专利名称：一种基于神经网络的合成孔径雷达射频干扰抑制方法
技术领域：
本发明属于雷达信号处理技术领域，涉及合成孔径雷达射频干扰抑制技术与神经网络应用技术，尤其涉及一种基于神经网络的合成孔径雷达射频干扰抑制方法。
背景技术：
合成孔径雷达(Synthetic Aperture Radar, SAR)在资源勘察、环境监测、海洋和地壳观测、地形测绘、灾害预警评估和军事侦察等领域发挥着越来越大的作用。但是，一些研究表明在某些地区射频干扰(Radio Frequency Interference, RFI)对SAR系统(特别是工作频段较低的SAR系统)的影响是非常严重的，具体详见2009年5月4 8日Chan
S.等人在美国帕萨迪娜市召开的IEEE雷达会议上发表的题为“SMAP雷达的射频干扰研究” 的会议论文(Chan, S. ；Spencer, M. RFI study for the SMAP radar, Proceedings of the IEEE Radar Conference,Pasadena, CA, 4-8 May 2009)。以 L 波段 SAR 为例，该频段被国际电信联盟分配给地面通信系统、GPS、军民用地基监视雷达使用，这些都会对SAR系统造成影响。根据日本和其它国家对JERS-I SAR的成像处理结果的统计，27%的成像结果由于受到RFI的影响造成图像质量下降，具体详见Shimada M.在2005年IEEE国际地球科学与遥感技术研讨会(IGARSS' 05)上发表的题为“ JERS-I合成孔径雷达观测到的L波段射频干扰及其全球分布”的会议论文(Shimada M. L-band Radio Interferences Observed by the JERS-I SAR and Its Global Distribution. IGARSS' 05. 2005 :4，2752-2755) oRFI 的存在会显著降低SAR图像质量，能量较大的RFI会在SAR图像中产生近似沿距离向的亮线，遮盖真实的地面场景，甚至使SAR图像无法解译；能量较小的RFI在SAR图像中的表现可能不明显，但是它对以此为基础的InSAR系统的干涉相位的影响很大，具体详见Reigber A.等人在2005年《IEEE地球科学与遥感通信》国际期刊第2卷第I期45-49页上发表的题为“合成 SAR 图像中的干扰抑制，，一文(Reigber, A. ；Ferro-Famil, L. ；Interference suppression in synthesized SAR images,IEEE Geoscience and Remote Sensing Letters,2005,2(I) 45-49)以及Rosen P. A.等人于2008年5月26-30日在意大利罗马召开的IEEE雷达会议 (RADARi 08)上发表的题为“AL0S PALSAR合成孔径雷达数据中射频干扰观测与抑制对 DESDynI 任务的影响”的会议论文(Rosen, P. A. ；Hensley, S. ；Le, C. !Observations and mitigation of RFI in ALOS PALSAR SAR data Implications for the DESDynI mission, IEEE Radar Conference,2008(RADAR/ 08), Rome, Italy,26-30 May,2008)。实际上，RFI对SAR尤其对低频波段SAR的影响，早已引起了国内外研究人员的高度重视。自20世纪90年代以来，针对SAR(特别是UWB-SAR)的RFI抑制问题，国内外就相继提出了一系列抑制算法及其改进算法。现有这些解决RFI抑制问题的方法基本可以归结为如下四种I、频域陷波法T. Koutsoudis等人于1995年4月在美国奥兰多召开的SPIE-合成孔径雷达成像算法II国际会议上发表的题为“超宽带雷达接收机中的射频干扰抑制”(Koutsoudis，Theodore ；Lovas, Louis A.RF Interference Suppression in Ultra Wideband Radar Receivers, in Algorithms for Synthetic Aperture Radar Imagery II (D. A. Giglio, ed.)，SPIE, Orlando, FL, vol. 2487，pp. 107-118，April 1995.) 一文中提出的 RFI 抑制方法以及S. Buckreuss于1998年5月在德国腓特烈港召开的欧洲合成孔径雷达会议(EUSAR' 98)上发表的题为“P波段合成孔径雷达数据中的干扰过虑”(S. Buckreuss. Filtering Interferences from P-Band SAR Data, Proc.European Conference on Synthetic Aperture Radar, EUSAR 1 98, Friedrichshafen, Germany, pp.279-282, May 1998) 一文中提出的频域滤波方法都属于频域陷波滤波法。该方法主要包括两个过程，即检测出RFI并确定RFI在SAR回波数据频谱中的位置，然后在RFI对应位置施加陷波滤波器。2、图像域方法B. H. Ferrell于1995年4月在美国奥兰多召开的SPIE-合成孔径雷达成像算法 II国际会议上发表的题为“UHF合成孔径雷达中的干扰抑制” (B. H. Ferrell, Interference Suppression in UHF Synthetic-Aperture Radar, in Algorithms for Synthetic Aperture Radar Imagery II (DA. Giglio, ed.), SPIE,Orlando, FL, vol.2487,pp.96-106, April 1995)—文中提出了成像相减法。