一种基于神经网络的雷达主瓣干扰抑制方法与流程

本发明属于雷达技术领域，涉及主瓣干扰抑制方法，可用于在已知干扰方向时，在干扰处形成零陷，并使得主瓣方向图保形。

背景技术

抗干扰技术是阵列信号处理领域的一种重要分支，干扰源有很多种，而且按不同的分类标准有不同的分类方法，按照其位于波束内的位置可以分为主瓣干扰和旁瓣干扰。不论是主瓣干扰还是旁瓣干扰，当其存在时都会对目标信号的检测和处理产生影响。对于抗旁瓣干扰的方法已经有了比较深入的研究，如自适应波束形成和广义旁瓣相消等方法。而主瓣干扰的研究则相对较少，并且因其位于主波束内而更难处理。当存在主瓣干扰时，用自适应波束形成方法也可以在主瓣干扰方向形成零陷，但同时会出现副瓣电平增高、主波束变形且峰值偏移等不良影响。

最早的低旁瓣研究都是针对线阵的，最简单易用的是使用加窗函数的数值解析方法，而对于主瓣干扰，可以采用自适应数字波束形成技术，使得主瓣方向产生零陷，但是此方法使得主波束发生畸变；后来s.j.yu提出了阻塞矩阵法，克服波束形成时协方差矩阵中混入信号的问题，使得存在主瓣干扰时主波束不发生畸变，但是此方法并没有在主瓣干扰位置处实现零陷。

技术实现要素：

本发明的目的在于针对现有技术的不足，提出了一种基于神经网络的主瓣干扰抑制方法，使得方向图在主瓣干扰处形成零陷的同时，实现了主瓣保形以及低旁瓣电平。

本发明方法包括以下步骤：在已知主瓣干扰方向后，根据雷达阵元排列的几何模型确定接收信号的导向矢量，并构造目标信号与干扰信号的接收信号模型；根据已知主瓣干扰方向，构造理想的低旁瓣零陷方向图；通过输入信号创建训练样本，将理想的低旁瓣零陷方向图作为期望信号样本，在此基础上建立合适的神经网络模型，并进行训练；应用训练完成的神经网络，对输入信号进行验证，得到输出方向图。为实现上述技术目的，本发明所述的一种基于神经网络的雷达主瓣干扰抑制方法，包括如下步骤：

步骤1：获取各雷达阵元的地理位置，确定雷达阵元的排布；

步骤2：根据步骤1得到的阵元排布，对给定的目标信号方位以及干扰位置方位，将各雷达阵元接收到的信号创建成接收信号导向矢量，包括目标信号与干扰信号的接收信号模型；(这里目标信号决定了低旁瓣零陷方向图的指向，干扰信号决定了方向图零陷所在位置，如图2所示。即步骤3里面，根据步骤2的接收信号，构造低旁瓣零陷方向图。)

步骤3：根据步骤2得到的接收信号导向矢量，在雷达可检测范围内，根据实际要求规则，构造低旁瓣零陷方向图；

步骤4：在雷达阵列可检测的空间位置范围内，选择一定的步进角度，得到每一步对应的接收信号导向矢量，并进行预处理后，构成方向图训练样本；将步骤3构造的低旁瓣零陷方向图数据预处理后，构成训练样本的期望信号；

步骤5：选择合适的神经网络模型，并进行训练；

步骤6：利用步骤5得到的神经网络进行方向图综合，得到输出方向图。

进一步的，所述步骤3中构造的理想的低旁瓣零陷方向图，对方向图数据中干扰方向置零，而对于不存在干扰的主瓣和旁瓣位置处，进行最优处理，处理方法包括：升余弦主瓣、均匀旁瓣和切比雪夫窗旁瓣。

再进一步的，所述步骤3根据线阵可检测范围，确定检测方位角为[-90°,90°]；对于旁瓣和主瓣方向图的选择，根据实际的规则要求确定；旁瓣部分采用-60db均匀旁瓣，主瓣部分采用如下升余弦函数

