一种基于海上多源雷达回波的蒸发波导深度学习联合反演方法技术

本发明专利技术公开了一种基于海上多源雷达回波的蒸发波导深度学习联合反演方法，包括如下步骤：步骤1，构建蒸发波导环境中的雷达海杂波功率和目标回波功率数据集：步骤2，构建基于多源雷达回波的EDH联合反演网络模型：步骤3，EDH联合反演网络模型性能评估。本发明专利技术所公开的方法，克服了小EDH反演误差较大的问题，建立一种从联合反演数据集出发的双流深度神经网络联合反演模型，提供了一种海上蒸发波导反演的新方法，有益于蒸发波导反演算法的创新设计和性能提升。能提升。能提升。

【技术实现步骤摘要】
一种基于海上多源雷达回波的蒸发波导深度学习联合反演方法


[0001]本专利技术属于对流层大气遥感领域，特别涉及该领域中的一种基于海上多源雷达回波的蒸发波导深度学习联合反演方法。

技术介绍

[0002]对流层波导环境中的大气折射率反演技术是雷达技术中不可或缺的方向，已经深入军事和民用领域。而对于大气折射率反演方法的高效准确建模是对流层波导环境中大气折射率反演技术能否取得良好效果的重要因素。因此，提出合适的反演模型并对大气折射率剖面参数进行准确、高效地反演成为保证雷达通讯设备性能的重要保障。
[0003]利用雷达海杂波进行海上低空对流层大气折射率剖面的反演(RFC)是一种海上对流层波导的遥感反演技术。RFC技术以岸基、舰载雷达正常工作过程中获得的海杂波数据为基础，采用有效的反演模型和算法对雷达探测范围内的低空大气折射率剖面参数进行反演，其中需要用到海杂波数据与大气折射率环境之间的紧密映射关系(海杂波受折射率环境影响)。蒸发波导是一种典型的海上对流层波导，但是当蒸发波导高度(EDH)较低时传统的RFC方法反演精度较低，无法准确获取电波传播环境信息，严重影响雷达系统的作战性能。

