基于雷达通信系统的信号去噪方法及系统与流程

1.本技术涉及雷达通信技术领域，具体而言，涉及一种基于雷达通信系统的信号去噪方法及系统。


背景技术：

2.雷达通过用无线电的方法发现目标并测定其空间位置。因此，雷达也被称为无线电定位。雷达是利用电磁波探测目标的电子设备。雷达发射电磁波对目标进行照射并接收其回波，由此获得目标至电磁波发射点的距离、距离变化率（径向速度）、方位、高度等信息，并通过雷达通信系统进行信号传输。基于此，雷达通信交互信号的抗干扰性能对最终结果显得至关重要，因此，如何有效保障信号去噪可靠性，是本领域亟待解决的技术问题。


技术实现要素：

3.为了至少克服现有技术中的上述不足，本技术的目的在于提供一种基于雷达通信系统的信号去噪方法及系统。
4.第一方面，本技术提供一种基于雷达通信系统的信号去噪方法，应用于信号去噪系统，所述方法包括：结合雷达通信系统对应的雷达通信交互信号的交互信号数据，解析所述雷达通信交互信号的信号噪声特征序列；结合所述雷达通信交互信号的信号噪声特征序列确定对应的目标信号去噪模板；基于所述目标信号去噪模板以及所述雷达通信交互信号的信号噪声特征序列对所述雷达通信交互信号进行信号去噪。
5.在第一方面的一种实施方式中，所述结合雷达通信系统对应的雷达通信交互信号的交互信号数据，解析所述雷达通信交互信号的信号噪声特征序列，具体包括以下步骤：获取雷达通信交互信号的交互信号数据，并对所述交互信号数据进行深度卷积自编码向量解析，生成深度卷积自编码父向量和深度卷积自编码子向量，所述深度卷积自编码父向量用于表达所述交互信号数据所对应的信号交互通道所传输的通信编码分量，所述深度卷积自编码子向量用于表达所述交互信号数据中用于对所述信号交互通道所传输的通信编码分量进行通信字段解释的解释通信编码分量；获取所述交互信号数据与在先信任的干扰噪声编码库之间的第一干扰噪声编码特征、所述深度卷积自编码父向量与在先信任的信号交互通道的干扰噪声库的自编码父向量之间的第二干扰噪声编码特征、所述深度卷积自编码子向量与在先信任的信号交互通道的干扰噪声库的自编码子向量之间的第三干扰噪声编码特征，所述在先信任的干扰噪声编码库为信号噪声特征序列库中的干扰噪声编码特征相关的特征字段编码向量，所述在先信任的信号交互通道的干扰噪声库的自编码父向量和所述在先信任的信号交互通道的干扰噪声库的自编码子向量为构成所述在先信任的干扰噪声编码库的干扰噪声编码向量集；根据所述第一干扰噪声编码特征、所述第二干扰噪声编码特征和所述第三干扰噪
声编码特征确定所述交互信号数据与所述在先信任的干扰噪声编码库之间的噪声特征匹配值；根据所述噪声特征匹配值，将所述交互信号数据加载到所述在先信任的干扰噪声编码库中的目标干扰噪声编码库，并输出所述目标干扰噪声编码库对应的当前信任认证的噪声特征确定为所述雷达通信交互信号的信号噪声特征序列。
6.在第一方面的一种实施方式中，所述方法通过信号噪声特征提取模型实现，所述信号噪声特征提取模型的参数层信息的调优和选取过程为：获取模板雷达通信信号数据，所述模板雷达通信信号数据对应有模板信号噪声特征数据，所述模板雷达通信信号数据中包括模板交互信号数据、模板深度卷积自编码父向量和模板深度卷积自编码子向量，所述模板深度卷积自编码父向量和所述模板深度卷积自编码子向量对应表达所述模板交互信号数据的特征向量；获取所述模板交互信号数据与所述在先信任的干扰噪声编码库之间的第一模板干扰噪声编码特征、所述模板深度卷积自编码父向量与所述在先信任的信号交互通道的干扰噪声库的自编码父向量之间的第二模板干扰噪声编码特征、所述模板深度卷积自编码子向量与所述在先信任的信号交互通道的干扰噪声库的自编码子向量之间的第三模板干扰噪声编码特征；根据所述第一模板干扰噪声编码特征、所述第二模板干扰噪声编码特征和所述第三模板干扰噪声编码特征，加载到自编码机初始化模型中生成目标信号噪声特征数据；根据所述目标信号噪声特征数据与所述模板信号噪声特征数据之间的噪声损失特征数据，对所述自编码机初始化模型进行参数层信息的调优和选取，生成所述信号噪声特征提取模型。
7.在第一方面的一种实施方式中，所述方法通过信号噪声特征提取模型实现，所述信号噪声特征提取模型由自编码机初始化模型进行参数层信息的调优和选取进行确定，所述自编码机初始化模型包括全编码结构、父向量自编码结构和子向量自编码结构；所述根据所述第一模板干扰噪声编码特征、所述第二模板干扰噪声编码特征和所述第三模板干扰噪声编码特征，加载到自编码机初始化模型中生成目标信号噪声特征数据，包括：将所述第一模板干扰噪声编码特征、所述第二模板干扰噪声编码特征和所述第三模板干扰噪声编码特征加载到所述全编码结构，输出全局噪声编码向量；将所述第二模板干扰噪声编码特征加载到所述父向量自编码结构，输出第一噪声编码父向量；将所述第三模板干扰噪声编码特征加载到所述子向量自编码结构，输出第一噪声编码子向量，其中，所述全局噪声编码向量、所述第一噪声编码父向量和所述第一噪声编码子向量构成所述目标信号噪声特征数据。
