[發(fā)明專利]基于深度殘差分離卷積網(wǎng)絡(luò)的二次雷達(dá)信號(hào)去噪方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010516985.9
• 申請(qǐng)日: 2020-06-09
• 公開（公告）號(hào): CN111610518B
• 公開（公告）日: 2022-08-05
• 發(fā)明（設(shè)計(jì)）人: 沈曉峰;都雪;廖闊;許天奇
• 申請(qǐng)（專利權(quán)）人: 電子科技大學(xué)
• 主分類號(hào): G01S13/78
• 分類號(hào): G01S13/78;G01S13/76;G01S13/91;G01S7/41;G01S7/292
• 代理公司: 成都點(diǎn)睛專利代理事務(wù)所(普通合伙) 51232
• 代理人: 孫一峰

本發(fā)明屬于雷達(dá)技術(shù)領(lǐng)域，具體的說是一種基于深度殘差分離卷積網(wǎng)絡(luò)的二次雷達(dá)信號(hào)去噪處理方法。本發(fā)明首先對(duì)二次雷達(dá)應(yīng)答信號(hào)進(jìn)行預(yù)處理，對(duì)數(shù)據(jù)進(jìn)行數(shù)據(jù)集劃分，歸一化和向量化。隨后基于深度學(xué)習(xí)方法，構(gòu)建了一種深度殘差分離卷積神經(jīng)網(wǎng)絡(luò)，包括淺層特征提取，下采樣深層特征提取，上采樣特征融合三個(gè)部分。采用深度殘差連接的可分離卷積神經(jīng)網(wǎng)絡(luò)，有效提取二次雷達(dá)信號(hào)的深層特征。最后將數(shù)據(jù)輸入網(wǎng)絡(luò)中，預(yù)測出二次雷達(dá)應(yīng)答信號(hào)。本發(fā)明在二次雷達(dá)正常工作環(huán)境中具有很高的去噪性能，能夠準(zhǔn)確預(yù)測出二次雷達(dá)應(yīng)答信號(hào)，確保二次雷達(dá)信號(hào)的正確解碼譯碼。

技術(shù)領(lǐng)域

本發(fā)明屬于雷達(dá)技術(shù)領(lǐng)域，具體的說是一種深度殘差分離卷積網(wǎng)絡(luò)的二次雷達(dá)信號(hào)去噪方法。

背景技術(shù)

二次雷達(dá)在航空交通管制，敵我識(shí)別和信標(biāo)跟蹤等很多方面都得到了廣泛的應(yīng)用。相比于一次雷達(dá)，采用單脈沖技術(shù)的二次雷達(dá)可以更加準(zhǔn)確的測量空中目標(biāo)的距離和方位，通過對(duì)詢問信號(hào)的應(yīng)答而發(fā)現(xiàn)目標(biāo)。在實(shí)際情況中，二次雷達(dá)的信號(hào)環(huán)境包括目標(biāo)，環(huán)境回波和人為的有源及無源干擾所產(chǎn)生的噪聲干擾。噪聲疊加到有用信號(hào)上，當(dāng)發(fā)射功率一定時(shí)，傳輸損耗較大時(shí)，信號(hào)變得相當(dāng)微弱，嚴(yán)重影響到信號(hào)接收的清晰度，導(dǎo)致電波傳輸?shù)姆€(wěn)定性和可靠性降低，極大影響應(yīng)答信號(hào)的正確解碼譯碼。如今二次雷達(dá)應(yīng)答信號(hào)的處理基本上使用的都是傳統(tǒng)的信號(hào)處理方法，使用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)去噪的方法少之又少。

發(fā)明內(nèi)容

本發(fā)明的目的是針對(duì)上述問題，提出是一種深度殘差分離卷積網(wǎng)絡(luò)的二次雷達(dá)信號(hào)去噪方法，主要是基于深度學(xué)習(xí)算法，構(gòu)造一種深度殘差分離卷積神經(jīng)網(wǎng)絡(luò)，通過深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，提取二次雷達(dá)信號(hào)的深層特征，有效抑制二次雷達(dá)信號(hào)中的噪聲。

本發(fā)明采用的技術(shù)方案是，基于深度殘差分離卷積網(wǎng)絡(luò)的二次雷達(dá)信號(hào)去噪方法，包括以下步驟：

S1、構(gòu)造訓(xùn)練數(shù)據(jù)集：

將解調(diào)后的加入高斯白噪聲的二次雷達(dá)應(yīng)答信號(hào)作為訓(xùn)練數(shù)據(jù)集，記作其中N代表信號(hào)樣本數(shù)，K代表信號(hào)時(shí)間步長，未加入噪聲的原始二次雷達(dá)應(yīng)答信號(hào)作為標(biāo)簽，記作按比例劃分為訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集；

將應(yīng)答信號(hào)訓(xùn)練樣本數(shù)據(jù)進(jìn)行隨機(jī)打亂，對(duì)樣本數(shù)據(jù)X和標(biāo)簽Y進(jìn)行維度擴(kuò)展，形成形式為(n，t，f)的3D張量，其中n表示樣本數(shù)目，t表示時(shí)間步長，f表示特征層數(shù)目；

對(duì)數(shù)據(jù)進(jìn)行歸一化，將數(shù)據(jù)的所有特征映射到同一尺度(0-1)之間，獲得訓(xùn)練集和驗(yàn)證集；歸一化公式：

S2、構(gòu)建深度殘差分離卷積神經(jīng)網(wǎng)絡(luò)，包括淺層特征提取部分、下采樣深層特征提取部分和上采樣特征融合部分；

所述淺層特征提取部分由兩個(gè)卷積網(wǎng)絡(luò)疊加組成；卷積神經(jīng)網(wǎng)絡(luò)在時(shí)間序列處理上可以很好地提取特征。卷積公式為：

y＝∑f(τ)g(x-τ)dτ

所述下采樣深層特征提取部分由殘差可分離單元(SERE-Unit)構(gòu)成，分為兩個(gè)部分，第一部分包括多個(gè)殘差可分離單元和池化層，池化層位于相鄰的殘差可分離單元之間，第一層殘差可分離單元的輸入為淺層特征提取部分的輸出；第二部分包括多個(gè)殘差可分離單元，第二部分的第一層殘差可分離單元的輸入為第一部分最后一層殘差可分離單元的輸出，且第二部分的殘差可分離單元與第一部分的殘差可分離單元相對(duì)應(yīng)進(jìn)行殘差連接，即第一部分的第x層殘差可分離單元與第二部分的第n-x+1層殘差可分離單元?dú)埐钸B接，n為第一部分和第二部分的殘差可分離單元數(shù)量；

殘差可分離單元由深度可分離卷積的殘差連接構(gòu)成。殘差連接是將上一層的輸出張量與下一層的輸出張量相加，從而將前面的表示重新注入下流數(shù)據(jù)流中，這有助于信息處理流程中的信息損失。深度可分離卷積對(duì)輸入的每個(gè)通道分別執(zhí)行空間卷積，然后通過逐點(diǎn)卷積(1*1卷積)將輸出通道混合。