技术实现思路

[0004]本专利技术针对海杂波功率随EDH变化的敏感性低，并且远距离海杂波信号由于杂噪比(CNR)较小将会淹没在噪声中，从而导致仅使用雷达海杂波反演蒸发波导大气折射率剖面的传统方法存在小EDH反演误差较大的情况，首先构建一种基于雷达海杂波和海上目标回波的多源反演数据集，在此基础上，提出一种从联合反演数据集出发的双流深度神经网络联合反演模型，提供了一种海上蒸发波导反演的新方法，支撑了海洋对流层波导遥感技术应用。
[0005]本专利技术采用如下技术方案：
[0006]一种基于海上多源雷达回波的蒸发波导深度学习联合反演方法，其改进之处在于，包括如下步骤：
[0007]步骤1，构建蒸发波导环境中的雷达海杂波功率和目标回波功率数据集：
[0008]步骤1a，产生蒸发波导环境中修正折射率剖面参数样本：
[0009]蒸发波导的折射率剖面中仅有蒸发波导高度EDH一个参数，利用拉丁超立方抽样方法LHS对EDH参数进行抽样，构建EDH参数样本数据集；
[0010]步骤1b，基于EDH的修正折射率剖面建模：
[0011]根据步骤1a构建的EDH样本数据集，利用PJ模型构建蒸发波导修正折射率剖面如下：
[0012][0013]上式中，d表示EDH，z表示海表面上的测量高度，z0表示海洋的空气动力学表面粗糙度，M(0)表示海表面上的大气修正折射率；
[0014]步骤1c，基于抛物方程的超视距目标回波建模：
[0015]根据步骤1b构建的蒸发波导的修正折射率样本集，利用抛物方程PE方法对蒸发波导环境中电磁波的传播损耗进行建模，并且结合传播损耗使用雷达方程计算海上超视距目标的回波功率，表达式如下：
[0016][0017]上式中，P
t
表示雷达发射功率，G
t
和G
r
分别表示发射天线和接收天线的增益，λ表示电磁波波长，σ表示目标的雷达截面积RCS，L表示电磁波传播损耗；
[0018]通过改变天线高度，计算不同天线高度的目标回波功率，根据雷达方程得到不同天线高度目标回波功率的差值，表达式如下：
[0019]ΔP
s
＝P
h1
‑
P
h2
＝
‑
2(L
h1
‑
L
h2
)+(σ
h1
‑
σ
h2
)
[0020]上式中，h1表示初始天线高度；h2表示调节后天线高度；
[0021]步骤1d，基于抛物方程的雷达海杂波功率建模：
[0022]根据步骤1b构建的蒸发波导的修正折射率样本集，结合PE和雷达方程计算雷达海杂波功率，计算表达式如下：
[0023][0024]上式中，A
c
表示雷达分单元面积，σ0表示海面后向散射系数；
[0025]步骤2，构建基于多源雷达回波的EDH联合反演网络模型：
[0026]建立由雷达海杂波功率和超视距目标回波功率差值组成的联合反演数据集，作为预测网络模型的输入层信息；
[0027]模型的非线性映射过程采用双流全连接的深度神经网络DNN进行建模，模型训练时选择ReLu函数作为激活函数，Adam函数作为优化方法，均方误差MSE函数作为损失函数，表达式如下：
[0028][0029]上式中，表示输出的EDH反演值；d表示实际的EDH参考值；N表示训练数据集的数量；
[0030]以步骤1采样得到的EDH参数作为输出层；
[0031]步骤3，EDH联合反演网络模型性能评估：
[0032]引入均方根误差RMSE指标，RMSE计算公式如下：
[0033][0034]RMSE数值越小，说明反演得到的误差越小，该模型的反演精度越高。
[0035]本专利技术的有益效果是：
[0036]本专利技术所公开的方法，克服了小EDH反演误差较大的问题，建立一种从联合反演数据集出发的双流深度神经网络联合反演模型，提供了一种海上蒸发波导反演的新方法，有益于蒸发波导反演算法的创新设计和性能提升。
附图说明
[0037]图1是本专利技术方法的流程框图；
[0038]图2是基于PJ模型的蒸发波导修正折射率剖面建模实例图；
[0039]图3是不同波导高度的目标功率差值曲线图；
[0040]图4是基于海上多源雷达回波的联合反演网络模型架构图。
具体实施方式
[0041]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0042]海面目标的散射回波中除了包含探测目标的位置、运动速度、特征尺寸等，还可以提取到对流层波导环境状况的许多重要信息，并且接收到的目标回波强度要远强于海杂波。鉴于此，考虑海杂波、海面目标回波等多源雷达回波与蒸发波导的大气折射率剖面参数之间存在密切关联，通过深度学习方法构建两者之间的映射关系，可以建立基于海上多源雷达回波的蒸发波导深度学习的联合反演新方法。
[0043]本专利技术基于雷达海杂波和超视距目标信号的回波特性，从蒸发波导的高度参数分布范围出发，使用拉丁超立方(LHS)抽取一定数量的EDH参数样本，并且基于已知EDH分别对雷达海杂波和目标回波的功率进行建模，构建了蒸发波导环境中雷达海杂波和目标回波的联合数据集。在此基础上，利用深度神经网络，建立了联合数据集和已知EDH参数的隐层、非线性映射关系，构建了一种基于深度神经网络的蒸发波导双流联合反演模型，为EDH的精确反演提供了一种准确、可靠的技术手段。
[0044]实施例1，本实施例公开了一种基于海上多源雷达本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于海上多源雷达回波的蒸发波导深度学习联合反演方法，其特征在于，包括如下步骤：步骤1，构建蒸发波导环境中的雷达海杂波功率和目标回波功率数据集：步骤1a，产生蒸发波导环境中修正折射率剖面参数样本：蒸发波导的折射率剖面中仅有蒸发波导高度EDH一个参数，利用拉丁超立方抽样方法LHS对EDH参数进行抽样，构建EDH参数样本数据集；步骤1b，基于EDH的修正折射率剖面建模：根据步骤1a构建的EDH样本数据集，利用PJ模型构建蒸发波导修正折射率剖面如下：上式中，d表示EDH，z表示海表面上的测量高度，z0表示海洋的空气动力学表面粗糙度，M(0)表示海表面上的大气修正折射率；步骤1c，基于抛物方程的超视距目标回波建模：根据步骤1b构建的蒸发波导的修正折射率样本集，利用抛物方程PE方法对蒸发波导环境中电磁波的传播损耗进行建模，并且结合传播损耗使用雷达方程计算海上超视距目标的回波功率，表达式如下：上式中，P
t
表示雷达发射功率，G
t
和G
r
分别表示发射天线和接收天线的增益，λ表示电磁波波长，σ表示目标的雷达截面积RCS，L表示电磁波传播损耗；通过改变天线高度，计算不同天线高度的目标回波功率，根据雷达方程得到不同天线高度目标回波功率的差值，表达式如下：ΔP
s
＝P
h...

【专利技术属性】
技术研发人员：张金鹏，纪汉杰，张玉石，殷波，张浙东，黎鑫，郭相明，朱秀芹，万晋通，夏晓云，赵鹏，许心瑜，尹志盈，尹雅磊，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：