[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

本發明公開了一種數據模型雙驅動下的海雜波建模與抑制方法，屬于雷達與信號處理技術和人工智能技術領域。包括以下步驟：搭建生成對抗網絡GAN作為海雜波建模算法的驅動模型，同時采用高斯白噪聲數據與海雜波數據作為海雜波建模算法的驅動數據；進行GAN中的生成器和判別器的模型訓練；搭建基于卷積神經網絡CNN的海雜波抑制模型，并使用GAN模型所生成的數據作為CNN的輸入數據集，進行CNN的模型訓練；進行模型性能的衡量，采用均方差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。本發明提供的方法，能更有效的進行海雜波的仿真建模，并可以對雷達接收信號中的海雜波分量進行抑制。

技術領域

本發明屬于雷達與信號處理技術和人工智能技術領域，尤其涉及一種數據模型雙驅動下的海雜波建模與抑制方法。

背景技術

海洋雷達所面臨的工作環境復雜多變，在其接收的雷達回波信號中，除了需要的目標回波信號之外，還包含了噪聲與海雜波分量。由于海雜波有較高的功率水平，所以海雜波分量成為影響海洋雷達工作性能的主要因素之一。海雜波具有非高斯和非平穩特性，因此進行海雜波的建模仿真，是進一步研究雷達接收信號中海雜波分量抑制的重要基礎。

目前，關于海雜波的研究和分析主要有基于統計分布和物理特性兩種分析思路。基于統計分布的方法主要以模型為主，例如對數正態分布、Weibull分布和K分布等。由于K分布模型可以同時考慮海雜波的幅度分布特征和脈沖間相關性能，能夠比其他模型更準確地反映海雜波的統計特性。Conte、Marier分別利用球不變隨機過程SIRP和零記憶非線性變換法ZMNL對海雜波進行仿真，上述兩種方法是目前使用較廣泛的海雜波仿真方法。Ritchie通過計算海雜波累積振幅分布得到虛警概率，以此評估海雜波的統計量；Watts利用多普勒譜記錄的測量結果，分析平均功率譜密度、多普勒譜極值振幅等主要特征，提出一種基于復合K分布的海雜波振幅統計模型，并通過大量海雜波測試數據進行驗證；Weinberg利用相互獨立的高斯矢量加權乘積和構造同相正交分量，提出計算更簡單的KK分布海雜波模型。基于物理性質的方法，通常從海雜波的混沌或分形特性方面進行分析。Haykin等研究分析了實測海雜波的嵌入維數和Lyapunov指數，提出基于混沌相空間重構和反向傳播BP神經網絡相結合的小目標檢測算法；隨后，Leung利用基于相關維數與記憶庫的非線性預測方法進行了目標信號檢測；崔萬照等通過支持向量機SVM預測混沌時間序列，實現了目標檢測并得到廣泛推廣。Unswoorth等發現海雜波并非嚴格具備混沌特性；Hu等利用分數布朗運動驗證海雜波具備分形特性，并利用Hurst指數進行海上目標檢測，得到大多學者的認可，成為后續研究熱點。國內，行鴻彥等利用海雜波的混沌、分形特征，分別提出基于SVM和基于衰減波動分析的多重分形目標檢測算法，并不斷加以改進完善；李正周等采用徑向基函數神經網絡和空間與時間混沌重構進行小弱目標檢測；劉寧波等在頻域分形特性和組合特征上進行了大量分析和研究。上述文獻單獨從統計分布和物理特性兩個角度分析研究海雜波，均有較大的參考價值。但基于統計分布的海雜波建模并未考慮海雜波物理特性，難以揭示其內在動態特性；基于物理特性的方法，利用存在小目標的海雜波與純海雜波分形參數的差異性，實現海雜波背景下的小目標檢測，但未能建立不同海況下的海雜波模型，不便進行仿真評估。

數據模型雙驅動的建模方法，一般用于處理對象機理尚不清楚或者較為復雜的情況，可以使用線性回歸方法、SVM方法以及神經網絡方法等。隨著生成對抗網絡的提出，越來越多的生成式任務開始采用GAN展開。目前實測海雜波數據的大量積累，為使用GAN進行海雜波的建模提供了可靠的驅動數據基礎。

發明內容

針對現有的方法無法充分表征海雜波特性，從而嚴重影響海雜波仿真建模效果的問題，本發明提供了一種數據模型雙驅動下的海雜波建模與抑制方法，旨在解決充分利用海雜波理論數據的統計分布特性和海雜波實測數據的物理特性進行海雜波的建模仿真，并生成了大量具有可拓展性的海雜波數據集。

為解決上述問題，本發明采用如下的技術方案。