【技术实现步骤摘要】
本专利技术涉及探鸟雷达数据处理，具体为一种针对小目标优化的探鸟雷达数据处理系统及其方法。
技术介绍
1、传统探鸟雷达数据处理系统在处理小目标信号时经常会面临因信杂波较大造成的信号提取困难。由于小目标如鸟类的回波信号相对较弱，传统系统在处理这些信号时，通常采用固定的滤波参数和权重，这导致滤波器在不同信号条件下表现不稳定。如果滤波器的步长设置过大会引起震荡，导致输出不稳定，而如果设置过小则会导致处理速度过慢和收敛困难。
2、此外，传统处理方法对初始参数的依赖性较强，难以应对雷达信号的多变特性，导致滤波结果与期望数据的误差较大，影响了信号提取的精度和稳定性。在图神经网络处理方面，传统系统往往未能充分利用各个雷达特征向量之间的关系，仅靠单一节点的信息进行处理，忽略了相邻节点对目标节点特征的贡献，导致最终生成的特征向量缺乏足够的准确性和代表性。
3、综上所述，传统探鸟雷达数据处理系统在应对小目标信号时存在步长固定影响收敛速度、滤波不稳定、特征提取精度低以及对邻节点贡献估算不足等问题，亟需更加自适应和有效的优化方法来提升整体系统性能。
技术实现思路
1、本专利技术的目的在于一种针对小目标优化的探鸟雷达数据处理系统及其方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术目的之一在于，一种针对小目标优化的探鸟雷达数据处理系统，包括数据采集模块、自适应滤波模块和图神经网络处理模块，其中：
3、所述数据采集模块获取探鸟雷达期望数据和个雷
4、所述自适应滤波模块设置初始步长和初始权重，使用滤波器依次对个雷达数据进行滤波输出，作为滤波器输出结果；根据滤波器输出结果以及探鸟雷达期望数据，确定当前误差，根据当前误差，对初始步长进行调整，生成当前步长，并记录初始步长与当前步长的差值，作为相邻误差；并根据当前步长，对初始权重进行调整，生成当前权重，根据当前权重与滤波器输出结果，得到雷达特征向量；反复迭代次，直到生成个雷达特征向量；
5、所述图神经网络处理模块根据个雷达特征向量，生成个目标节点，并基于相邻误差定义相邻目标节点的边权重，每个目标节点根据其相邻节点的雷达特征向量和边权重来计算注意力权重，以此确定邻居节点对自己雷达特征向量更新的贡献大小，根据该贡献大小，对每个目标节点进行雷达特征向量的更新，将更新后的个雷达特征向量作为最终提取的目标特征。
6、作为本技术方案的进一步改进，所述自适应滤波模块包括初始化单元，所述初始化单元设置初始步长和初始权重，其中初始步长决定了每次调整权重的速度；初始权重决定了滤波器在处理最初输入时的状态。
7、作为本技术方案的进一步改进，所述自适应滤波模块包括特征向量生成单元，所述特征向量生成单元生成个雷达特征向量的过程具体包括：
8、使用滤波器依次对个雷达数据进行滤波输出，作为滤波器输出结果，其中，，是个雷达数据中的雷达数据；
9、根据滤波器输出结果以及探鸟雷达期望数据，确定当前误差，其中，表示探鸟雷达期望数据；误差表示滤波器输出结果与探鸟雷达期望数据之间的差异，自适应滤波的目标是通过最小化该误差来提高输出信号的精确度；
10、根据当前误差，对初始步长进行调整，生成当前步长，则，其中和是调整参数，是信噪比；
11、记录初始步长与当前步长的差值，作为相邻误差，其中；
12、根据当前步长，对初始权重进行调整，生成当前权重，其中；根据当前权重与滤波器输出结果，得到雷达特征向量，其中；
13、反复迭代上述过程次，直到对个雷达数据迭代完成，并生成个雷达特征向量。
14、作为本技术方案的进一步改进，所述图神经网络处理模块包括图构造单元，所述图构造单元基于相邻误差定义目标节点的边的过程具体包括：
15、定义个雷达特征向量为，其中；
16、将每个雷达特征向量都作为图神经网络中的一个节点，生成个目标节点；
17、基于相邻误差定义两个相邻目标节点和之间的边权重，公式如，基于相邻误差定义边权重后，生成边集，其中每一条边表示目标节点和目标节点之间的边，其权重为相邻误差，则。
18、作为本技术方案的进一步改进，所述图神经网络处理模块包括图处理单元，所述图处理单元对每个目标节点进行雷达特征向量的更新的过程具体如下：
19、为了确定每个目标节点的雷达特征向量更新时各相邻节点的贡献大小，将边集中的相邻误差进行归一化处理，得到目标节点和其相邻节点之间的注意力权重；
20、根据计算出的注意力权重，确定邻居节点对目标节点的雷达特征向量更新的贡献大小，通过每个目标节点对其所有相邻节点的特征向量进行加权求和，公式如下：
