[發明專利]一種單波長機載測深雷達波形信號提取方法

有效

• 申請號: 202110034193.2
• 申請日: 2021-01-12
• 公開（公告）號: CN112859011B
• 公開（公告）日: 2022-06-07
• 發明（設計）人: 楊必勝;紀雪
• 申請（專利權）人: 武漢大學
• 主分類號: G01S7/292
• 分類號: G01S7/292;G01S7/35;G01S7/41;G01S7/48;G01S7/487
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 王琪

1.一種單波長機載測深雷達波形信號提取方法，其特征在于，具體包括以下步驟：

步驟一，構建卷積神經網絡進行波形分類，刪除水面波形和異常波形，對過飽和波形、陸地波形和水下波形的波形信號進行進一步處理；

步驟二，波形小波散射變換特征提取；

步驟二使用小波散射變換提取一維波形的特征，具體實現方式如下；

波形信號作為一維信號，其對應的0階散射系數S₀的計算公式(1)：

S₀f＝f*φ_J (1)

其中f為輸入信號，φ_J為低通濾波器，*表示卷積操作；原始信號通過低通濾波器平均丟失的高頻信息通過小波變換|f*ψ_j1|進行恢復，，ψ_j為小波濾波器，1表示計算的對應為第一層，同理，為了得到|f*ψ_j1|平移不變的部分，對其在尺度2^J上進行低通濾波平均得到第一階散射系數S₁，即：

S₁f＝|f*ψ_j1|*φ_J (2)

該操作保證輸出的結果在空間尺度2^J內具有平移不變性，但同時損失了信號的高頻特征；為了避免高頻細節信息的丟失，采用小波變換恢復信號的高頻信息，將母小波ψ在尺度1≤2^j≤2^J縮放，依次迭代得到第2階和第3階散射變換為：

S₂＝||f*ψλ₁|*ψλ₂|*φ_J (3)

S₃＝|||f*ψλ₁|*ψλ₂|*ψλ₃|*φ_J (4)

λ表示路徑，下標中的數字表示路徑長度，將計算得到的散射變換矩陣組合到一起并進行降采樣，矩陣列的長度與波形長度保持一致；

步驟三，波形分割，利用滑動窗口L對波形進行分割，將分割后的波形片段和對應的小波散射變換特征作為特征矩陣，用于后續的分類；

步驟四，構建波形片段分類模型，選取不同類型的已有波形片段對波形片段分類模型進行訓練，然后利用訓練好的波形片段分類模型對待檢測波形片段進行分類，獲得目標波形；

步驟四的具體實現方式如下；

波形片段分類模型SAPSO-ELM構建，極限學習機ELM的結構與單隱層神經網絡相類似，包括輸入層、隱含層和輸出層，對于某一標準極限學習機網絡模型，假設有N組任意的訓練樣本(X，Y)，其中X＝[x₁，x₂，…，x_N]為訓練樣本中的輸入，x_i＝[x_1i，x_2i，…，x_Di]^T，i＝1，…，N，D表示特征矩陣維度，Y＝[y₁，y₂，…，y_N]為訓練樣本中輸入所對應的輸出標簽，y_i＝[y_1i，y_2i，…，Y_Mi]^T，i＝1，…，N，M表示輸出矩陣維度，網絡的輸出函數有以下定義：

式中，s＝1，…，M，ω_p，b_p∈(-1，1)，i＝1，…，N；β_ps為第s個輸出層神經元與第p個隱含層神經元的連接權值；g(x)為激勵函數；ω為輸入權值矩陣，ω_p＝[ω_p1，ω_p2，…，ω_pD]；b_p是第p個隱含層節點的閾值；L為單隱層節點數，L≤N；

ELM算法的目標是使得模型的輸出與實際理論上所對應的輸出之間的差最小，即：

N為樣本個數，用矩陣式表達：

Hβ＝Y (8)

為了提高運算速率，用最小二乘法直接確定ELM隱含層的輸出權重為

式中，H^*＝(H^TH)^-1H^T為隱含層輸出矩陣H的Moore-Penrose廣義逆；

ELM輸入權值矩陣和隱層閾值由隨機算法給出，但是這種網絡結構不穩定，且通常需要較多的隱含層神經元數目才能達到理想的預測精度，因此利用SAPSO算法對ELM參數，即輸入權值矩陣ω與隱含層閾值b進行優化處理，避免算法在搜索過程中陷入局部最優，提高了算法的搜索精度；

步驟五，提取目標波形片段的峰值。