Armin W. Doerry在其专利(专利号US 6608586B1, 2003年8月19曰)中提出了“从SAR图像中移除射频干扰方法”(Method for removing RFI from SAR images)以及国内黄晓涛等人在其申请的发明专利(申请公布号CN102243300A， 2011.11.16)中提出了“低频合成孔径雷达射频干扰抑制及误差校正方法”。这些方法尽管采取了不同的处理思路，但是都属于基于图像域的方法。其中两幅图像之间的精确配准是该类方法的一个关键环节。3、代数空间域方法对SAR回波数据形成的自相关矩阵进行特征分解，将所有特征向量张成的特征空间按照特征值的分布情况分解成RFI特征空间和信号特征空间。将回波数据向量投影到 RFI特征空间，得到RFI信号，再将回波信号与RFI信号相减就可进行RFI抑制。国内Zhou F等人在2007年《IEEE地球科学与遥感通信》国际期刊第4卷第I期第75-79页上发表的题为“基于特征子空间的滤波方法在合成孔径雷达窄带干扰抑制中的应用” (Zhou，F. ；ffu,R.； Xing, M. ；Bao, Ζ. ;Eigensubspace_Based Filtering With Application in Narrow-Band Interference Suppression for SAR, IEEE Geoscience and Remote Sensing Letters, vol. 4, no. 1，p. 75-79,2007) 一文中所提出的基于特征子空间的RFI抑制方法以及国内 Yu Chunrui等人于2010年10月29-31日在中国宁波召开的2010多媒体技术国际会议 (ICMT)上发表的题为“特征分解的射频干扰抑制方法在SAR数据中的应用”(Yu Chunrui ； Zhang Yongsheng ；Dong Zhen ；Liang Diannong ;Eigen_Decomposition Method for RFI Suppression Applied to SAR Data,2010International Conference on Multimedia Technology (ICMT)，Ningbo, China, 29_310ct. 2010) 一文中所提出的基于特征分解的 RFI 抑制方法都属于代数空间域方法。4、参数模型方法参数模型方法基本上都要采用这样四个步骤(I)选择一种描述RFI的参数模型 (正弦叠加模型或AR模型)；(2)运用回波数据对模型参数进行估计；(3)将估计出的参数代入模型重构出RFI ； (4)回波数据和重构出的RFI数据相减实现RFI抑制。在模型选定的情况下，关键是模型参数的估计。对于正弦叠加模型,估计模型参数的代表性方法有(I)Braunstein Matthew等人在1994年美国奥兰多召开的SP1e-合成孔径雷达成像算法国际会议上发表的题为“射频干扰(RFI)抑制的信号处理方法” (Braunstein, Matthew ；Ralston, James Μ. ；Sparrow, David A.Signal processing approaches to radio frequency interference (RFI) suppression, in Algorithms for Synthetic Aperture Radar Imagery(D. A. Giglio, ed.), SPIE, Orlando, FL, vol. 2230，pp. 190-208，April 1994) 一文中提出了最大似然估计(MLE)算法；(2)Golden August等人于1995年4月在美国奥兰多召开的SPIE-合成孔径雷达成像算法II国际会议上发表的题为“VHF/UHF去斜合成孔径雷达中的射频干扰消除，，(Golden, August ;Werness, Susan A. ；Stuff, Mark A. ；Degraaf, Stuart R. ；Sullivan, Richard C. Radio frequency interference removal in a VHF/UHF deramp SAR, in Algorithms for Synthetic Aperture Radar Imagery II(D. A. Giglio, ed.), SPIE, Orlando, FL, vol. 2487，pp. 84-95，April 1995) 一文中提出了参数最大似然(PML)算法；
(3)Miller Timothy R.等人于1995年4月在美国奥兰多召开的SPIE-合成孔径雷达成像算法II国际会议上发表的题为“射频干扰抑制的近似最小二乘方法”(Miller，Timothy R.； McCorkle,John ff. ；Potter,Lee C. Near—least—squares radio frequency interference suppression, in Algorithms for Synthetic Aperture Radar Imagery II (D. A. Giglio, ed.)，SPIE, Orlando, FL, vol. 2487，pp. 72-83，April 1995) 一文中引入线性目标响应切除技术，得到用于估计RFI的数据，运用LS方法估计固定频率RFI，chirp变换估计变化频率 RFI,这就是所谓的 chirp-least-squares algorithm with clipping(CLSC)算法。对于AR模型的参数估计，一般采取自适应滤波的方法将AR模型的参数变成滤波器的权系数，这样自适应滤波器的很多权值学习方法就可以直接运用了。用自适应滤波思想进行SAR射频干扰抑制的代表性方法有(I)K. Abend等人于1995年4月在美国奥兰多召开的SPIE-合成孔径雷达成像算法II国际会议上发表的题为“超宽带雷达中的广播电视干扰信号提取”(K. Abend and J. McCorkle, Radio and TV interference extraction for ultra-wideband radar, in Algorithms for Synthetic Aperture Radar Imagery II(D.
