[發明專利]一種基于機器學習的雷達雜波抑制方法

有效

• 申請號: 201811471743.1
• 申請日: 2018-12-04
• 公開（公告）號: CN109444840B
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 胡文;李夢霞;狄佳穎;王偉光;汪亞東;陳杰
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G01S7/41
• 分類號: G01S7/41
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 康燕文

本發明公開了一種基于機器學習的雷達雜波抑制方法，實測數據產生包含雜波和目標的數據集作為輸入數據，對輸入數據進行預處理，初步處理后選取合適特征和初始權重進行加權，然后對其聚類，將聚為不同類別結果進行評價，再反饋到特征加權模塊調整權值，直到找到評價指標最優的一組權重和聚類數。最佳聚類數中，一類為目標，其余類為不同類型雜波，可將實時雷達回波數據與之進行比較，實現雜波抑制，從而得到目標信號。相比于以往利用雜波圖抑制雜波的方法，實現結構簡單，實現成本低，效果更好，且具有很高的簡捷性、實時性和通用性。

技術領域

本發明屬于雷達信號處理技術領域，具體涉及一種基于機器學習的雷達雜波抑制方法。

背景技術

隨著低空空域的逐步開放以及人們低空活動的日益增加,低空空域的交通狀況越來越復雜,為了維持低空飛行秩序,保證低空飛行器安全,實施低空空域飛行器的監視,已經成為空管發展的必然趨勢。而低慢小目標RCS小，速度慢，且信雜比低，回波易淹沒在雜波中，具有“管控難、偵測難、處置難”等特點。另外，低慢小探測雷達不同于一般雷達，需要對超低空雜波進行處理，要在成片的雜波中很快的分辨出目標回波也是不容易的。由于出現大量的雜波，給雷達終端處理系統帶來很大的難度。故將雜波抑制是一個亟待解決的問題，對低慢小目標探測雷達來說至關重要。

目前，基于機器學習的雷達目標和雜波分類的常用方法是K-Means算法，在給定初始類別數K和K個初始類簇中心點的情況下，把每個點分到離其最近的類簇中心點所代表的類簇中，所有點分配完畢之后，根據一個類簇內的所有點重新計算該類簇的中心點(取平均值)，然后迭代的進行分配點和更新類簇中心點的步驟，直至類簇中心點的變化很小，或者達到指定的迭代次數。這種算法思想比較簡單，但是初始的K值和初始類簇中心點的選組對于聚類效果影響較大，且該方法僅適用于球形分布數據。

發明內容

發明目的：本發明提供一種基于機器學習的雷達雜波抑制方法，實現結構簡單，聚類效果好，實現成本低，具有很高的通用性和簡捷性。

技術方案：本發明所述的一種基于機器學習的雷達雜波抑制方法，包括以下步驟：

(1)將通過生成對抗網絡產生的包含雜波和目標的數據集作為輸入數據，并對輸入數據作歸一化處理；

(2)選取合適特征，構建特征向量，并對其進行特征加權；

(3)對步驟(2)的特征向量進行快速聚類，將聚為不同類別結果進行評價；

(4)將步驟(3)的評價結果，反饋到步驟(2)，利用梯度下降法直到找到評價指標戴維森保丁指數最優的一組權重和聚類數。

步驟(2)所述特征主要包括距離、方位、俯仰、RCS、速度、差通道能量、保護通道。

步驟(2)所述的對初始權重進行加權通過以下公式實現：

其中，x_i是第i個數據的m維特征向量，x_i＝(x_i1,x_i2,···x_it,···x_im),i＝1,2,···,n。

所述步驟(3)包括以下步驟：

(31)給定用于確定截斷距離d_c的參數t∈(0,1)，算距離d_ij，并令

d_ji＝d_ij,i＜j,i,j∈I_S

(32)確定聚類中心并初始化數據點歸類屬性標記具體為

(33)對非聚類中心數據點進行歸類，按照ρ的值從大到小遍歷；