一种基于二次有理核函数的卷积神经网络时延估计方法技术

本发明专利技术公开了一种基于二次有理核函数的卷积神经网络时延估计方法，包括以下步骤：S1，采集雷达观测信号以及多径回波信号之间的时延值；S2，采用二次有理核函数对所述时延值进行变换；S3，对所述雷达观测信号进行预处理；S4，构建卷积神经网络，将预处理后的雷达观测信号输入神经网络进行非线性变换，得到输入信号的时域变换表示；S5，将所述时域变换表示输入神经网络提取时域时延特征；并进行层间关系压缩变换，得到输入信号的时域时延特征值；S6，利用最小化方差迭代算法，对时延特征值与真实时延值的二次有理核函数表示进行拟合，并进行多次训练，得到时延估计网络；S7，将测试样本输入所述时延估计网络，采用寻峰函数得到时延估计值。计值。计值。

【技术实现步骤摘要】
一种基于二次有理核函数的卷积神经网络时延估计方法


[0001]本专利技术属于反射探测信号处理方法，具体涉及一种基于二次有理核函数的卷积神经网络时延估计方法。

技术介绍

[0002]目前，扫频信号在反射探测领域中得到广泛应用，如可控震源、雷达、声纳及超声无损探伤等。它被用作源信号向被探测媒质中发射，然后在媒质中传播，遇到不同的目标后形成反射回波，然后被检波器接收，在接收信号中含有时延不同的多个扫频信号回波。在反射探测的信号处理中，为了估计各个目标的距离，需要对各个回波进行检测并估计其时间延迟。
[0003]在雷达、声纳探测等的应用场景中，雷达通常通过计算目标反射回来的信号的时间来得到与探测目标的距离，而在现实的传输中，反射回来的信号是多角度的，部分信号会经多次不同的反射传回到接收机与目标反射回来的信号相混叠导致多径效应，而这种多径效应会影响我们对于目标的距离估计，此外在一些应用场景例如去混响等，不同多径时延是有效的判断信息，因此，对于密集多径信号的时延估计具有十分重要的意义。
[0004]由于工程探测很多时候是在如矿山，公路，大坝和厂区之类的强噪声环境下进行的，其接收信号中常常含有大量的噪声信号，因而如何把回波从强噪声中检测出来是探测信号处理中的一个难题。另外，源信号在发射，传播和接收过程中都会发生一定的畸变，因此接收信号中的回波波形与源信号会有一定的差别，因此要求回波检测方法对此具有一定的适应性。除此之外，扫频信号在传播过程中能量会受到不断衰减，因此从远处传回的回波幅值很小，因此要求检测算法能把微弱的回波信号检测出来以发现远距离的目标。
[0005]公开号为CN100485413的中国专利公开了一种反射探测中的扫频信号的时频互相关检测和时延估计方法，它包括以下步骤：首先将扫频源信号进行小波变换，得到它的时频表示；将接收信号进行小波变换，得到它的时频表示；然后将它们的时频表示进行时频互相关，对接收信号中的回波进行检测和时延估计，得到检测脉冲，并根据各个检测脉冲的位置而计算其相应目标的距离。本专利技术有很强的压制噪声能力，对回波的波形畸变适应能力强，能检测出能量微弱的回波。本专利技术特别适用于环境噪声大、传播距离远且能量衰减严重的回波检测中，具有极大的实用价值。该专利虽然解决了环境噪声对雷达回波信号的干扰，但是对于多角度多径回波信号相混叠导致的多径效应没有很好的解决。