A.Giglio, ed.)，SPIE, Orlando, FL, vol. 2487，pp. 119-129，April 1995) 一文中提出了自 适应FIR滤波法；(2)C. T. C. Le等人于1997年在美国帕萨迪娜市围绕美国喷气推进实验室AirSAR召开的的第七届专题研讨年会上发表的题为“宽带合成孔径雷达信号中射频干扰的自适应滤波方法”(C. T. C. Le, S. Hensley and E. Chapin, Adaptive Filtering of RFI in Wideband SAR Signals,7th Annual JPL AirSAR Workshop, Pasadena, California, Januaryl997) 一文中提出的自适应滤波算法和R. T. Lord等人在1999年IET《电子通信》 国际期刊第35卷第8期629-630页上发表的题为“RD算法和LMS自适应滤波相结合有效抑制 SAR 中的射频干扰”(R. T. Lord and M. R. Inggs, Efficient RFI suppression in SAR using a LMS adaptive filter integrated with the range/Doppler algorithm, in Electronics Letters, vol. 35, no. 8, pp. 629-630, April 1999) 一文中提出的自适应滤波算法都属于基于LMS的自适应滤波算法；(3) Vu, V. T.等人在2010年《IEEE地球科学与遥感通信》国际期刊第7卷第4期694-698页上发表的题为“用自适应谱线增强器对超宽带合成孔径雷达中的射频干扰进行抑制”(Vu, V. T. ； Sjo gren, T. K. ；Pettersson, Μ. I.；
7Ha kansson，L ；Gustavsson, A. ；Ulander, L. Μ. H. ；RFI Suppression in Ultrawideband SAR Using an Adaptive Line Enhancer，IEEE Geoscience and Remote Sensing Letters， vol. 7，no. 4，pp. 694-698，Oct. 2010) 一文中提出了 NLMS 自适应滤波方法。上述的前三种方法(频域陷波方法、图像域方法以及代数空间域方法)都有一个共同的特点，就是它们都是从全局(或整体上)对RFI进行表述，然后从全局对RFI进行抑制。其主要优点就是概念清晰，计算简单，易于实现，特别适合于RFI密集的场合，是一种全局静态方法。但是不同域的方法还有各自的不足(I)频域陷波法在进行滤波处理的同时会引入人为干扰，导致旁瓣电平增高，而且滤波器的瞬态效应会造成数据截短，同时会在SAR回波数据频谱中产生裂口，在成像处理中导致散焦现象；(2)图像域方法需要对两幅图像进行精确配准，配准误差的客观存在必将会对目标信号的失真造成程度不同的影响， 将配准误差控制在给定的范围是图像域方法的一个关键，控制不好可能会使处理后的结果较差甚至不可用；(3)代数空间域方法由于目前缺乏一个定量的分割准则去指导。特征值的划分存在一定的主观性，由此引起的分割误差必然会造成目标信号的失真而影响抑制效果O第四种方法(参数模型方法)与前三种方法相比有较大的不同，它主要是采用带参数的数学模型从局部(细节上)去精确刻画RFI信号，在模型参数被精确估计的情况下可以得到非常高的RFI抑制精度。特别是自适应滤波方法具有较强的跟踪能力，可以较好地跟踪非平稳RFI信号的变化，是一种局部动态方法。虽然与全局静态方法相比，可以获得较高的抑制精度，但是其算法的实现较为复杂，计算量大，尤其是RFI高度密集的场合， 尤为显著，算法的实时性受到很大挑战。另外基于AR模型的自适应滤波方法还存在边缘效应。因此设计一种抑制精度高、处理速度快的RFI抑制方法，对于合成孔径雷达的射频干扰抑制具有重要意义。
发明内容
