[發明專利]一種數據模型雙驅動下的海雜波建模與抑制方法

在審

• 申請號: 202111419764.0
• 申請日: 2021-11-26
• 公開（公告）號: CN114117912A
• 公開（公告）日: 2022-03-01
• 發明（設計）人: 陳鵬;許震;王宗新;曹振新
• 申請（專利權）人: 東南大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 秦秋星

1.一種數據模型雙驅動下的海雜波建模與抑制方法，其特征在于，包括以下步驟：

步驟一、搭建GAN網絡作為海雜波建模的驅動模型，采用高斯白噪聲數據、使用球不變隨機過程法SIRP法生成的滿足K分布的海雜波仿真數據和實測海雜波數據作為海雜波建模的驅動數據；

步驟二、進行GAN的生成器和判別器的模型訓練；

步驟三、搭建基于CNN的海雜波抑制模型，并使用GAN模型所生成的海雜波數據作為CNN的輸入數據集；

步驟四、進行CNN的模型訓練；

步驟五、進行模型性能的衡量，采用MSD檢驗來衡量GAN模型的海雜波建模仿真效果，通過對比使用CNN模型前后的雷達接收信號時頻譜，檢驗CNN模型的海雜波抑制效果。

2.根據權利要求1所述的一種數據模型雙驅動下的海雜波建模與抑制方法，其特征在于，步驟一中驅動模型GAN網絡的整體結構包括生成器G、判別器D，生成器G的輸入為Z，將Z輸入生成器G后，會生成不存在于真實世界的海雜波數據G(Z)，再經過判別器D進行海雜波數據真假性的判斷；通過不斷的網絡迭代訓練，使得生成器G和判別器D會各自更新其網絡參數，使得損失函數最小，最終會達到一個納什均衡的狀態，此時的GAN模型達到了最優狀態，生成器G所生成的海雜波數據最接近于真實的海雜波數據；驅動數據需要使用短時傅里葉變換STFT進行預處理，STFT的計算公式具體為：

其中，y(u)為初始信號，g(u)為窗函數，上標*為復共軛，t表示窗函數的中心位置，u表示時域時間，f表示頻率；STFT_y(t，f)是初始信號y(u)的STFT；通過計算公式，對上述三種驅動數據分別做STFT并得到各自的時頻譜數據集，將這三種驅動數據集作為海雜波建模的驅動數據。

3.根據權利要求1所述的一種數據模型雙驅動下的海雜波建模與抑制方法，其特征在于，步驟二中所述判別器包括卷積層和全連接層，其中還加入了防止過擬合的Dropout層，生成器包括全連接層和反卷積層；GAN模型的具體訓練方式分為如下兩個部分：

訓練1：單獨訓練判別器；

1)將500份滿足高斯分布的白噪聲樣本數據和500份滿足K分布的海雜波仿真樣本數據通過STFT得到時頻譜；

2)將上述1000份時頻譜圖像樣本混合，并按照8:2的比例分別構造為訓練集和測試集，將高斯白噪聲的圖像標簽設置為0，將海雜波仿真數據的圖像標簽設置為1；

3)將訓練集作為判別器的輸入R，輸入判別器進行判別器訓練，直到判別器收斂，再使用測試集作為判別器的輸入R，測試判別器的收斂效果；

訓練2：同時訓練生成器和判別器；

1)將500份實測海雜波數據通過STFT得到時頻譜；

2)將上述500份時頻譜圖像樣本構造成數據集，將圖像標簽設置為1；

3)將該數據集作為判別器的輸入R，將滿足高斯分布的隨機序列作為生成器的輸入Z；

4)按照先訓練1次判別器，再訓練1次生成器的順序，交替進行判別器和生成器的訓練迭代，訓練完成后，將生成器所生成的海雜波的時頻譜圖像與實測海雜波時頻譜圖像進行后續的對比仿真。

4.根據權利要求1所述的一種數據模型雙驅動下的海雜波建模與抑制方法，其特征在于，步驟三中所述CNN網絡包括數據輸入層、卷積層與反卷積層；輸入的數據集經過卷積層，進行了時頻譜中數據特征的提取，然后再經過反卷積層，進行時頻譜的特征重構。

5.根據權利要求1所述的一種數據模型雙驅動下的海雜波建模與抑制方法，其特征在于，步驟四中所述的進行CNN的模型訓練，CNN包括兩層卷積層和三層反卷積層，為了加速網絡的訓練，在卷積層和反卷積層之后都加入了批歸一化層；具體的訓練方式如下：

1)將GAN的生成器所生成的500份海雜波時頻譜圖像，與三種不同多普勒頻率的目標回波的時頻譜進行加和，得到三種不同多普勒頻率下的雷達接收信號的數據集，將每種數據集按照8:2的比例分別構造訓練集和測試集，標簽設置為每組數據集所對應的多普勒頻率的目標回波的時頻譜；

2)將訓練集輸入CNN中進行迭代訓練，訓練完成后，輸入測試集得到海雜波分量抑制后的雷達接收信號的時頻譜。

6.根據權利要求1所述的一種數據模型雙驅動下的海雜波建模與抑制方法，其特征在于，步驟五中所述MSD檢驗的公式定義為

其中，p_e(x_k)為實測海雜波數據的概率分布函數PDF，p_t(x_k)為算法所生成的海雜波模型的PDF，n表示所選取的數據序列的長度；MSD的值越小，表明兩種分布的相似度越大，算法模型的預測效果越好。