[發明專利]一種基于深度學習的復雜噪聲環境下的雷達信號恢復方法

有效

• 申請號: 201810259647.4
• 申請日: 2018-03-27
• 公開（公告）號: CN108226892B
• 公開（公告）日: 2021-09-28
• 發明（設計）人: 侯春萍;黃丹陽;楊陽;郎玥
• 申請（專利權）人: 天津大學
• 主分類號: G01S7/41
• 分類號: G01S7/41
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 程毓英

本發明涉及一種基于深度學習的復雜噪聲環境下的雷達信號恢復方法，包括：雷達仿真數據集的構建；網絡模型的構建：利用深度學習中的生成對抗網絡實現噪聲環境下的自適應雷達信號恢復，生成對抗網絡由兩個部分構成，分別是判別器和生成器，利用稠密連接卷積神經網絡來構成判別器和生成器；生成對抗網絡的訓練：將五種信噪比環境下的五組仿真雷達時頻圖像進行混合，生成訓練數據，對生成對抗網絡進行訓練；利用生成對抗網絡對實測雷達圖像進行信號恢復。

技術領域

本發明屬于雷達圖像處理、信號處理、域自適應與深度學習領域，涉及基于多普勒雷達數據的信號處理和人體探測等相關應用。

背景技術

微多普勒雷達在軍事領域素來有著很廣泛的用途，扮演著至關重要的角色。在雷達中，探測目標的運動速度通常是遠遠小于光速，因此認為電磁波來回傳播距離為目標與雷達距離的兩倍，雷達通過接收之前發出的電磁波的時間可以實現目標物體的測距；另外目標物體存在運動的情況下，根據多普勒效應可以計算出目標物體運動或者微動造成的多普勒頻移，從而獲得目標物體的速度信息。以上分析針對目標物體看作質點的情況，而當目標物體存在多個散點時，將產生不同的多普勒頻移信號進行整合分析，就是微多普勒雷達的工作原理。

利用雷達信息進行探測和識別相比于利用視覺信息有著得天獨厚的優勢：利用雷達進行目標檢測并不受光照和天氣的影響，可以實現全天候二十四小時的監測；隨著集成電路的發展雷達也越來越集成化和便攜化；另外雷達信號可以穿透一定的遮擋，可以實現遠距離檢測，這些優勢都是基于視覺的方法所不具備的。因此雷達逐漸被應用到越來越多的領域中去。譬如在軍事領域中雷達可以實現全天候無死角敵情檢測，在巷戰中雷達可以實現穿墻檢測敵人；在安保活動中雷達可以實現人群監控以及疑犯追蹤；在民用領域中多普勒雷達還經常用于氣象探測、車載行人檢測以及人體動作識別等。

但是在實際的探測情況中，由于被測目標距離雷達較遠，被測目標反射回波強度很弱，或者環境中存在較多的運動干擾，例如水浪、行人和風等，得到的雷達信號中往往包含許多噪聲，這些噪聲會將有用的被測目標的運動信號淹沒。而基于多普勒雷達的應用大多依靠雷達時頻圖像，對其進行特征提取，包括譜圖的上下包絡、帶寬以及軀干運動速度曲線等等，然后利用機器學習或深度學習算法對提取的特征進行分析，實現相關應用。主信號淹沒于噪聲中的的雷達時頻圖像會嚴重干擾雷達時頻圖像中有效特征的提取，對目標的分析和識別造成困難。

近幾年深度學習在計算機視覺、數據科學以及模式識別等領域中掀起了研究熱潮。深度學習利用人工神經網絡(Artificial Neural Network，ANN)對問題進行復雜建模，并將網絡中添加非線性單元以提高模型的泛化性能，網絡利用反向回傳(BackPropagation，BP)進行訓練和優化。深度學習憑借其自動學習特征的能力在圖像處理、圖像分類以及目標檢測等領域取得了顯著成就。而隨著深度學習領域的發展，越來越多新式網絡被提出。生成對抗網絡(Generative Adversarial Networks，GAN)是深度學習中的一種半監督學習的生成式模型，原理依賴博弈論中的二元零和博弈，通過兩個子網絡的對抗式的訓練實現生成模型的建模，被廣泛用于圖像處理、圖像風格轉換和圖像修復。而基于深度學習的算法需要大量多樣化的訓練數據的支撐，當前并沒有公開的多普勒雷達數據庫，因此實際雷達圖像的應用受到了種種限制。

[1]Goodfellow I J,Pouget-Abadie J,Mirza M,et al.GenerativeAdversarial Networks[J].Advances in Neural Information Processing Systems,2014,3:2672-2680.

[2]Huang G,Liu Z,Laurens van der Maaten,et al.Densely ConnectedConvolutional Networks[J].2016.