8.在第一方面的一种实施方式中，所述模板信号噪声特征数据包括与所述模板交互信号数据关联的第二全局噪声编码向量、第二噪声编码父向量和第二噪声编码子向量；所述根据所述目标信号噪声特征数据与所述模板信号噪声特征数据之间的噪声损失特征数据，对所述自编码机初始化模型进行参数层信息的调优和选取，生成所述信号噪声特征提取模型，包括：
根据所述全局噪声编码向量与所述第二全局噪声编码向量之间的噪声损失特征数据，生成第一目标损失函数值；根据所述第一噪声编码父向量与所述第二噪声编码父向量之间的噪声损失特征数据，生成第二目标损失函数值；根据所述第一噪声编码子向量与所述第二噪声编码子向量之间的噪声损失特征数据，生成第三目标损失函数值；根据所述第一目标损失函数值、所述第二目标损失函数值和所述第三目标损失函数值对所述自编码机初始化模型进行参数层信息的调优和选取，生成信号噪声特征提取模型。
9.在第一方面的一种实施方式中，所述根据所述第一干扰噪声编码特征、所述第二干扰噪声编码特征和所述第三干扰噪声编码特征确定所述交互信号数据与所述在先信任的干扰噪声编码库之间的噪声特征匹配值，包括：将所述第一干扰噪声编码特征、所述第二干扰噪声编码特征和所述第三干扰噪声编码特征加载到目标全编码结构，输出所述噪声特征匹配值，所述目标全编码结构由所述自编码机初始化模型中的所述全编码结构进行参数层信息的调优和选取进行确定，所述目标全编码结构用于输出所述交互信号数据与所述在先信任的干扰噪声编码库每个在先信任的干扰噪声编码特征存在联系的可信度。
10.在第一方面的一种实施方式中，所述获取所述交互信号数据与在先信任的干扰噪声编码库之间的第一干扰噪声编码特征、所述深度卷积自编码父向量与在先信任的信号交互通道的干扰噪声库的自编码父向量之间的第二干扰噪声编码特征、所述深度卷积自编码子向量与在先信任的信号交互通道的干扰噪声库的自编码子向量之间的第三干扰噪声编码特征，包括：获取所述在先信任的干扰噪声编码库对应的第一正则化噪声编码片段序列、所述在先信任的信号交互通道的干扰噪声库的自编码父向量关联的第二正则化噪声编码片段序列、所述在先信任的信号交互通道的干扰噪声库的自编码子向量关联的第三正则化噪声编码片段序列；对所述交互信号数据、所述深度卷积自编码父向量和所述深度卷积自编码子向量分别结合正则化噪声编码机制进行正则化噪声编码，生成第四正则化噪声编码片段序列、第五正则化噪声编码片段序列和第六正则化噪声编码片段序列；根据所述第四正则化噪声编码片段序列和所述第二正则化噪声编码片段序列之间的编码片段连通数据，生成所述第一干扰噪声编码特征；根据所述第五正则化噪声编码片段序列和所述第二正则化噪声编码片段序列之间的编码片段连通数据，生成所述第二干扰噪声编码特征；根据所述第六正则化噪声编码片段序列和所述第三正则化噪声编码片段序列之间的编码片段连通数据，生成所述第三干扰噪声编码特征。
11.在第一方面的一种实施方式中，所述结合所述雷达通信交互信号的信号噪声特征序列确定对应的目标信号去噪模板的步骤，包括：将所述雷达通信交互信号的信号噪声特征序列输入到噪声类型分类模型中，确定所述雷达通信交互信号的信号噪声特征序列所对应的目标噪声类型，并获取所述目标噪声
类型所关联的目标信号去噪模板；所述基于所述目标信号去噪模板以及所述雷达通信交互信号的信号噪声特征序列对所述雷达通信交互信号进行信号去噪的步骤，包括：基于所述目标信号去噪模板对所述雷达通信交互信号中对应于所述信号噪声特征序列的模板噪声特征进行去噪。
12.在第一方面的一种实施方式中，所述噪声类型分类模型的参数层信息的调优和选取步骤包括：获取模板信号噪声特征序列，所述模板信号噪声特征序列包括多个具有模板噪声标签特征的模板信号噪声特征；获取模板深度学习网络模型，所述模板深度学习网络模型包括噪声规律特征解析单元、噪声标签连接单元、以及特征关联性单元；针对每个所述模板信号噪声特征，结合所述噪声规律特征解析单元获取所述模板信号噪声特征在多个噪声规律模板特征下的噪声规律匹配特征序列；结合所述噪声标签连接单元将每个所述噪声规律模板特征下的噪声规律匹配特征序列进行噪声标签特征输出，生成每个所述噪声规律模板特征下的噪声规律匹配特征序列对应的噪声标签特征；结合所述特征关联性单元结合所述噪声规律模板特征下的噪声规律匹配特征序列对应的噪声标签特征得到一目标噪声标签特征；结合所述目标噪声标签特征与所述模板噪声标签特征进行确定第一模型训练代价值；结合所述第一模型训练代价值对所述模板深度学习网络模型的参数层信息的调优和选取，直至所述第一模型训练代价值满足第一收敛评估条件，生成参数层信息调优结束的模板深度学习网络模型作为所述噪声类型分类模型；其中，所述第一模型训练代价值由各所述目标噪声标签特征中的各噪声标签特征与所述模板噪声标签特征中对应的各噪声标签特征的第一特征片段匹配度进行确定，所述第一收敛评估条件包括所述第一模型训练代价值所表达的第一特征片段匹配度大于第一目标设定匹配度。