本发明的目的在于克服现有合成孔径雷达(简称SAR)射频干扰抑制(简称RFI) 方法的不足而提供一种基于神经网络的合成孔径雷达射频干扰抑制方法。利用扩展交替投影神经网络(简称EAPNN网络)记忆功能将反映RFI信号全局频域特征的所有库模式记忆到EAPNN网络中，并利用EAPNN网络联想功能从回波时域数据中联想出RFI信号，再将回波时域数据与联想出的RFI信号直接相减从而达到抑制RFI的目的，与现有方法相比，可以在保证较高抑制精度的前提下获得较快的处理速度，而且对低频SAR中的非平稳RFI信号亦具有非常好的抑制效果。为了方便描述本发明的内容，首先做以下术语定义定义I SAR原始回波的一维频域数据将SAR原始回波时域数据用一个Na行Nr列的矩阵存放，矩阵的每行数据与逐个单脉冲快时间即斜距向的回波信号采样值相对应，矩阵的每列数据与慢时间即方位向的回波信号采样值相对应。若将矩阵的每行数据按序连接成一个含NaXNr个元素的行向量，则对此行向量进行离散傅立叶变换后所得的频域结果即被称为SAR原始回波的一维频域数据。
定义2 RFI信号的全局频域特征与RFI信号的全局频域特征值从SAR原始回波的一维频域数据中找出所有与RFI信号相对应的位置，所有这些位置值的集合被称为RFI信号的全局频域特征。每一个位置值被称为RFI信号的全局频域特征值。定义3扩展交替投影神经网络扩展交替投影神经网络(简称EAPNN网络)是利用凸集投影的概念在向量空间中建立的一种神经网络模型。它是一种全互连网络，作用域为复数域，网络的拓扑结构如图2 所示。L为EAPNN网络神经元个数，tpq表示从神经元P到神经元q之间的连接权值， φ表示从神经元q到神经元P之间的连接权值。对于EAPNN网络来说，其连接权值tM = tqp, Sp(V)表示V时刻神经元P的状态值。具体详见文献“王金根，龚沈光，陈世福.扩展交替投影神经网络-具备联想记忆功能的充分必要条件，《电子学报》，32卷，第4期，2004年，596 页-600页及第605页.”和王金根等人在ICIC 2010国际会议上发表的题为“扩展交替投影神经网络进一步研究”一文(Jingen Wang,Yanfei Wang,Xunxue Cui,Further Research on Extended Alternating Projection Neural Network, ICIC 2010， LNCS 6215， pp.33-40， Springer-Verlag Berlin Heidelberg(2010))。定义4 EAPNN网络浮动神经元在EAPNN网络中，状态值随时间改变(浮动)的神经元被称为浮动神经元，任意浮
L
动神经元卩在￥时刻的状态值50;) = [。\(1；-1)，其中L为EAPNN网络神经元个数，^表
9=1
示从任意神经元q到神经元P之间的连接权值，sq(v-l)为神经元q在V-I时刻的神经元状态值。定义5 EAPNN网络连接权矩阵EAPNN网络所有神经元之间的连接权值构成的方阵被称为EAPNN网络连接权矩阵。连接权矩阵T的任意元素tM表示从神经元P到神经元q之间的连接权值。定义6 EAPNN网络的V时刻状态向量在V时刻，其中V为非负整数，将EAPNN网络所有神经元的状态值按照神经元序号由小到大的顺序组成一个向量S(V) = (S1 (V) S2 (V) ---Sl(v)),这个向量被称为EAPNN网络的 V时刻状态向量；当V = O时，S(O)被称为EAPNN网络的初始状态向量；当v = I时，S(I) 被称为EAPNN网络的I时刻状态向量。定义7 EAPNN网络库模式若一个非零复数列向量的元素个数与EAPNN网络的神经元个数相同，则当该复数列向量被用来训练EAPNN网络得到网络连接权矩阵时，就称其为EAPNN网络库模式。定义8 EAPNN网络记忆功能EAPNN网络具有将库模式存储在其连接权矩阵中的功能，将EAPNN网络的这一功能称为EAPNN网络记忆功能。定义9由RFI信号全局频域特征值生成的EAPNN网络库模式若RFI信号的第i个全局频域特征值为pos，其中i为正整数，则按照下面的公式 ⑴就可以生成其相应的第i个EAPNN网络库模式。
权利要求
