一种深度学习的雷达信号降噪方法技术

本申请公开了一种深度学习的雷达信号降噪方法，涉及雷达信号处理技术领域，包括：将时域雷达信号通过短时傅里叶变换转换为二维时频图；对所述二维时频图进行频域特征提取，依次通过DnCNN和级联CNN，输出频域特征表示；对所述时域雷达信号进行时域特征提取输出时域特征表示；基于多头注意力机制融合所述频域特征与时域特征生成跨域联合特征；将所述跨域联合特征输入残差收缩网络进行信号重构，输出降噪后的时域信号。构建时频双域协同学习框架，通过深度融合时域特性与频域结构分布规律，实现复杂噪声环境下的信号高保真重建。该降噪方法能够在强噪声环境下，保持极低的相位误差和极高的特征保留率。

【技术实现步骤摘要】

本申请涉及雷达信号处理，具体涉及一种深度学习的雷达信号降噪方法。

技术介绍

1、雷达信号降噪技术作为目标探测与识别的核心预处理环节，其性能直接影响着后续特征提取、跟踪定位及成像质量。在复杂电磁环境与多样化应用场景下，雷达回波不可避免地受到多源噪声干扰，包括系统内部热噪声、环境杂波、人为电磁干扰以及多径效应引起的扰动，亟需高鲁棒性降噪技术保障信号质量。

2、传统信号处理方案（如小波阈值去噪和经验模态分解）依赖人工设计的特征规则与参数调整，面临突发脉冲噪声抑制不足、模态混叠及高频信号损伤等问题，在未知噪声环境下泛化能力急剧下降，且普遍存在噪声抑制与信号失真的矛盾。当前新兴的深度学习方法虽在图像降噪领域取得突破，但直接迁移至雷达信号处理时，因二维卷积核难以建模长时序相关性、递归网络存在梯度消失缺陷，导致对雷达脉冲序列的动态特性捕捉不足。更关键的是，现有深度学习方案忽视雷达信号的物理本质—时频谱包含复数相位信息，实数域处理会破坏相位连续性，使目标微动特征丢失；同时，脉冲多普勒雷达的相参特性要求严格保持相位一致性，但主流方法仅聚焦幅度域重建，致使逆变换后本文档来自技高网...

【技术保护点】

1.一种深度学习的雷达信号降噪方法，其特征在于，包括：

2.根据权利要求1所述的深度学习的雷达信号降噪方法，其特征在于，所述将时域雷达信号通过短时傅里叶变换转换为二维时频图，包括：

3.根据权利要求2所述的深度学习的雷达信号降噪方法，其特征在于，所述对所述二维时频图进行频域特征提取，依次通过DnCNN和级联CNN，输出频域特征表示，包括：

4.根据权利要求1所述的深度学习的雷达信号降噪方法，其特征在于，所述对所述时域雷达信号进行时域特征提取输出时域特征表示，包括：

5.根据权利要求1所述的深度学习的雷达信号降噪方法，其特征在于，所述基于多头...

【技术特征摘要】

1.一种深度学习的雷达信号降噪方法，其特征在于，包括：

2.根据权利要求1所述的深度学习的雷达信号降噪方法，其特征在于，所述将时域雷达信号通过短时傅里叶变换转换为二维时频图，包括：

3.根据权利要求2所述的深度学习的雷达信号降噪方法，其特征在于，所述对所述二维时频图进行频域特征提取，依次通过dncnn和级联cnn，输出频域特征表示，包括：

4.根据权利要求1所述的深度学习的雷达信号降噪方法，其特征在于，所述对所述时域雷达信号进行时域特征提取输出时域特征表示，包括：

5.根据权利要求1所述的深度学习的雷达信号降噪方法，其特征在于，所述基于多头注意力机制融合所述频域特征与时域特征...

【专利技术属性】
技术研发人员：罗艺，刘媛，赵青，卢越洋，刘鑫姝，周玉娟，
申请(专利权)人：齐鲁理工学院，
类型：发明
国别省市：