21、，其中表示目标节点相邻节点下标的集合，是目标节点对目标节点的注意力权重，是更新后的目标节点的雷达特征向量；
22、根据计算的注意力权重和相邻节点的特征向量，对每个目标节点的雷达特征向量进行更新，更新后的雷达特征向量是每个节点融合了其邻居节点信息后的新的雷达特征向量，将更新后的个雷达特征向量作为最终提取的目标特征。
23、本专利技术目的之二在于，提供了一种使用针对小目标优化的探鸟雷达数据处理系统的方法，包括如下方法步骤：
24、s1、获取探鸟雷达期望数据和个雷达数据，其中是指从雷达设备中获取到的雷达数据个数；
25、s2、设置初始步长和初始权重，使用滤波器依次对个雷达数据进行滤波输出，作为滤波器输出结果；根据滤波器输出结果以及探鸟雷达期望数据，确定当前误差，根据当前误差，对初始步长进行调整，生成当前步长，并记录初始步长与当前步长的差值，作为相邻误差；并根据当前步长，对初始权重进行调整，生成当前权重，根据当前权重与滤波器输出结果，得到雷达特征向量；反复迭代次，直到生成个雷达特征向量；
26、s3、根据个雷达特征向量，生成个目标节点，并基于相邻误差定义相邻目标节点的边权重，每个目标节点根据其相邻节点的雷达特征向量和边权重来计算注意力权重，以此确定邻居节点对自己雷达特征向量更新的贡献大小，根据该贡献大小，对每个目标节点进行雷达特征向量的更新，将更新后的个雷达特征向量作为最终提取的目标特征。
27、与现有技术相比，本专利技术的有益效果是：
28、该一种针对小目标优化的探鸟雷达数据处理系统及其方法通过根据当前误差对初始步长进行调整，生成当前步长，系统能够灵活地适应不同信号条件，从而提高滤波器的效率和稳定性；具体而言，初始步长决定了每次调整权重的速度，如果设置得过大会导致震荡，设置得过小则会导致收敛速度过慢，而通过实时调整步长，系统可以更好地应对多变的雷达数据，确保滤波器逐步最小化输出结果与探鸟雷达期望数据之间的误差；这种动态调整的机制使得滤波器能够更加精确地提取小目标信号，在多次迭代后生成一组精确的雷达特征向量；这些特征向量是用于后续图神经网络处理的基础，本文档来自技高网...
【技术保护点】
1.一种针对小目标优化的探鸟雷达数据处理系统，其特征在于，包括数据采集模块（100）、自适应滤波模块（200）和图神经网络处理模块（300），其中：
2.根据权利要求1所述的一种针对小目标优化的探鸟雷达数据处理系统，其特征在于，所述自适应滤波模块（200）包括初始化单元（201），所述初始化单元（201）设置初始步长和初始权重，其中初始步长决定了每次调整权重的速度；初始权重决定了滤波器在处理最初输入时的状态。
3.根据权利要求2所述的一种针对小目标优化的探鸟雷达数据处理系统，其特征在于，所述自适应滤波模块（200）包括特征向量生成单元（202），所述特征向量生成单元（202）生成个雷达特征向量的过程具体包括：
4.根据权利要求3所述的一种针对小目标优化的探鸟雷达数据处理系统，其特征在于，所述图神经网络处理模块（300）包括图构造单元（301），所述图构造单元（301）基于相邻误差定义目标节点的边的过程具体包括：
5.根据权利要求4所述的一种针对小目标优化的探鸟雷达数据处理系统，其特征在于，所述图神经网络处理模块（300）包括图处理单
6.一种使用包括权利要求1-5中任意一项所述的一种针对小目标优化的探鸟雷达数据处理系统的方法，其特征在于，包括如下方法步骤：
...【技术特征摘要】
1.一种针对小目标优化的探鸟雷达数据处理系统，其特征在于，包括数据采集模块（100）、自适应滤波模块（200）和图神经网络处理模块（300），其中：
2.根据权利要求1所述的一种针对小目标优化的探鸟雷达数据处理系统，其特征在于，所述自适应滤波模块（200）包括初始化单元（201），所述初始化单元（201）设置初始步长和初始权重，其中初始步长决定了每次调整权重的速度；初始权重决定了滤波器在处理最初输入时的状态。
3.根据权利要求2所述的一种针对小目标优化的探鸟雷达数据处理系统，其特征在于，所述自适应滤波模块（200）包括特征向量生成单元（202），所述特征向量生成单元（202）生成个...
【专利技术属性】
技术研发人员：周仕祺，彭宝一，刘尚，孔起弟，童朝平，陆晓明，邱少鹏，周春梅，彭文丽，
申请(专利权)人：中安锐达北京电子科技有限公司，
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。