技术实现思路

[0006]本专利技术的目的是针对现有技术存在的问题，提供一种基于二次有理核函数的卷积神经网络时延估计方法。
[0007]为实现上述目的，本专利技术采用的技术方案是：
[0008]一种基于二次有理核函数的卷积神经网络时延估计方法，包括以下步骤：
[0009]S1，采集样本数据，所述样本数据包括雷达观测信号以及多径回波信号之间的时
延值；
[0010]S2，采用二次有理核函数对所述时延值进行变换，得到时延值的二次有理核表示；
[0011]S3，对所述雷达观测信号进行预处理，分离雷达观测信号为实部与虚部两层，将雷达观测信号由单通道信号转化为双通道信号，并将转化后的双通道信号进行归一化处理；
[0012]S4，构建卷积神经网络，将预处理后的雷达观测信号输入卷积神经网络的全连接层，对预处理信号进行非线性变换，得到输入信号的时域变换表示；
[0013]S5，将所述时域变换表示输入神经网络的残差卷积块网络，提取时域时延特征；并进行层间关系压缩变换，得到时延特征提取网络，用于提取输入信号的时延特征；
[0014]S6，利用最小化方差迭代算法，通过对时延特征值与真实时延值的二次有理核函数表示进行拟合，并进行多次训练，得到时延估计网络；
[0015]S7，将测试样本输入所述时延估计网络，采用寻峰函数，从输出向量中提取离散极大峰值作为时延估计值(离散极大峰值对应时延网格值)；所述测试样本包括预处理后的雷达观测信号。
[0016]具体地，步骤S1中，所述雷达观测信号表示如下：
[0017][0018]其中，r(nT
sp
)是观测信号，D是雷达发射信号的多径数目，λ
i
是第i路信号的振幅向量，s(nT
sp
)是输入信号，t
i
是第i路信号的时延值，ω(nT
sp
)是采样高斯白噪声，T
sp
是采样周期；n是采样序列号，k
r
是采样数目。
[0019]具体地，步骤S2中，所述二次有理核函数为：
[0020][0021]其中，c为二次有理核函数的核宽控制参数；x表示有理核函数的自变量；
[0022]将所述时延值的二次有理核函数叠加得到时延值的有理核表示：
[0023][0024]其中，RT
d
(k)是多径时延值变换后的向量，在该向量中，真实时延附近存在类似二次型分布，其他值非常逼近于0；H(x)是二次有理核函数；M是时延值个数；k表示变换后的有理核表示所划分的网格坐标；t
i
是第i路信号的时延值。
[0025]具体地，步骤S2中，采用二次有理核函数对所述时延值进行变换时，根据雷达观测信号的信噪比调整二次有理核宽，不同信噪比对应不同的二次有理核宽：
[0026][0027]其中，μ为核宽加性调整参数，c0为信噪比0时的二次有理核宽，z为信噪比。
[0028]具体地，步骤S3中，对所述雷达观测信号进行预处理包括：将采集的时延值信号由单通道信号转化为双通道信号：
[0029][0030]其中，x为多径回波信号序列；C1和C2表示由雷达观测信号的实部和虚部构成的双通道；Re表示取雷达观测信号的实部，Im表示取雷达观测信号的虚部；n表示二次有理核表示后的时延网格数；
[0031]将所述双通道信号进行归一化处理：
[0032][0033]其中，Lorm表示取对应当前通道的序列的L2范数；N表示二次有理核表示后的时延网格数；k表示变换后的二次有理核表示所划分的网格坐标。
[0034]具体地，步骤S4包括以下步骤：
[0035]将预处理后的雷达观测信号输入卷积神经网络的全连接层进行信号变换，得到输入信号的变换域表示：
[0036][0037]其中，w
i
表示全连接层对每个输入值所添加的权重。
[0038]具体地，步骤S5包括以下步骤：
[0039]将预处理信号输入神经网络的残差卷积块网络进行卷积操作，用于提取变换域信号的时延特征，所述残差卷积块网络中包含多个残差卷积块；其中，
[0040]卷积操作为：
[0041][0042]其中，f
m
表示向量中第m个位置的值，x表示输入向量，ω表示卷积核权重，k表示卷积核宽度；
[0043]残差模块为：
[0044]x
l+1
＝x
l
+f(x
l
,w
l