13.譬如，在第一方面的一种实施方式中，所述方法还包括：获取模板信号噪声特征序列，所述模板信号噪声特征序列包括多个具有模板噪声标签特征的模板信号噪声特征；获取模板深度学习网络模型，并对所述模板深度学习网络模型进行结合信任认证的模型参数层信息的参数层信息的调优和选取，生成调优和选取后的模板深度学习网络模型；针对每个所述模板信号噪声特征，结合所述模板深度学习网络模型获取所述模板信号噪声特征在多个噪声规律模板特征下的噪声规律匹配特征序列，并结合所述噪声规律模板特征下的噪声规律匹配特征序列以及所述模板噪声标签特征包括的噪声标签特征进行确定第二模型训练代价值；结合所述第二模型训练代价值对所述调优和选取后的模板深度学习网络模型的参数层信息的调优和选取，直至所述第二模型训练代价值匹配第二收敛评估条件，生成参
数层信息调优结束的模板深度学习网络模型作为噪声类型分类模型；其中，所述第二模型训练代价值由各所述噪声规律模板特征下的噪声规律匹配特征序列与所述模板噪声标签特征中对应的各噪声标签特征的第二特征片段匹配度进行确定，所述第二收敛评估条件包括所述第二模型训练代价值所表达的第二特征片段匹配度大于第二目标设定匹配度，所述第二目标设定匹配度小于所述第一目标设定匹配度。
14.譬如，在第一方面的一种实施方式中，所述获取模板信号噪声特征序列，包括：结合多个雷达通信系统获取任意雷达通信场景下的标的信号噪声特征数据，生成多个标的信号噪声特征数据；将各所述标的信号噪声特征数据作为模板信号噪声特征添加到目标标的噪声特征库中；提取所述目标标的噪声特征库中的各所述模板信号噪声特征在多个噪声规律模板特征下的噪声规律匹配特征序列，生成每个模板信号噪声特征对应的噪声规律特征变量；结合每个所述模板信号噪声特征对应的噪声规律特征变量，对所述目标标的噪声特征库中的模板信号噪声特征进行冗余特征剔除，生成冗余特征剔除后的目标标的噪声特征库；结合冗余特征剔除后的目标标的噪声特征库中各模板信号噪声特征对应的噪声规律特征变量得到所述模板信号噪声特征对应的模板噪声标签特征，并将所述噪声标签特征与所述模板信号噪声特征在所述目标标的噪声特征库中进行相关配置，生成所述模板信号噪声特征序列；其中，结合每个所述模板信号噪声特征对应的噪声规律特征变量，对所述目标标的噪声特征库中的模板信号噪声特征进行冗余特征剔除，生成冗余特征剔除后的目标标的噪声特征库，包括：针对每个所述模板信号噪声特征，解析所述模板信号噪声特征对应的所述噪声规律特征变量中是否存在非认证特征变量；如果解析到存在非认证特征变量，则将所述模板信号噪声特征从所述模板信号噪声特征序列中移除；其中，所述非认证特征变量包括所述模板信号噪声特征对应的噪声规律特征变量中未匹配在先设定的噪声规律模板特征下的噪声规律匹配特征序列或者未匹配预设数量个噪声规律模板特征下的噪声规律匹配特征序列。
15.譬如，在第一方面的一种实施方式中，所述获取模板信号噪声特征序列，还包括：共享调度所述模板信号噪声特征序列中一部分模板信号噪声特征作为基础标的信号噪声特征数据；将所述基础标的信号噪声特征数据对应的噪声标签特征中的一个或者多个噪声规律模板特征对应的噪声标签特征进行标签扩展，所述标签扩展包括将对应的噪声标签特征使用关联标签特征标签扩展或者添加对应关联的噪声标签特征；将标签扩展后的基础标的信号噪声特征数据作为扩展模板信号噪声特征加载到所述模板信号噪声特征序列；其中，所述多个噪声规律模板特征的数量为n，所述将所述基础标的信号噪声特征
数据对应的噪声标签特征中的一个或者多个噪声特征属性对应的噪声标签特征进行标签扩展，包括：将所述基础标的信号噪声特征数据添加到预设特征库中，生成基础标的信号噪声特征数据库；确定每个噪声规律模板特征所需进行标签扩展的扩展指标；结合第m个噪声规律模板特征所需进行标签扩展的扩展指标，从所述基础标的信号噪声特征数据库中获取对应数量的基础标的信号噪声特征数据，并对所述基础标的信号噪声特征数据对应的第m个噪声规律模板特征对应的噪声标签特征进行标签扩展，生成第m个扩展模板噪声标签特征库。
16.第二方面，本技术实施例还提供一种信号去噪系统，所述信号去噪系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有计算机程序，所述计算机程序结合该处理器加载并执行以实现以上第一方面的基于雷达通信系统的信号去噪方法。
17.结合以上方面，结合雷达通信交互信号的交互信号数据，解析雷达通信交互信号的信号噪声特征序列，结合雷达通信交互信号的信号噪声特征序列确定对应的目标信号去噪模板，基于目标信号去噪模板以及雷达通信交互信号的信号噪声特征序列对雷达通信交互信号进行信号去噪。由此设计，能够考虑到雷达通信交互信号的信号噪声特征序列精准匹配对应的目标信号去噪模板，由此对雷达通信交互信号进行更精准的信号去噪，有助于提高信号去噪可靠性。
附图说明
18.图1示出了本技术实施例所提供的基于雷达通信系统的信号去噪系统的场景示意图；图2为本技术实施例提供的基于雷达通信系统的信号去噪方法的流程示意图；图3为本技术实施例提供的图2中所示的步骤110的子步骤流程示意图；图4为本技术实施例提供的用于实现上述的基于雷达通信系统的信号去噪方法的信号去噪系统的结构示意框图。
具体实施方式
19.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，应当理解，本技术中附图仅起到说明和描述的目的，并不用于限定本技术的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本技术中使用的流程图示出了根据本技术实施例的一些实施例实现的操作。
