[發明專利]一種基于SMRA和BiGRU的雷達HRRP海雜波分類方法

在審

• 申請號: 202110980014.4
• 申請日: 2021-08-25
• 公開（公告）號: CN113721215A
• 公開（公告）日: 2021-11-30
• 發明（設計）人: 熊剛;陳迪;郁文賢
• 申請（專利權）人: 上海交通大學
• 主分類號: G01S7/41
• 分類號: G01S7/41
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 黃超宇;胡晶

1.一種基于SMRA和BiGRU的雷達HRRP海雜波分類方法，其特征在于，包括以下步驟：

步驟S100：對雷達海雜波HRRP信號進行預處理，包括切割、取模、對齊；

步驟S200：對預處理后HRRP，采用奇異性指數域多分辨分析SMRA方法提取海雜波的多維特征，具體包括：

(i)估計HRRP序列的PWVD時頻特征譜；

(ii)對PWVD時頻譜,在頻率方向估計瞬時奇異性指數ISE，得到原信號的時間-奇異性指數分布圖；

(iii)在奇異性指數維，估計每個時刻的奇異性功率譜；

(iv)遍歷所有的時刻點，得到原HRRP信號的SMRA多維特征譜；

步驟S300：采用BiGRU深度網絡模型對基于SMRA分析的HRRP雷達海雜波進行分類。

2.根據權利要求1所述的一種基于SMRA和BiGRU的雷達HRRP海雜波分類方法，其特征在于，步驟S100中，對雷達海雜波HRRP的預處理包括：針對不同等級海況條件下獲得的純海面HRRP數據序列，對其作切割、采樣、取模、中心對齊操作。

3.根據權利要求2所述的一種基于SMRA和BiGRU的雷達HRRP海雜波分類方法，其特征在于，切割長HRRP序列時，每段序列需保留若干個明顯波峰波谷；需對切割后的信號取模以消除虛部，并根據需求作零中心歸一化或0-1間歸一化。

4.根據權利要求1所述的一種基于SMRA和BiGRU的雷達HRRP海雜波分類方法，其特征在于，步驟S200中，采用奇異性指數域多分辨分析SMRA方法提取HRRP海雜波的多維特征，具體包括：

(1)使用PWVD提取HRRP信號時頻特征；假定I(x)為HRRP序列，其PWVD可表示為：

其中，h(m)為窗函數，m為時間序列延遲量，f_x為離散頻率變量，*為共軛算子；

(2)估計HRRP的PWVD的奇異性指數α(x,f_x)：

其中，μ_i為對PWVD局部點在i鄰域內采取的測度計算，ε_i為對不同的鄰域尺寸；

(3)對于W(x,f_x)和α(x,f_x)，可通過計算時變的奇異指數域功率譜來跟蹤信號隨時間變化的SPS功率分布，對于給定時刻x，W(x,f_x)的SPS估計為：

其中，為奇異性子集的勢，為W(x,f_x)中具有相同的奇異性指數的點組成的子集。為獲得統一離散奇異性指數分散布范圍和分辨率，對奇異性指數α(x,f_x)進行劃分,假定α(x,f_x)∈[α_min,α_max],則按給定的奇異性指數分辨率，采用均勻區間劃分可得：

α(m)＝[α_min＝α₀,α₁,...,α_M-2,α_M-1＝α_max]

對于α(m),假定α(m)≤α_n(k)＜α(m+1),定義離散的奇異性子集為：

(4)遍歷所有時刻x，可得奇異性指數多分辨分析譜P(x,α_m)。

5.根據權利要求4所述的一種基于SMRA和BiGRU的雷達HRRP海雜波分類方法，其特征在于，對PWVD局部點在i鄰域內采取的測度計算采用最大測度、均值測度或求和測度。

6.根據權利要求1所述的一種基于SMRA和BiGRU的雷達HRRP海雜波分類方法，其特征在于，步驟S300中使用深度學習BiGRU模型，在BiGRU之前使用全連接層來實現對SMRA多維特征自適應優化組合，在BiGRU之后使用全連接層實現HRRP分類。

7.根據權利要求6所述的一種基于SMRA和BiGRU的雷達HRRP海雜波分類方法，其特征在于，所述BiGRU模型的結構依次為：輸入層、全連接層1、雙層BiGRU、全連接層2和輸出層；其中，需設置的關鍵訓練參數包括Batchsize、隱層節點、最大迭代次數、學習率、Adam優化器參數beta1和beta2；對于給定的HRRP雷達海雜波數據，模型參數需要在小范圍內自適應調參，以達到最佳分類效果。