实现思路

[0004]为了克服传统的雷达缺失信号补全任务的鲁棒性差、信号补全精度低以及计算和时间开销大的难题，本专利技术的目的在于提供一种实现对不同的雷达缺失信号进行补全的高精度高鲁棒性的雷达缺失信号补全系统。
[0005]本专利技术解决其技术问题所采用的技术方案是：一种高精度高鲁棒性的雷达缺失信号补全系统，包括数据库以及上位机，数据库和上位机依次相连，其特征在于：所述的数据库包含已经采集好的雷达信号，所述的上位机包括：
[0006]数据预处理模块，用以对存储在数据库中的雷达信号进行预处理。
[0007]缺失信号补全模块，用以搭建自适应自编码神经网络来补全数据预处理模块处理过的存在信号缺失的雷达信号。
[0008]进一步的，数据预处理模块，采用如下过程完成：
[0009]雷达信号用如下公式进行标准化：
[0010][0011]其中，x
ij
表示第i个雷达信号的第j个采样点，x
s_ij
表示x
ij
的标准化形式，μ
i
表示第i个雷达信号所有采样点的平均值，σ
i
表示第i个雷达信号所有采样点的标准偏差。用x
s
来表示标准化后的雷达信号。
[0012]进一步的，缺失信号补全模块，采用如下过程完成：
[0013]搭建自编码神经网络：
[0014]自编码神经网络的基本形式如下所示：
[0015][0016]f(x)＝σ(W
f
·
x+b
f
)
[0017]g(h)＝σ(W
g
·
h+b
h
)
[0018]其中，f(
·
)表示编码器函数，g(
·
)表示解码器函数，x表示输入数据，h表示编码数据，x
′
表示重建数据，σ表示激活函数，W
f
表示编码函数中的权重矩阵，W
g
表示解码函数中的权重矩阵，b
f
表示编码函数中的偏置，b
h
表示解码函数中的偏置。编码数据h的维度在实验中根据具体数据来人为设定。
[0019]采用梯度下降反向传播的方法训练自编码神经网络，在训练的过程中，采用如下约束：
[0020]x≈x
′
[0021]其中，x
′
＝g(f(x))。训练的目标是使解码器重构的数据尽可能接近输入数据。
[0022]采用均方误差用于衡量输入数据和重建数据之间的相似性：
[0023]L(x，g(f(x)))＝E
x～x
′
||x
‑
g(f(x))||2[0024]其中，L(
·
)表示损失函数，E
x～x
′
(
·
)表示输入数据x和重构数据x
′
之间的平方误差的期望值。
[0025]搭建自适应自编码神经网络：
[0026]1)编码数据h的维度初始值设为K，把数据预处理后的雷达信号x
s
输入自编码神经网络中进行训练。
[0027]2)自编码神经网络网络训练完毕后，计算编码数据h各个维度的标准差δ＝(δ1，δ2，...，δ
K
)。
[0028]3)如果存在δ
i
(1≤i≤K)小于阈值0.1，则K＝K
‑
1，进入步骤1)；否则，结束。
[0029]上述新颖的自编码神经网络，实现了编码数据h的维度的自适应调整，相较于传统的缺失信号补全方法，具有更高的缺失信号补全精度。
[0030]作为优选的一种方案：为了抑制自编码神经网络在训练过程中的过拟合情况，可使用带有L1正则化损失函数和带有相对熵的损失函数，如下：
[0031][0032]L
KLD
(x，g(f(x)))＝E
x～x
′
||x
‑
g(f(x))||2+KLD
[0033][0034]其中，L
λ
(
·
)表示带有L1正则化的损失函数，L
KLD
(
·
)表示带有相对熵的损失函数，λ和β分别表示两个损失函数中的惩罚系数，M表示神经元的个数，wi表示神经网络中的各个神经元的权重矩阵，KLD表示相对熵，ρ表示神经元密度，表示第j个神经元的平均激活程度。
[0035]作为优选的一种方案：所述的上位机还包括：结果显示模块，用以将缺失信号补全
模块的补全结果在上位机上显示。
[0036]本专利技术的有益效果主要表现在：使用自适应自编码神经网络进行雷达缺失信号补全，相较于传统的缺失信号补全方法具有更好的鲁棒性和更高的缺失信号补全精度；基于自适应自编码神经网络的雷达缺失信号补全系统，在模型训练好后，缺失信号补全的速度相较于传统的缺失信号补全方法更快。
附图说明
[0037]图1是本专利技术所提出的雷达缺失信号补全系统的功能结构图；
[0038]图2是本专利技术所提出的雷达缺失信号补全系统各模块的详细图解。
具体实施方式
[0039]下面结合附图对本专利技术做进一步描述。本专利技术实施例用来解释说明本专利技术，而不是对本专利技术进行限制，在本专利技术的精神和权利要求的保护范围内，对本专利技术作出的任何修改和改变，都落入本专利技术的保护范围。
[0040]实施例1
[0041]参照图1和图2，一种高精度高鲁棒性的雷达缺失信号补全系统，包括数据库1及上位机2，数据库1和上位机2依次相连，所述数据1包含已有的已经采集到的雷达信号，所述的上位机包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高精度高鲁棒性的雷达缺失信号补全系统，包括数据库以及上位机，数据库和上位机依次相连，其特征在于：所述的数据库包含已经采集好的雷达信号，所述的上位机包括：数据预处理模块，用以对存储在数据库中的雷达信号进行预处理；缺失信号补全模块，用以搭建自适应自编码神经网络来补全数据预处理模块处理过的存在信号缺失的雷达信号。2.根据权利要求1所述一种高精度高鲁棒性的雷达缺失信号补全系统，其特征在于：数据预处理模块，采用如下过程完成：雷达信号用如下公式进行标准化：其中，x
ij
表示第i个雷达信号的第j个采样点，x
s_ij
表示x
ij
的标准化形式，μ
i
表示第i个雷达信号所有采样点的平均值，σ
i
表示第i个雷达信号所有采样点的标准偏差；用x
s
来表示标准化后的雷达信号。3.根据权利要求1所述一种高精度高鲁棒性的雷达缺失信号补全系统，其特征在于：缺失信号补全模块，采用如下过程完成：(3.1)搭建自编码神经网络：自编码神经网络的基本形式如下所示：f(x)＝σ(W
f
·
x+b
f
)g(h)＝σ(W
g
·
h+b
h
)其中，f(
·
)表示编码器函数，g(
·
)表示解码器函数，x表示输入数据，h表示编码数据，x
′
表示重建数据，σ表示激活函数，W
f
表示编码函数中的权重矩阵，W
g
表示解码函数中的权重矩阵，b
f
表示编码函数中的偏置，b
h
表示解码函数中的偏置；编码数据h的维度在实验中根据具体数据来人为设定；采用梯度下降反向传播的方法训练自编码神经网络，在训练的过程中，采用如下约束：x≈x
′
其中，x
′
＝g(f(x))；训练的目标是使解码器重构的...

【专利技术属性】
技术研发人员：廖屹琳，刘芳，叶松，马梦颖，方艺忠，李冠呈，吴高洁，张文宇，张逸然，韦文书，彭健，李彬，刘兴高，
申请(专利权)人：浙江大学，
类型：发明
国别省市：