20.应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本技术内容的指引下，可以向流程图添加一个或多个其它操作，也可以从流程图中移除一个或多个操作。
21.参照图1所示，图1示出了本技术实施例提供的基于雷达通信系统的信号去噪系统10的场景示意图。例如，基于雷达通信系统的信号去噪系统10可以包括信号去噪系统100以及与信号去噪系统100通信连接的多个雷达通信系统200。
22.本实施例中，信号去噪系统100用于为雷达通信系统200提供信号去噪后台服务。例如，信号去噪系统100可以是上述应用程序的后台信号去噪系统。信号去噪系统100可以是一台信号去噪系统，也可以是由多台信号去噪系统组成的信号去噪系统集群，或者是一个云计算服务中心，可以提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn(content delivery network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务。可选地，信号去噪系统100同时为多个雷达通信系统200提供后台服务。
23.可以理解，图1所示的基于雷达通信系统的信号去噪系统10仅为一种可行的示例，在其它可行的实施例中，该基于雷达通信系统的信号去噪系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
24.图2示出了本技术实施例提供的基于雷达通信系统的信号去噪方法的流程示意图，该基于雷达通信系统的信号去噪方法可以由图1中所示的基于雷达通信系统的信号去噪系统10执行，具体而言可以是由信号去噪系统100执行，或者也可以是由其它具有任意计算处理能力的其它装置执行，应当理解，在其它实施例中，本实施例的基于雷达通信系统的信号去噪方法其中部分步骤的顺序可以根据实际需要相互交换，或者其中的部分步骤也可以省略或删除。该基于雷达通信系统的信号去噪方法的详细步骤介绍如下。
25.步骤110，结合雷达通信系统对应的雷达通信交互信号的交互信号数据，解析所述雷达通信交互信号的信号噪声特征序列。
26.步骤120，结合所述雷达通信交互信号的信号噪声特征序列确定对应的目标信号去噪模板。
27.步骤130，基于所述目标信号去噪模板以及所述雷达通信交互信号的信号噪声特征序列对所述雷达通信交互信号进行信号去噪。
28.通过以上实施例的步骤，本实施例结合雷达通信交互信号的交互信号数据，解析雷达通信交互信号的信号噪声特征序列，结合雷达通信交互信号的信号噪声特征序列确定对应的目标信号去噪模板，基于目标信号去噪模板以及雷达通信交互信号的信号噪声特征序列对雷达通信交互信号进行信号去噪。由此设计，能够考虑到雷达通信交互信号的信号噪声特征序列精准匹配对应的目标信号去噪模板，由此对雷达通信交互信号进行更精准的信号去噪，有助于提高信号去噪可靠性。
29.本技术的一个具体实施方式中，参阅图3所示，步骤110的执行示例如下。
30.步骤101，获取雷达通信交互信号的交互信号数据。
31.本技术的一个具体实施方式中，雷达通信交互信号可以是雷达通信系统在与外部通信终端进行通信交互过程中产生的交互信号，这些交互信号可以用于传输相应的字段数据。
32.步骤102，对交互信号数据进行深度卷积自编码向量解析，生成深度卷积自编码父向量和深度卷积自编码子向量。
33.本技术的一个具体实施方式中，交互信号数据可被提取为“深度卷积自编码父向量+深度卷积自编码子向量”的信号格式，其中，上述深度卷积自编码父向量用于表达交互信号数据所对应的信号交互通道所传输的通信编码分量，深度卷积自编码子向量用于表达交互信号数据中用于对信号交互通道所传输的通信编码分量进行通信字段解释的解释通
信编码分量。
34.步骤103，获取交互信号数据与在先信任的干扰噪声编码库之间的第一干扰噪声编码特征、深度卷积自编码父向量与在先信任的信号交互通道的干扰噪声库的自编码父向量之间的第二干扰噪声编码特征、深度卷积自编码子向量与在先信任的信号交互通道的干扰噪声库的自编码子向量之间的第三干扰噪声编码特征。
35.其中，上述在先信任的干扰噪声编码库为信号噪声特征序列库中的干扰噪声编码特征相关的特征字段编码向量，在先信任的信号交互通道的干扰噪声库的自编码父向量和在先信任的信号交互通道的干扰噪声库的自编码子向量为构成在先信任的干扰噪声编码库的干扰噪声编码向量集。本技术的一个具体实施方式中，信号噪声特征序列库中的干扰噪声编码特征相关的特征字段编码向量为信号噪声特征序列关联的标准特征字段编码向量。
36.本技术的一个具体实施方式中，信号噪声特征提取模型中包括由目标正则化噪声编码网络构成的正则化噪声编码结构，交互信号数据、深度卷积自编码父向量和深度卷积自编码子向量通过正则化噪声编码结构进行特征提取，确定干扰噪声编码特征。
