本发明专利技术提供了一种智能海杂波抑制方法，首先，对实测海杂波的功率谱中心和谱宽进行标注，并建立神经网络，将待分析的实测海杂波数据输入至网络，得到功率谱中心和谱宽，将海杂波的功率谱中心和谱宽代入杂波的功率谱，进而计算得到杂波的自相关矩阵，将杂波的自相关矩阵进行特征值分解，排列后得到最小特征值对应的特征向量，以特征向量作为系数设计滤波器，将杂波序列通过该滤波器即可实现对杂波的有效抑制。本发明专利技术使滤波器凹口与海杂波功率谱中心相适应，实现了对海杂波的有效抑制，使用神经网络对海杂波的功率谱中心和谱宽进行准确估计。该估计方法较传统方法而言，有更高的准确性和泛化能力，无需人工参与。无需人工参与。无需人工参与。
【技术实现步骤摘要】
一种智能海杂波抑制方法
[0001]本专利技术涉及雷达
，具体为一种海杂波抑制方法，可用于岸基警戒雷达或对海搜索雷达，通过分析海杂波的功率谱中心和谱宽，结合深度学习的智能化方法实现海杂波的有效抑制。
技术介绍
[0002]海杂波是雷达发射脉冲照射海面的后向散射回波。由于海杂波功率强且起伏较大，它的存在严重影响海面目标检测与识别性能，海面低速运动的弱小目标很容易淹没在强的海杂波背景中。长期以来，针对海杂波的抑制技术已进行了大量的研究工作，经典的海杂波的抑制方法有，如动目标指示(MTI,Moving target indication)、动目标检测(MTD,Moving Target Detection)、空时自适应处理(STAP,Space Time Adaptive Processing)等。对于静态杂波，可以使用传统的MTI滤波器即时延对消器进行滤波，而对于运动杂波，则需要使用相对复杂的自适应杂波抑制器。由于海杂波是运动的，所以它的多普勒频率不会为零。如果在零频率处形成一个滤波器陷波器来抑制杂波，则无法达到预期的效果。为了抑制这种速度不为零的杂波，需要根据杂波环境自适应调整滤波器的陷波位置。在实际应用中，自适应杂波滤波器首先估计杂波功率谱的中心和宽度，然后根据杂波的多普勒频移来移动功率谱的中心。
[0003]特征矢量法是将MTI滤波器的权系数预先存储在一个库中，然后根据功率谱的中心和宽度选择合适的滤波器权系数。然而人工估计的功率谱中心和宽度总是存在一定的误差，环境适应性较差。相比上述方法，神经网络具有回归准确、鲁棒性强、无需人工参与等优点，因此在复杂多变的海杂波环境下，其预测的结果更加准确，杂波抑制性能得到明显提升。
技术实现思路
[0004]为了克服现有技术的不足，本专利技术提供一种智能海杂波抑制方法。本专利技术设计了一种鲁棒性强、预测结果准、抑制效果好的智能海杂波抑制方法。本专利技术能够在较少的数据集训练下快速自适应地估计出海杂波的功率谱中心和谱宽，降低人工参与度。
[0005]实现本专利技术的基本思路是：首先，对实测海杂波的功率谱中心f0和谱宽σ
f
进行标注，并建立神经网络，将待分析的实测海杂波数据输入至网络，得到功率谱中心f0和谱宽σ
f
。之后，将海杂波的功率谱中心f0和谱宽σ
f
代入杂波的功率谱，进而计算得到杂波的自相关矩阵。最后，将杂波的自相关矩阵进行特征值分解，排列后得到最小特征值对应的特征向量。以特征向量作为系数设计滤波器，将杂波序列通过该滤波器即可实现对杂波的有效抑制。
[0006]本专利技术解决其技术问题所采用的技术方案包括如下步骤：
[0007](1)数据预处理与标注；
[0008]海杂波回波数据为X＝{x
k
,k＝1,2,3...N}，其中，x
k
表示海杂波时域回波序列，N为海杂波时域回波序列的长度，海杂波回波数据X的功率谱中心为f0，功率谱宽度为σ
f
；采用周
期图法计算得到海杂波回波数据X的功率谱为C(f)，将海杂波功率谱C(f)与已预设的海杂波功率谱中心f0和谱宽σ
f
建立对应关系，将对应关系用文件记录，即完成对海杂波回波数据X的标注；
[0009]然后将标注好的数据集划分为训练集与测试集；
[0010](2)神经网络搭建；
[0011]搭建的神经网络结构为三层，通过设置衰减学习率加快网络收敛的速度，当网络模型预测谱中心和谱宽的准确率达到阈值P时，即认为网络收敛，得到训练好的神经网络；
[0012](3)计算功率谱中心和谱宽的估计值；
[0013]将测试集数据输入步骤(2)中训练好的神经网络，完成海杂波功率谱中心和谱宽的估计，将功率谱中心的估计值记为功率谱谱宽的估计值记为
[0014](4)权值计算；
