[發明專利]基于DNN神經網絡的單樣本極化濾波器系數預測方法

有效

• 申請號: 201911385728.X
• 申請日: 2019-12-27
• 公開（公告）號: CN111159891B
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 黨小宇;張嘉紋;楊凌輝
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N3/04;G06N3/08
• 代理公司: 南京鐘山專利代理有限公司 32252
• 代理人: 上官鳳棲

1.基于DNN神經網絡的單樣本極化濾波器系數預測方法，其特征在于，包括如下步驟：

步驟1：對大氣噪聲采用Alpha穩定分布模型進行建模；

步驟2：設計一個不包含目標信號主瓣頻率的FIR帶通濾波器，將接收的混合信號通過帶通濾波器截取出噪聲干擾信號，其中，混合信號包括目標信號和大氣噪聲；步驟2中，將接收的混合信號通過帶通濾波器截取出如下的噪聲干擾信號：

其中，R_H(n),I_H(n),R_V(n),I_V(n)分別表示干擾信號在水平極化方向上的實部信號、在水平極化方向上的虛部信號、在垂直極化方向上的實部信號、在垂直極化方向上的虛部信號；E_dH(n)是干擾信號在水平方向的信號，E_dV(n)是干擾信號在垂直方向的信號；E_d(n)是干擾信號向量，ε_d(n)代表干擾信號的極化角，δ_d(n)代表干擾信號水平極化分量與垂直極化分量的相位差；f_d為干擾信號的中心頻率，f_s是采樣頻率，n表示數字域下的時間；

步驟3：根據噪聲干擾信號構造單樣本極化濾波器系數；步驟3中，根據噪聲干擾信號的極化信息構造單樣本極化濾波器，先定義五個分量分別如下式所示：

P₃(n)＝[(R_H(n)+R_V(n))/2]²+[(I_H(n)+I_V(n))/2]² (11)

P₄(n)＝[(R_H(n)-I_V(n))/2]²+[(R_V(n)+I_H(n))/2]² (12)

根據上述五個分量構造單樣本極化濾波器系數如下式：

H₁(n)＝-[P₂(n)P₀(n)]^0.5 (13)

H₂(n)＝[2P₄(n)P₀(n)-0.5]/H₁(n) (14)

H₃(n)＝[0.5-2P₃(n)P₀(n)]/H₁(n) (15)

其中，H₁(n),H₂(n),H₃(n)為單樣本極化濾波器的三個系數；

步驟4：將噪聲干擾信號作為DNN網絡模型的輸入，單樣本極化濾波器系數作為模型的輸出，對輸入輸出的數據進行預處理；步驟4中，選擇干擾信號在水平極化方向與垂直極化方向的實部信號與虛部信號作為DNN網絡模型的輸入，選取單樣本極化濾波器的三個系數H₁(n),H₂(n),H₃(n)作為DNN網絡模型的輸出；

步驟5：設計DNN網絡模型；

步驟6：將預處理后的數據通過搭建好的DNN網絡模型進行訓練，尋找合適的損失函數與優化器，不斷更新DNN網絡模型的權重，最終獲得使損失函數最小化的DNN網絡模型；在調制系統中使用該DNN網絡模型訓練得到單樣本極化濾波器系數。

2.如權利要求1所述的基于DNN神經網絡的單樣本極化濾波器系數預測方法，其特征在于：步驟1中，Alpha穩定分布模型由下式的特征函數E[e^jθX]給出：

其中，θ表示時間，X表示隨機變量，sgn(θ)是符號函數，特征指數α決定分布的脈沖特性，0≤α≤2，尺度參數σ是用來描述樣本相對于均值的分散程度，σ≥0；偏斜參數β決定分布的斜度，-1≤β≤1；位置參數μ為實數，對于0＜α≤1時，μ表示中值；當1＜α≤2時，μ表示均值；當β＝0時，α的穩定分布S_α(β，σ，μ)關于μ對稱。