37.例如，获取在先信任的干扰噪声编码库对应的第一正则化噪声编码片段序列、在先信任的信号交互通道的干扰噪声库的自编码父向量关联的第二正则化噪声编码片段序列、在先信任的信号交互通道的干扰噪声库的自编码子向量关联的第三正则化噪声编码片段序列；对交互信号数据、深度卷积自编码父向量和深度卷积自编码子向量分别结合正则化噪声编码机制进行正则化噪声编码，生成第四正则化噪声编码片段序列、第五正则化噪声编码片段序列和第六正则化噪声编码片段序列；结合第四正则化噪声编码片段序列和第二正则化噪声编码片段序列之间的编码片段连通数据，生成第一干扰噪声编码特征；结合第五正则化噪声编码片段序列和第二正则化噪声编码片段序列之间的编码片段连通数据，生成第二干扰噪声编码特征；结合第六正则化噪声编码片段序列和第三正则化噪声编码片段序列之间的编码片段连通数据，生成第三干扰噪声编码特征。
38.步骤104，结合第一干扰噪声编码特征、第二干扰噪声编码特征和第三干扰噪声编码特征确定交互信号数据与在先信任的干扰噪声编码库之间的噪声特征匹配值。
39.本技术的一个具体实施方式中，信号噪声特征提取模型中还包括目标全编码结构，目标全编码结构用于输出交互信号数据与在先信任的干扰噪声编码库每个在先信任的干扰噪声编码特征存在联系的可信度。例如，将第一干扰噪声编码特征、第二干扰噪声编码特征和第三干扰噪声编码特征加载到目标全编码结构，输出噪声特征匹配值。
40.步骤105，根据噪声特征匹配值，将交互信号数据加载到在先信任的干扰噪声编码库中的目标干扰噪声编码库，并输出所述目标干扰噪声编码库对应的当前信任认证的噪声特征确定为所述雷达通信交互信号的信号噪声特征序列。
41.本技术的一个具体实施方式中，可以将最大可信度关联的在先信任的干扰噪声编码特征确定为交互信号数据与在先信任的干扰噪声编码库的目标在先信任的干扰噪声编码特征，根据在先信任的干扰噪声编码库的目标在先信任的干扰噪声编码特征所关联的可信度对所有在先信任的干扰噪声编码库进行排序，取可信度最大的在先信任的干扰噪声编码库确定为上述目标干扰噪声编码库，而交互信号数据与目标干扰噪声编码库之间的在先信任的干扰噪声编码特征即上述目标在先信任的干扰噪声编码特征。
42.通过以上实施例的步骤，基于雷达通信系统的信号去噪方法及系统，通过交互信号数据和在先信任的干扰噪声编码库之间的第一干扰噪声编码特征、深度卷积自编码父向量与在先信任的信号交互通道的干扰噪声库的自编码父向量之间的第二干扰噪声编码特征、深度卷积自编码子向量与在先信任的信号交互通道的干扰噪声库的自编码子向量之间的第三干扰噪声编码特征，共同确定交互信号数据与在先信任的干扰噪声编码库之间的噪声特征匹配值，以从在先信任的干扰噪声编码库中确定出目标干扰噪声编码库，其中，深度卷积自编码父向量和深度卷积自编码子向量由交互信号数据提取的。即，在确定交互信号数据与在先信任的干扰噪声编码库之间的噪声特征匹配值时，考虑了交互信号数据之间的整体关系和提取数据之间的关系，提高了噪声特征分析的精度。
43.其中，以上实施例是通过信号噪声特征提取模型实现的，信号噪声特征提取模型由自编码机初始化模型进行参数层信息的调优和选取进行确定，自编码机初始化模型包括全编码结构、父向量自编码结构和子向量自编码结构，下面介绍自编码机初始化模型的参数层信息的调优和选取过程为，具体包括：步骤201，获取模板雷达通信信号数据。
44.上述模板雷达通信信号数据对应有模板信号噪声特征数据，模板雷达通信信号数据中包括模板交互信号数据、模板深度卷积自编码父向量和模板深度卷积自编码子向量，模板深度卷积自编码父向量和模板深度卷积自编码子向量对应表达所述模板交互信号数据的特征向量。
45.本技术的一个具体实施方式中，可以预先提取模板雷达通信信号数据中的深度卷积自编码父向量和深度卷积自编码子向量，以将模板交互信号数据提取为模板深度卷积自编码父向量和模板深度卷积自编码子向量。
46.上述模板信号噪声特征数据表征模板交互信号数据在干扰噪声编码特征库中关联的标准特征字段编码向量，即同样加入训练的第二全局噪声编码向量。本技术的一个具体实施方式中，训练数据以数据对形式加载到自编码机初始化模型，例如，《模板交互信号数据，模板深度卷积自编码父向量，模板深度卷积自编码子向量；第二全局噪声编码向量，第二噪声编码父向量；第二噪声编码子向量》。
47.步骤202，获取模板交互信号数据与在先信任的干扰噪声编码库之间的第一模板干扰噪声编码特征、模板深度卷积自编码父向量与在先信任的信号交互通道的干扰噪声库的自编码父向量之间的第二模板干扰噪声编码特征、模板深度卷积自编码子向量与在先信任的信号交互通道的干扰噪声库的自编码子向量之间的第三模板干扰噪声编码特征。
48.其中，上述在先信任的干扰噪声编码库为信号噪声特征序列库中的干扰噪声编码特征相关的特征字段编码向量，信号交互通道自编码父向量和信号交互通道自编码子向量为构成在先信任的干扰噪声编码库的干扰噪声编码向量集。
49.步骤203，结合第一模板干扰噪声编码特征、第二模板干扰噪声编码特征和第三模板干扰噪声编码特征，生成目标信号噪声特征数据。
50.例如，将第一模板干扰噪声编码特征、第二模板干扰噪声编码特征和第三模板干扰噪声编码特征加载到全编码结构，输出全局噪声编码向量；将第二模板干扰噪声编码特征加载到父向量自编码结构，输出第一噪声编码父向量；将第三模板干扰噪声编码特征加载到子向量自编码结构，输出第一噪声编码子向量，其中，全局噪声编码向量、第一噪声编
