基于自动编码器的时频域干扰抑制方法

1.本发明属于雷达信号抗干扰技术领域，更进一步涉及一种时频域干扰抑制方法，可应用于合成孔径雷达抗干扰。


背景技术：

2.由于有源主瓣干扰能够极大地压制雷达成像效能，因此抗干扰技术是雷达信号处理技术的核心问题之一。传统的抗干扰手段，如自适应波束形成技术，在抑制有源主瓣干扰的同时，会造成与干扰同方位的目标信息丢失、主瓣畸变与偏移等问题，无法满足成像需求。另一方面，在合成孔径时间内，切片转发压制和多假目标等强脉冲式有源主瓣干扰的样式灵活多变，且与目标回波呈现强耦合性，难以在单一时域或频域设计滤波器对干扰进行分离处理。
3.通过时频分析可有效刻画切片转发压制和多假目标等典型有源主瓣干扰的调制样式信息，且在时频域中，切片转发压制和多假目标等典型强脉冲式有源主瓣干扰呈现较强的聚集性。ieee中l.zuo等人发表的《new smoothed time-frequency rate representations for suppressing cross terms》和r.zhang等人发表的《micro-doppler interference removal via histogram analysis in time-frequency domain》提出基于直方图统计的时频滤波方法，其根据直方图数据分布特征，自适应的选取干扰分割阈值，得到对干扰的时频域定位结果并进行滤除。
4.但此类方法由于基于时频域中干扰部分为能量最高部分的假设，并根据能量大小对干扰进行抑制，因此仅能够定位到时频域中能量最高的干扰部分，对于时频域中存在的其他能量相对更低的干扰部分，则无法抑制。同时由于该方法无法分辨回波是否收到干扰，对未收到干扰的回波也会采取同样的抑制操作，造成目标信息丢失。因此如何在时频域对复杂有源干扰进行特性表征，并构建适用性强的干扰检测器，对干扰进行特征检测与识别，从而进行精确抑制仍然是目前的难点。