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于二次有理核函数的卷积神经网络时延估计方法，其特征在于，包括以下步骤：S1，采集样本数据，所述样本数据包括雷达观测信号以及多径回波信号之间的时延值；S2，采用二次有理核函数对所述时延值进行变换，得到时延值的二次有理核表示；S3，对所述雷达观测信号进行预处理，分离雷达观测信号为实部与虚部两层，将雷达观测信号由单通道信号转化为双通道信号，并将转化后的双通道信号进行归一化处理；S4，构建卷积神经网络，将预处理后的雷达观测信号输入卷积神经网络的全连接层，对预处理信号进行非线性变换，得到输入信号的时域变换表示；S5，将所述时域变换表示输入神经网络的残差卷积块网络，提取时域时延特征；并进行层间关系压缩变换，得到时延特征提取网络，用于提取输入信号的时延特征；S6，利用最小化方差迭代算法，通过对时延特征值与真实时延值的二次有理核函数表示进行拟合，并进行多次训练，得到时延估计网络；S7，将测试样本输入所述时延估计网络，采用寻峰函数，从输出向量中提取离散极大峰值作为时延估计值；所述测试样本包括预处理后的雷达观测信号。2.根据权利要求1所述的一种基于二次有理核函数的卷积神经网络时延估计方法，其特征在于，步骤S1中，所述雷达观测信号表示如下：其中，r(nT
sp
)是观测信号，D是雷达发射信号的多径数目，λ
i
是第i路信号的振幅向量，s(nT
sp
)是输入信号，t
i
是第i路信号的时延值，ω(nT
sp
)是采样高斯白噪声，T
sp
是采样周期；n是采样序列号，k
r
是采样数目。3.根据权利要求1所述的一种基于二次有理核函数的卷积神经网络时延估计方法，其特征在于，步骤S2中，所述二次有理核函数为：其中，c为二次有理核函数的核宽控制参数；x表示有理核函数的自变量；将所述时延值的二次有理核函数叠加得到时延值的有理核表示：其中，RT
d
(k)是多径时延值变换后的向量，在该向量中，真实时延附近存在类似二次型分布，其他值非常逼近于0；H(x)是二次有理核函数；M是时延值个数；k表示变换后的有理核表示所划分的网格坐标；t
i
是第i路信号的时延值。4.根据权利要求3所述的一种基于二次有理核函数的卷积神经网络时延估计方法，其特征在于，步骤S2中，采用二次有理核函数对所述时延值进行变换时，根据雷达观测信号的信噪比调整二次有理核宽，不同信噪比对应不同的二次有理核宽：其中，μ为核宽加性调整参数，c0为信噪比0时的二次有理核宽，z为信噪比。
5.根据权利要求1所述的一种基于二次有理核函数的卷积神经网络时延估计方法，其特征在于，步骤S3中，对所述雷达观测信号进行预处理包括：将采集的时延值信号由单通道信号转化为双通道信号：其中，x为多径回波信号序列；C1和C2表示由雷达观测信号的实部和虚部构成的双通道；Re表示取雷达观测信号的实部，Im表示取雷达观测信号的虚部；n表示二次有理核表示后的时延网格数；将所述双通道信号进行归一化处理：其中，Lorm表示取对应当前通道的序列的L2范数；N表示二次有理核表示后的时延网格数；k表示变换后的二次有理核表示所划分的网格坐标。6.根据权利要求1所述的一种基于二次有理核函数的卷积神经网络时延估计方法，其特征在于，步骤S4包括以下步骤：将预处理后的雷达观测信号输入卷积神经网络的全连接层进行信号变换，得到输入信号的变换域表示：其中，w
i
表示全连接层对每个输入值所添加的权重。7.根据权利要求6所述的一种基于二次有理核函数的卷积神经网络时延估计方法，其特征在于，步骤S5包括以下步骤：将预处理信号输入神经网络的残差卷积块网络进行卷积操作，用于提取变换域信号的时延特征，所述残差卷积块网络中包含多个残差卷积块；其中，卷积操作为：其中，f
m
表示向量中第m个位置的值，x表示输入向量，ω表示卷积核权重，k表示卷积核宽度；残差模块为：x
l+1
＝x
l
+f(x
l
，w
l
)其中，...

【专利技术属性】
技术研发人员：魏爽，潘恒，刘睿，李文瑶，陆吉玉，李嘉新，
申请(专利权)人：上海师范大学，
类型：发明
国别省市：