码父向量和第一噪声编码子向量构成目标信号噪声特征数据。
51.步骤204，结合目标信号噪声特征数据与模板信号噪声特征数据之间的噪声损失特征数据，对自编码机初始化模型进行参数层信息的调优和选取，生成信号噪声特征提取模型。
52.本技术的一个具体实施方式中，结合全局噪声编码向量与第二全局噪声编码向量之间的噪声损失特征数据，生成第一目标损失函数值；结合第一噪声编码父向量与第二噪声编码父向量之间的噪声损失特征数据，生成第二目标损失函数值；结合第一噪声编码子向量与第二噪声编码子向量之间的噪声损失特征数据，生成第三目标损失函数值；结合第一目标损失函数值、第二目标损失函数值和第三目标损失函数值对自编码机初始化模型进行参数层信息的调优和选取，生成信号噪声特征提取模型。
53.通过以上实施例的步骤，通过将模板交互信号数据特征提取后的模板深度卷积自编码父向量和模板深度卷积自编码子向量与模板交互信号数据一起确定为自编码机初始化模型的模板数据，分别得到关联的模板干扰噪声编码特征，通过模板交互信号数据与在先信任的干扰噪声编码库之间的第一模板干扰噪声编码特征、模板深度卷积自编码父向量与在先信任的信号交互通道的干扰噪声库的自编码父向量之间的第二模板干扰噪声编码特征、模板深度卷积自编码子向量与在先信任的信号交互通道的干扰噪声库的自编码子向量之间的第三模板干扰噪声编码特征来确定模型学习信息，最后结合模型学习信息和模板交互信号数据关联的模板信号噪声特征数据之间的噪声损失特征数据对自编码机初始化模型进行参数层信息的调优和选取，以得到信号噪声特征提取模型。
54.本技术的一个具体实施方式中，步骤120的执行示例可以是：将所述雷达通信交互信号的信号噪声特征序列输入到噪声类型分类模型中，确定所述雷达通信交互信号的信号噪声特征序列所对应的目标噪声类型，并获取所述目标噪声类型所关联的目标信号去噪模板。
55.步骤120的执行示例可以是：基于所述目标信号去噪模板对所述雷达通信交互信号中对应于所述信号噪声特征序列的模板噪声特征进行去噪。
56.本技术的一个具体实施方式中，噪声类型分类模型可以通过以下步骤获得。
57.（1）获取模板信号噪声特征序列，本技术的一个具体实施方式中，所述模板信号噪声特征序列包括多个具有模板噪声标签特征的模板信号噪声特征。其中，可以包括多个噪声规律模板特征对应的用户噪声标签特征。
58.（2）获取模板深度学习网络模型，所述模板深度学习网络模型包括噪声规律特征解析单元、噪声标签连接单元以及特征关联性单元。
59.本技术的一个具体实施方式中，模板深度学习网络模型可以是卷积神经网络、循环卷积神经网络、残差神经网络等等，具体不进行限定。
60.（3）针对每个所述模板信号噪声特征，依据所述噪声规律特征解析单元获取所述模板信号噪声特征在多个噪声规律模板特征下的噪声规律匹配特征序列。
61.本技术的一个具体实施方式中，可以依据所述噪声规律特征解析单元针对所述模板信号噪声特征依次提取每个噪声规律模板特征下的噪声规律匹配特征序列。本技术的一个具体实施方式中，所述噪声规律特征解析单元可以包括多个卷积核，每一个卷积核用于对应提取一个或者多个噪声规律模板特征下的噪声规律匹配特征序列。
62.（4）依据所述噪声标签连接单元将每个所述噪声规律模板特征下的噪声规律匹配特征序列进行噪声标签特征输出，生成每个所述噪声规律模板特征下的噪声规律匹配特征序列对应的噪声标签特征。
63.本技术的一个具体实施方式中，本技术的一个具体实施方式中，可以将所述噪声规律匹配特征序列按照预设的噪声标签特征输出方式进行噪声标签特征输出。
64.（5）依据所述特征关联性单元结合所述噪声规律模板特征下的噪声规律匹配特征序列对应的噪声标签特征得到一目标噪声标签特征。
65.（6）结合所述目标噪声标签特征与所述模板噪声标签特征进行确定第一模型训练代价值。
66.本技术的一个具体实施方式中，例如，可以结合所述目标噪声标签特征中各噪声规律模板特征对应的噪声标签特征与所述模板噪声标签特征中各噪声规律模板特征对应的模板噪声标签特征之间的特征片段匹配度，进行确定所述第一模型训练代价值。例如，本技术的一个具体实施方式中，所述模型训练代价值可以用于表征所述目标噪声标签特征中各噪声规律模板特征对应的噪声标签特征与所述模板噪声标签特征中各噪声规律模板特征对应的模板噪声标签特征之间的特征片段匹配度。
67.（7）结合所述第一模型训练代价值对所述模板深度学习网络模型的参数层信息的调优和选取，直至所述第一模型训练代价值满足第一收敛评估条件，生成参数层信息调优结束的模板深度学习网络模型作为所述噪声类型分类模型。
68.本技术的一个具体实施方式中，所述第一模型训练代价值由各所述目标噪声标签特征中的各噪声标签特征与所述模板噪声标签特征中对应的各噪声标签特征的第一特征片段匹配度进行确定，所述第一收敛评估条件包括所述第一模型训练代价值所表达的第一特征片段匹配度大于第一目标设定匹配度。
69.本技术的另一个具体实施方式中（可与前述实施方式进行灵活选择），还可以包括如下步骤。
