一种基于深度学习的杂波抑制方法与流程

本发明提出一种基于深度学习的杂波抑制方法，属于雷达信号处理技术领域。

背景技术：

雷达要探测到的目标，通常是运动着的目标。但是在目标周围经常存在着各种背景，如地物、云雨、海浪以及敌人释放的金属箔条干扰等。背景可能是完全不动的，也可以是运动的，这些背景产生的回波被称为杂波或无源干扰。杂波和运动目标在雷达显示器上同时显示时，会使目标的观察变得很困难。如果目标处在杂波背景内，弱的目标淹没在强杂波中，使目标发现十分困难。即使目标不在杂波背景内，要在成片的杂波中很快的分辨出目标回波也是不容易的。如果雷达终端采用自动检测和数据处理系统，则由于出现大量的杂波，给系统的处理带来很大的难度。

目前，雷达杂波抑制的常用方法是mti，mti系统通常包括两个最基本的部分：1)完成多普勒信息提取的相参处理。2)完成目标区分的对消处理。在对消处理中在杂波区选择滤波器来抑制杂波从而得到有用的信号。为了实现正常处理和对消相参处理的自动选择，需建立一个能够反映杂波有/无的杂波图。而杂波图的建立需长时间采集多组雷达回波信号数据，通过分析和累积后形成对长期杂波特性的统计结果，得到所需的杂波图。

在专利“一种改进的杂波图生成方法”(专利号cn104360320a)中，许建峰、张沉、翟海涛等提出一种改进的杂波图生成方法，能够根据现场雷达回波的实际状况而对杂波图的局部进行杂波图检测门限的控制。既能满足对慢速以及停航目标的检测和跟踪，又能解决具有慢速目标特性的杂波被当做慢速目标保留下来，从而引起虚警概率增加的问题。该方法能够较好的建立起能够根据环境变化改变局部杂波图的优点，使杂波图具有较好的稳定性和灵敏性，但是其实现结构复杂，对慢速小目标的检测效果较差，实现成本较高。

本文提出的一种基于深度学习的杂波抑制方法，通过深度学习模块中的稀疏自动编码器提取出雷达回波信号的特征，并使用svm支持向量机对其分类，得到杂波信号和非杂波信号。实时雷达回波信号通过深度学习模块将杂波信号识别出来后，再与其进行比较，最终得到所需的目标信号。在深度学习模块建立的过程中，由于特征的提取是建立在大量的雷达回波信号基础之上的，因此特征的提取具有普遍性。故能够准确高效的识别出杂波信号。该方法相比于以往的使用杂波图抑制杂波的方法，对杂波的消除具有更高的准确度，更低的成本，并且具有更好的实时性、通用性和简捷性。

技术实现要素：

本发明的目的是提供一种一种基于深度学习的杂波抑制方法，相比与利用动态杂波图实现杂波抑制，本发明提出的方法具有实现结构简单，杂波抑制效果更好，实现成本低的优势，具有很高的实时性、通用性和简捷性。

本发明的技术方案如下：一种基于深度学习的杂波抑制方法，主要由雷达数据预处理模块和深度学习模块组成，而深度学习模块主要由稀疏自动编码器(sparse-auto-encoder)和svm支持向量机组成。雷达回波数据首先经过预处理模块经过初步的处理之后得到雷达回波信号。雷达回波信号在稀疏编码器中经过自下而上的无监督学习和自上而下的有监督微调后得到参数稳定的稀疏编码器，并提取雷达回波信号的特征。在数据训练完成后，svm支持向量机对已提取的特征进行分类，分为杂波信号和非杂波信号，从而完成深度学习模块的训练。待深度学习模块训练完成后，实时采集的雷达回波信号首先通过训练完成的深度学习模块将杂波信号识别出来，然后再与其进行比较，实现杂波对消，最终得到所需的目标信号。

本发明相比于以往的使用杂波图抑制杂波的方法，对杂波的抑制具有更好的效果，更低的成本，并且具有更好的实时性、通用性和简捷性。

附图说明

图1一种基于深度学习的杂波抑制方法总体实现流程图

图2稀疏自动编码器总体模型图

图3稀疏自动编码器原理图

图4未消除杂波时的目标实测图

图5杂波抑制后的目标实测图

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明确，以下参照附图对本发明进一步详细说明。

本发明提供一种基于深度学习的杂波抑制方法，如图1所示。雷达回波信号在雷达信号预处理模块中，将雷达回波信号变换到频域，然后乘以rom中预存的匹配滤波所需的匹配函数，再经ifft变换到时域得到压缩结果，从而获得包含多种杂波信号的雷达回波数据，用于训练深度学习模块中的稀疏自动编码器(如图2所示)。训练稀疏编码器时，首先通过自下而上的无监督度学习大体确定每一层的权重与偏置w和偏置b，然后通过自上而下的有监督学习对权重和偏置进行微调。由图3所示的稀疏自动编码器的第l层、第l+1层的第i单元为例说明稀疏编码器的具体算法流程：假设敌l层的输出为其中s(l)表示第l层的单元数目，则可得到第l+1第i单元的输入为：

上式中为从第l层的第j个单元到第l+1层的第i单元的权重和偏置量。然后由激活函数f(·)得到第l+1层第i单元的输出为：

并通过自上而下的有监督微调得到第l层第j单元的代价函数：

上式中，β为稀疏值惩罚项的权重；ρ为稀疏值；为第l层的第i单元的激活值；为第l层的第i单元所有输入的加权和。

然后通过微调权重、偏置量。由此对稀疏自动编码器进行逐层训练，最终确定稀疏编码器的权重、偏置量，并逐层提取出雷达回波信号的特征。然后在svm支持向量机中对提取出来的特征进行分类，最终得到两类信号：杂波信号和非杂波信号。

在深度学习模块训练完成后，实时读入雷达回波信号，其在终端界面显示如图4所示，由图4可知杂波信号基本将目标信号覆盖。雷达回波信号经过预处理模块处理后，输入到深度学习模块中，识别出杂波信号，然后再与雷达回波信号进行比较、对消，最终得到所需的目标信号，其在终端界面显示如图5所示，可见大多数杂波已被抑制。因此本发明提出的方法具有实现结构简单，杂波抑制效果更好，实现成本低的优势，具有很高的实时性、通用性和简捷性。