[0015](4.1)计算自相关矩阵；
[0016]杂波功率谱符合高斯分布，功率谱表达式为：
[0017][0018]其中f表示频率，f0表示杂波功率谱的中心，σ
f
表示杂波功率谱的谱宽，将功率谱中心的估计值和功率谱谱宽的估计值代入杂波功率谱C(f)；
[0019]对功率谱函数求傅里叶逆变换，得到杂波的自相关函数r
c
(i,j)为：
[0020][0021]其中，t
i
和t
j
代表不同的时刻，τ
ij
为t
i
和t
j
的时间差值，为功率谱谱宽的估计值，为功率谱中心的估计值；
[0022]计算得杂波的自相关矩阵为：
[0023][0024](4.2)特征值分解；
[0025]对杂波的自相关矩阵进行特征值分解：
[0026]R
c
W
i
＝λ
i
W
i
[0027]对杂波自相关矩阵R
c
的特征值根据大小进行排序：
[0028]λ1＜λ2＜λ3＜
…
＜λ
N
[0029]取最小特征值λ1所对应的特征向量W1作为MTI滤波器的权系数矢量，即将特征向量W1中的每个元素作为FIR滤波器的抽头系数，记W1中的元素为w1,w2,w3,w4,...,w
n
，n为特征向量W1的长度，将海杂波序列通过该权系数W1形成的FIR滤波器，即可实现海杂波的抑制。
[0030]所述训练集与测试集的数据量的比例为1:1。
[0031]所述步骤2中，采用批标准化BN控制过拟合，通过调整训练的轮次数epoch调整网络处理数据的速度和精度；如果每训练三轮，网络的准确率没有提升，说明网络的精度需要增加，此时将学习率在原学习率基础上减半，如果连续3轮训练集的准确率没有提升，说明网络模型已经趋于收敛，训练的轮次数可以提前中止；最终，当网络模型预测谱中心和谱宽的准确率达到阈值P时，即得到最终的网络模型。
[0032]所述初始学习率取0.01。
[0033]所述准确率的阈值P为97％。
[0034]本专利技术的有益效果在于：
[0035]1.本专利技术利用海杂波功率谱中心不为零和谱宽通常有所不同的特点，应用特征矢量法设计了自适应MTI滤波器，使滤波器凹口与海杂波功率谱中心相适应，实现了对海杂波的有效抑制。
[0036]2.本专利技术使用神经网络对海杂波的功率谱中心和谱宽进行准确估计。该估计方法较传统方法而言，有更高的准确性和泛化能力，无需人工参与。
附图说明
[0037]图1是本专利技术的算法实现流程图。
[0038]图2是本专利技术方法采用的神经网络模型。
[0039]图3是某实测海杂波序列的功率谱。
[0040]图4是根据传统方法设计的滤波器和根据神经网络设计的滤波器。
[0041]图5是使用设计的滤波器对杂波进行抑制。
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种智能海杂波抑制方法，其特征在于包括下述步骤：(1)数据预处理与标注；海杂波回波数据为X＝{x
k
,k＝1,2,3...N}，其中，x
k
表示海杂波时域回波序列，N为海杂波时域回波序列的长度，海杂波回波数据X的功率谱中心为f0，功率谱宽度为σ
f
；采用周期图法计算得到海杂波回波数据X的功率谱为C(f)，将海杂波功率谱C(f)与已预设的海杂波功率谱中心f0和谱宽σ
f
建立对应关系，将对应关系用文件记录，即完成对海杂波回波数据X的标注；然后将标注好的数据集划分为训练集与测试集；(2)神经网络搭建；搭建的神经网络结构为三层，通过设置衰减学习率加快网络收敛的速度，当网络模型预测谱中心和谱宽的准确率达到阈值P时，即认为网络收敛，得到训练好的神经网络；(3)计算功率谱中心和谱宽的估计值；将测试集数据输入步骤(2)中训练好的神经网络，完成海杂波功率谱中心和谱宽的估计，将功率谱中心的估计值记为功率谱谱宽的估计值记为(4)权值计算；(4.1)计算自相关矩阵；杂波功率谱符合高斯分布，功率谱表达式为：其中f表示频率，f0表示杂波功率谱的中心，σ
f
表示杂波功率谱的谱宽，将功率谱中心的估计值和功率谱谱宽的估计值代入杂波功率谱C(f)；对功率谱函数求傅里叶逆变换，得到杂波的自相关函数r
c
(i,j)为：其中，t
i
和t
j
代表不同的时刻，τ
ij
为t
i
和t
j
【专利技术属性】
技术研发人员：范一飞，李晨祥，粟嘉，王伶，陶明亮，李滔，张兆林，谢坚，宫延云，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。