70.（11）获取模板信号噪声特征序列，所述模板信号噪声特征序列包括多个具有模板噪声标签特征的模板信号噪声特征。本技术的一个具体实施方式中，所述模板信号噪声特征序列可以与用于训练所述噪声类型分类模型的参考库相同。
71.（12）获取模板深度学习网络模型，并对所述模板深度学习网络模型进行结合信任认证的模型参数层信息的调优和选取，生成调优和选取后的模板深度学习网络模型。
72.（13）针对每个所述模板信号噪声特征，依据所述模板深度学习网络模型获取所述模板信号噪声特征在多个噪声规律模板特征下的噪声规律匹配特征序列，并结合所述噪声规律模板特征下的噪声规律匹配特征序列以及所述模板噪声标签特征包括的噪声标签特征进行确定第二模型训练代价值。
73.本技术的一个具体实施方式中，例如，可以结合所述目标噪声标签特征中各噪声规律模板特征对应的噪声标签特征与所述模板噪声标签特征中各噪声规律模板特征对应的模板噪声标签特征之间的特征片段匹配度，进行确定所述第二模型训练代价值。换句话说，本技术的一个具体实施方式中，所述第二模型训练代价值可以用于表征所述目标噪声标签特征中各噪声规律模板特征对应的噪声标签特征与所述模板噪声标签特征中各噪声规律模板特征对应的模板噪声标签特征之间的特征片段匹配度。
74.（14）结合所述第二模型训练代价值对所述调优和选取后的模板深度学习网络模型的参数层信息的调优和选取，直至所述第二模型训练代价值匹配第二收敛评估条件，生成参数层信息调优结束的模板深度学习网络模型作为噪声类型分类模型。
75.本技术的一个具体实施方式中，所述第二模型训练代价值由各所述噪声规律模板特征下的噪声规律匹配特征序列与所述模板噪声标签特征中对应的各噪声标签特征的第二特征片段匹配度进行确定，所述第二收敛评估条件包括所述第二模型训练代价值所表达的第二特征片段匹配度大于第二目标设定匹配度，所述第二目标设定匹配度小于所述第一目标设定匹配度。
76.本技术的一个具体实施方式中，关于上述模板信号噪声特征序列的获取方式，可以通过以下步骤实现。
77.（111）依据多个雷达通信系统获取任意雷达通信场景下的标的信号噪声特征数据，生成多个标的信号噪声特征数据。
78.（112）将各所述标的信号噪声特征数据作为模板信号噪声特征添加到目标标的噪声特征库中。
79.（113）提取所述目标标的噪声特征库中的各所述模板信号噪声特征在多个噪声规律模板特征下的噪声规律匹配特征序列，生成每个模板信号噪声特征对应的噪声规律特征变量。其中，所述噪声规律特征变量可以包括所述模板信号噪声特征中的用户的一个或者多个噪声规律匹配特征序列。
80.（114）结合每个所述模板信号噪声特征对应的噪声规律特征变量，对所述目标标的噪声特征库中的模板信号噪声特征进行冗余特征剔除，生成冗余特征剔除后的目标标的噪声特征库。本技术的一个具体实施方式中，为了避免模板信号噪声特征中的用户非认证特征变量过多而影响网络性能，需要结合所述噪声规律特征变量对所述目标标的噪声特征库中的模板信号噪声特征进行冗余特征剔除，以剔除存在冗余特征的模板信号噪声特征。
81.本技术的一个具体实施方式中，在（114）中，结合每个所述模板信号噪声特征对应的噪声规律特征变量，对所述目标标的噪声特征库中的模板信号噪声特征进行冗余特征剔除，生成冗余特征剔除后的目标标的噪声特征库，可以包括：针对每个所述模板信号噪声特征，解析所述模板信号噪声特征对应的所述噪声规律特征变量中是否存在非认证特征变量，如果解析到存在非认证特征变量，则将所述模板信号噪声特征从所述模板信号噪声特征序列中移除。
82.其中，所述非认证特征变量包括所述模板信号噪声特征对应的噪声规律特征变量中未匹配在先设定的噪声规律模板特征下的噪声规律匹配特征序列或者未匹配预设数量个噪声规律模板特征下的噪声规律匹配特征序列。
83.（115）结合冗余特征剔除后的目标标的噪声特征库中各模板信号噪声特征对应的噪声规律特征变量得到所述模板信号噪声特征对应的模板噪声标签特征，并将所述噪声标签特征与所述模板信号噪声特征在所述目标标的噪声特征库中进行相关配置，生成所述模板信号噪声特征序列。
84.所述获取模板信号噪声特征序列的步骤，还可以包括以下步骤。
85.首先，共享调度所述模板信号噪声特征序列中一部分模板信号噪声特征作为基础标的信号噪声特征数据。
86.其次，将所述基础标的信号噪声特征数据对应的噪声标签特征中的一个或者多个噪声规律模板特征对应的噪声标签特征进行标签扩展，所述标签扩展包括将对应的噪声标签特征使用关联标签特征标签扩展或者添加对应关联的噪声标签特征。
87.然后，将标签扩展后的基础标的信号噪声特征数据作为扩展模板信号噪声特征加载到所述模板信号噪声特征序列。
88.本技术的一个具体实施方式中，以所述多个噪声规律模板特征的数量为n为例，所述将所述基础标的信号噪声特征数据对应的噪声标签特征中的一个或者多个噪声特征属性对应的噪声标签特征进行标签扩展，可以依据以下方式实现：第一，将所述基础标的信号噪声特征数据添加到预设特征库中，生成基础标的信号噪声特征数据库；第二，确定每个噪声规律模板特征所需进行标签扩展的扩展指标；第三，结合第m个噪声规律模板特征所需进行标签扩展的扩展指标，从所述基础标的信号噪声特征数据库中获取对应数量的基础标的信号噪声特征数据，并对所述基础标的信号噪声特征数据对应的第m个噪声规律模板特征对应的噪声标签特征进行标签扩展，生成第m个扩展模板噪声标签特征库。