技术实现要素：

5.本发明的目的是针对上述现有技术的不足，提出一种基于自动编码器的时频域干扰抑制方法，以避免目标信息丢失，提高对时频域空间分布干扰信号的抑制的精确度。
6.本发明的技术思路是：在不需要干扰数据集参与神经网络训练的情况下，通过用未受到干扰的正常雷达回波数据构成训练数据集，训练神经网络提取正常信号的时频域纹理特征。通过训练后的神经网络对干扰信号的时频域纹理特征提取结果的异常表现，在时频域的空间对干扰进行精确定位与抑制。
7.根据上述思路，本发明的具体实现包括如下：
8.(1)构建训练数据集：
9.(1a)设置短时傅里叶变换参数：窗函数、窗长、步长、傅里叶变换点数；
10.(1b)对无干扰的雷达回波数据集进行短时傅里叶变换，得到无干扰回波数据的时
频域数据集spec；
11.(1c)将时频域数据集的每一个数据的形式，从二维单通道复数数据变换为二维双通道实数数据，得到实数时频域数据集spec'；
12.(1d)给实数时频数据集的每一个数据加入高斯噪声，并对数据进行非线性归一化处理，得到训练数据集x；
13.(2)使用卷积神经网络基本组成结构，搭建包括七个卷积层和一个池化层组成的八层自动编码器网络；
14.(3)训练自动编码器网络：
15.(3a)设置训练参数：最大迭代次数m、学习率ρ、批次大小n；
16.(3b)使用l1损失函数和ssim损失函数构成损失函数loss(x,y)；
17.(3c)取出训练数据集中n个数据作为一次迭代训练的数据，使用动量法训练自动编码器网络对数据进行编码解码；
18.(3d)迭代执行步骤(3c)，直至达到最大迭代次数，得到训练好的自动编码器网络；
19.(4)获取分割阈值：
20.(4a)将训练数据集中的每一个数据，输入到训练好的自动编码器网络进行前向传播计算，得到训练数据集每个数据的网络输出；
21.(4b)计算训练数据集每个数据与其对应网络输出的差异值，并对差异值进行直方图统计，根据统计结果选择差异分割阈值；
22.(5)对干扰数据进行预处理：
23.(5a)使用与步骤(1a)中相同的短时傅里叶变换参数，对受到干扰的雷达回波数据进行短时傅里叶变换，得到干扰的时频域数据spec；
24.(5b)将干扰的时频域数据从二维单通道复数数据变换为二维双通道实数数据，得到干扰的实数时频域数据spec'；
25.(5c)对干扰的实数时频域数据进行非线性归一化处理，得到预处理后的干扰数据x；
26.(6)使用自动编码器网络进行干扰定位：
27.(6a)将预处理后的干扰数据输入训练好的自动编码器网络，进行网络的前向传播计算，得到干扰数据的网络输出；
28.(6b)计算干扰数据的网络输出与网络输入的差异值，并使用(4)中得到的分割阈值，对差异值进行分割：即将大于阈值的差异值设为0，小于阈值的差异值设为1，得到干扰定位结果；
29.(7)干扰抑制：
30.(7a)将干扰定位结果作为干扰抑制掩膜，并与干扰的时频域数据逐点相乘；
31.(7b)使用与步骤(1a)中相同的参数，对相乘后的干扰时频域数据进行逆短时傅里叶变换，变换后的结果即为干扰抑制结果。
32.本发明与现有的技术相比具有以下优点：
33.第一，本发明通过构建自动编码器网络，并训练网络完成对雷达回波数据的编码解码，实现了对雷达信号的时频域纹理特征进行深度提取，克服了现有技术中干扰时频特征提取困难的缺点。
34.第二，本发明通过自动编码器网络的输入输出差异值大小，对干扰进行精确定位，充分利用干扰在时频域的纹理异常，克服了现有技术中干扰定位精度粗糙、且对低能量干扰失效的缺点，避免了现有技术中可能将目标回波误判为干扰，造成目标丢失的缺点。
附图说明
35.图1是本发明的实现流程图；
36.图2是本发明中自动编码器神经网络的结构示意图；
37.图3是本发明的抗干扰仿真图。
具体实施方式
38.下面结合附图对本发明的实施例和效果作进一步详细描述。
39.参照图1，对本发明实现步骤包括如下：
40.步骤1，构建训练数据集。
41.本实例选用与需要进行干扰抑制的场景类似的场景雷达回波生成训练数据集，具体实现如下。
42.1.1)设置短时傅里叶变换参数：
43.窗函数采用汉明窗，窗长设置为63，步长设置为1，快速傅里叶变换点数设置为256。将雷达回波数据中；
44.1.2)对每一个方位向的回波数据进行短时傅里叶变换，得到回波的复数时频域数据，构成回波数据的复数时频域数据集spec；
45.1.3)将复数时频域数据集spec＝{spec1,...,speci,...,specn}中的每一个数据speci，分别取出其实部与虚部，并将实部与虚部沿通道维拼接，得到实数时频域数据集spec'＝{spec'1,...,spec'i,...,spec'n}，其中实数时频域数据集的每一个数据spec'i表示如下：