1.一种基于神经网络的合成孔径雷达射频干扰抑制方法，其特征在于利用扩展交替投影神经网络记忆功能将反映射频干扰信号全局频域特征的所有库模式记忆到扩展交替投影神经网络中，然后利用扩展交替投影神经网络联想功能从回波时域数据中联想出射频干扰信号，再将回波时域数据与联想出的射频干扰信号直接相减从而达到抑制射频干扰的目的；实现上述操作过程的步骤如下步骤I.得到合成孔径雷达(SAR)原始回波的一维频域数据将合成孔径雷达(SAR)原始回波时域数据用一个Na行Nr列的矩阵存放，Na和Nr均为正整数，矩阵的每行数据与逐个单脉冲快时间即斜距向的回波信号采样值相对应，矩阵的每列数据与慢时间即方位向的回波信号采样值相对应；将矩阵的每行数据按序连接成一个含NaXNr个元素的行向量X (η),其中η为不大于NaXNr的所有正整数,该行向量被称为合成孔径雷达原始回波的一维时域数据x(n)，对此行向量χ(η)进行离散傅立叶变换后即可得到合成孔径雷达(SAR)原始回波的一维频域数据Χ(η)，其中η为不大于NaXNr的所有正整数；步骤2.从一维频域数据中检测出射频干扰信号的所有全局频域特征值将步骤I得到的一维频域数据Χ(η)按幅值由小到大的顺序重新排序，得到排序后的幅值数据Y(m)，显然X(η)的序号值η和Y(m)的序号值m之间存在着一个确定的函数关系，记为n = label (m)，贝丨J有Y (m) = X (label (m)) I，其中n,m均为不大于NaXNr的所有正整数； 求出Y(m)的一阶差分Z (m) = Y (m+1)-Y (m),其中m为不大于NaXNr-I的所有正整数；计算出Z(m)的均值Ztl和标准偏差σ z;让m从I开始，计算的值；若^其中α为门限值，在区间
内取值，则m值加I继续计算直到m =NaXNr时为止,将此时的m值记为!!^ ’若ma < NaXNr则可以得到一维频域数据X(n)的序号值 label (ma +1)，label (ma +2)，label (ma +3)，· · ·，label (NaXNr-2)，label (NaXNr-I)， label (NaXNr)，所有这些序号值被称为射频干扰信号的所有全局频域特征值，射频干扰信号的所有全局频域特征值的个数为NaXNr-Hia，转到步骤3 ;若ma = NaXNr则因射频干扰信号的所有全局频域特征值的个数为0，即不存在射频干扰，而不需再继续后面的处理步骤；步骤3.合成孔径雷达(SAR)原始回波的一维时域数据分割合成孔径雷达(SAR)原始回波的一维时域数据分割原则是保证分割出的每段时域数据长度均要大于3倍射频干扰信号的所有全局频域特征值的个数；由步骤2得到的射频干扰信号的所有全局频域特征值的个数为NaXNr-Hia，则本着这样的分割原则，一种简单的分割方式就是将步骤I中长度为NaXNr的合成孔径雷达原始回波的一维时域数据χ(η)平均分成NaXQ段时域数据，每段时域数据长度均为*，其中Q为小于)的正整数;步骤4.确定扩展交替投影神经网络结构根据步骤3给出的每段时域数据长度确定扩展交替投影神经网络的神经元个数，即扩展交替投影神经网络由L个神经元组成；将扩展交替投影神经网络的所有神经元都设计为浮动神经元；步骤5.由射频干扰信号的频域特征值生成扩展交替投影神经网络库模式将步骤2得到的射频干扰信号的所有全局频域特征值逐个代入下面的公式中生成相应的扩展交替投影神经网络库模式；
全文摘要
本发明公开了一种基于神经网络的合成孔径雷达(SAR)射频干扰(RFI)抑制方法，属于雷达信号处理技术领域。首先从SAR原始回波频域数据中检测出RFI信号的所有全局频域特征值，由这些频域特征值生成相应的扩展交替投影神经网络(EAPNN网络)库模式并逐一记忆到EAPNN网络中，然后利用EAPNN网络联想功能从回波时域数据中联想出RFI信号，再将回波时域数据与联想出的RFI信号直接相减从而达到抑制RFI的目的。由于EAPNN网络将现有方法中难以同时兼顾的全局特性和动态跟踪特性结合到了一起，因而可以在保证较高抑制精度的前提下，获得较快的处理速度。该方法可广泛用于合成孔径雷达、地球遥感等领域，特别适合于那些对抑制精度和处理速度同时都有较高要求及RFI较密集的场合。
文档编号G01S13/90GK102608586SQ201210030690
公开日2012年7月25日 申请日期2012年2月11日 优先权日2012年2月11日
发明者孙龙, 崔逊学, 江凯, 王燕飞, 王金根, 葛家龙, 蒋坤, 陈仁元 申请人:中国人民解放军陆军军官学院