89.图4示出了本技术实施例提供的用于实现上述的基于雷达通信系统的信号去噪方法的信号去噪系统100的硬件结构意图，如图4所示，信号去噪系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
90.其中，信号去噪系统100可以是单个信号去噪系统，也可以是信号去噪系统组。所述信号去噪系统组可以是集中式的，也可以是分布式的(例如，信号去噪系统100可以是分布式的系统)。在一些实施例中，信号去噪系统100可以是本地的，也可以是远程的。例如，信号去噪系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如，信号去噪系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。在一些实施例中，信号去噪系统100可以在云平台上实施。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
91.机器可读存储介质120可以存储数据和/或指令。在一些实施例中，机器可读存储介质120可以存储从外部终端获取的数据。在一些实施例中，机器可读存储介质120可以存储信号去噪系统100用来执行或使用来完成本技术中描述的示例性方法的数据及/或指令。在一些实施例中，机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(rom)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(ram)。示例性ram可包括主动随机存取存储器(dram)、双倍数据速率同步主动随机存取存储器(ddr sdram)、被动随机存取存储器(sram)、晶闸管随机存取存储器(t-ram)和零电容随机存取存储器(z-ram)等。示例性只读存储器可以包括掩模型只读存储器(mrom)、可编程只读存储器(prom)、可擦除可编程只读存储器(perom)、电可擦除可编程只读存储器(eeprom)、光盘只读存储器(cd-rom)和数字多功能磁盘只读存储器等。在一些实施例中，机器可读存储介质120可以在云平台上实现。仅确定为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云，多层云等，或其任意组合。
92.在具体实现过程中，一个或多个处理器110执行机器可读存储介质120存储的计算机可执行指令，使得处理器110可以执行如上方法实施例的基于雷达通信系统的信号去噪方法，处理器110、机器可读存储介质120以及通信单元140结合总线130连接，处理器110可以用于控制通信单元140的收发动作。
93.处理器110的具体实现过程可参见上述信号去噪系统100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
94.此外，本技术实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机可执行指令，当处理器执行所述计算机可执行指令时，实现如上基于雷达通信系统的信号去噪方法。
95.当然，本技术实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上的方法操作，还可以执行本技术任意实施例所提供的基于雷达通信系统的信号去噪方法中的相关操作。
96.本技术实施例是参照根据本技术实施例的方法、设备和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其它可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其它可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
97.尽管在此结合各实施例对本技术进行了描述，然而，在实施所要求保护的本技术过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其它变化。在权利要求中，“包括”一词不排除其它组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其它单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
98.以上所描述的实施例仅仅是本技术的一部分实施例，而不是全部的实施例。通常在附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，在附图中提供的本技术的实施例的详细描述并非旨在边界本技术的保护范围，而仅仅是表示本技术的选定实施例。因此，本技术的保护范围应以权利要求的保护范围为准。此外，基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下可获得的所有其它实施例，都应属于本技术保护的范围。