式中pr为主瓣内方向图函数，为检测方位角，为目标所在方位角，i为主瓣内的方位角范围；在主瓣范围内，在干扰所在方位角，将方向图函数置零。

进一步的，所述步骤4中对低旁瓣零陷方向图数据进行的预处理包括：将复信号的实部和虚部分离，并重新排列后，合成一组一维实信号，并对一维实信号进行归一化处理。

进一步的，所述步骤5中选择bp神经网络。

进一步的，所述步骤6中进行方向图综合时，将得到的一维实信号重新排列，划分出对应数据的实部和虚部，进而将数据重构为复信号。

重点在于通过神经网络的思想，提出了新的主瓣干扰抑制方法。对于期望信号的选取，可以根据实际规则要求，构造适用于不同情况下的理想的低旁瓣零陷方向图，通过训练，最终得到较为理想的方向图，从而提升了测角的准确度，减少了目标信号的能量损失，提升了系统的稳健性，能够更好地满足测角需求，进而提升了系统性能。

附图说明

图1本发明具体实施方式中雷达位置分布的均匀线阵模型；

图2本发明理想升余弦零陷方向图；

图3bp神经网络结构示意图；

图4本发明具体是具体实施方式中测试样本输出方向图。

具体实施方式

以下结合说明书附图对本发明的一种基于神经网络的主瓣干扰抑制方法做出详细描述。

本发明的一种基于神经网络的主瓣干扰抑制方法，包括如下步骤：

1)如图1所示，根据雷达的几何模型，确定阵元的排布。这里采用均匀线阵作为模型来分析。图1中的均匀线性阵列由m个相同且间均匀分布在直线上的全向天线阵元组成，选取第一个阵元为参考阵元，阵元编号依次为m＝1,2,3,…,m；阵元间距为d。为了具体分析，m＝17,λ为输入信号波长。

2)根据步骤1)给出的阵元排布可得，主瓣宽度约为5.9°，设目标信号方位角为且干扰信号方位角为且则此干扰信号为主瓣干扰。设阵元接收到的回波信号为窄带信号，且目标与干扰信号都是远场入射，且不考虑噪声，那么在该模型下，阵元接收信号的导向矢量为：

则阵元接收信号为：

式中n＝1,2,…,n为信号采样得到的离散样本序号，s(n)为窄带复信号，w为天线权值，可以根据不同要求选择不同权值。

3)根据线阵可检测范围，确定检测方位角为[-90°,90°]。对于旁瓣和主瓣方向图的选择，可以根据实际的规则要求来进行确定。本例中旁瓣部分采用-60db均匀旁瓣，主瓣部分采用如下升余弦函数

式中pr为主瓣内方向图函数，为检测方位角，为目标所在方位角，i为主瓣内的方位角范围。在主瓣范围内，在干扰所在方位角，将方向图函数置零。综上即可得到如图2所示理想的均匀旁瓣零陷方向图。

4)由于对目标空间方位检测不可连续，故而选择一定的步进进行采样，本例中取步进长度为0.1°进行采样。对于[-90°,90°]范围内的检测结果进行离散化后，并得到输入信号导向矢量，如下式所示

式中，由于输入信号导向矢量为复信号，需进行一定的预处理。

预处理步骤如下：分别提取输入信号实部和虚部，再将实部与虚部合并成一个一维实信号；将得到的一维实信号进行归一化。将步骤3)中得到理想零陷方向图数据同样进行预处理：提取理想方向图数据实部虚部，合并成一个一维实信号，并进行归一化处理。此时要注意，两种合并数据的排列方式要相同，可选择实部在前，虚部在后；也可选择虚部在前，实部在后等。

5)根据阵元个数，即可得到输入数据的维度，进而来确定神经网络的结构。本例中采用如图3所示的bp神经网络模型，隐含层1层，神经元40个，个数超过2倍输入数据维度。采用随机梯度下降算法进行迭代。训练样本采用步骤4)合并成的输入信号，期望样本采用步骤4)合成的理想零陷方向图数据。此时bp神经网络模型已经设计完成，即可开始进行训练。

6)构建测试输入样本，选择与步骤4)不同的样本进行测试，通过结果可以检测训练完成的神经网络的泛化性能。将测试样本输入步骤5)训练结束得到的神经网络结构，即可得到输出方向图。如图4所示，即可观察到最终的方向图在主瓣干扰处形成了零陷，并实现了主瓣的保形与较低的旁瓣电平。