46.spec'i＝stack(real(speci),imag(speci))
47.式中，i∈[1,n]，n为数据个数，real(
·
)为取出复数数据的实部，imag(
·
)为取出复数数据的虚部，stack(
·
)为将输入的两个数据沿通道维拼接；
[0048]
1.4)对实数时频数据集中的每个数据进行非线性归一化：即遍历实数时频数据集spec'，先统计其中数据的最大值，作为归一化尺度scale：
[0049]
scale＝max(max(spec'i))
[0050]
再对该数据集中的每个数据加入均值为0、标准差为500的高斯噪声，并除以归一化尺度，然后输入双曲正切函数，得到训练数据集x＝{x1,...,xi,...,xn}，数据集的第i个数据xi：
[0051]
xi＝tanh((spec'i+noise)/scale)
[0052]
其中，i∈[1,n],n为数据个数，tanh(
·
)为双曲正切函数；noise为服从均值为0、标准差为500的高斯噪声。
[0053]
步骤2，搭建自动编码器网络模型。
[0054]
参照图2，本步骤搭建的自动编码器网模型共有八层，其中包含六个卷积层、一个转置卷积层、一个平均池化层。结构关系为：第1卷积层
→
第2卷积层
→
平均池化层
→
第3卷
积层
→
第4卷积层
→
转置卷积层
→
第5卷积层
→
第6卷积层。
[0055]
自动编码器网络的各层详细参数如表1所示：
[0056]
表1
[0057][0058]
步骤3，使用训练数据训练网络模型。
[0059]
3.1)设置训练参数：
[0060]
最大迭代次数m设置为2000、学习率ρ设置为0.0002、批大小n设置为32；
[0061]
3.2)设置训练所采用的损失函数loss(x,y)：
[0062]
将现有的l1损失函数l1(x,y)与现有的ssim损失函数ssim(x,y)相加构成损失函数loss(x,y)，公式为：
[0063]
loss(x,y)＝l1(x,y)+ssim(x,y)
[0064]
其中，l1(x,y)＝|x-y|，
[0065][0066]
x和y分别为网络的输入和输出，μ
x
和μy分别为网络输入输出的均值，σ
x
和σy分别为网络输入输出的标准差，σ
xy
为网络输入输出的协方差，c1和c2是两个数值不同的常数项，用于避免分母接近0时造成的不稳定，本实例中c1取值为0.0004，c2取值为0.0036；
[0067]
3.3)使用步骤1中生成的训练数据集对自动编码器网络中的各个参数进行训练：
[0068]
3.3.1)设k为迭代次数，初始值为1，mk为第k次迭代时的动量，令m0＝0；
[0069]
3.3.2)从训练数据集中取出n个数据i
in
，输入到自动编码器网络进行前向传播运算，得到运算结果i
out
；
[0070]
3.3.3)将i
in
和i
out
代入损失函数loss(x,y)得到损失值loss(i
in
,i
out
)，然后计算损失值loss(i
in
,i
out
)相对于网络中每个参数的梯度grad：
[0071][0072]
其中θ表示网络中的各个参数；
[0073]
3.3.4)使用梯度grad和学习率ρ，计算第k次迭代时的动量mk，并更新网络参数θ：
[0074]
mk＝0.9
×mk-1
+ρ
·
grad
[0075]
θ＝θ-mk[0076]
3.3.5)迭代执行(3.3.1)～(3.3.4)，直至k达到最大迭代次数m，得到训练好的自动编码器网络。
[0077]
步骤4，计算网络输出分割阈值。
[0078]
4.1)依次将训练数据集中的每一个数据x输入到已完成训练的自动编码器网络进行前向传播计算，将x作为网络第1层的输入x1，然后通过下式进行：
[0079]
yj＝layerj(xj)
[0080]
xj＝y
j-1
,j＞1
[0081]
式中，j∈[1,m]，m为网络层数，layerj(
·
)为网络的第j层，xj为网络第j层的输入，yj为网络第j层的输出结果。网络的最后一层输出ym就是网络的输出y。
[0082]
4.2)计算输出结果y与输入数据x的差异值d(x,y)：
[0083]
d(x,y)＝|x-y|
[0084]
式中，x为输入数据，y为网络输出；
[0085]
4.3)设定直方图列数c＝1024，对所有差异值进行归一化直方图统计，取直方图中归一化统计值不超过1/(10c)的最大的一列，将该列的边界划分阈值作为网络输出分割阈值。
[0086]
步骤5，干扰数据预处理。
[0087]
5.1)采用与步骤1中相同的短时傅里叶变换参数，对受到干扰雷达回波数据进行短时傅里叶变换，得到干扰的复数时频域数据；
[0088]
5.2)将干扰的复数时频域数据转换为卷积神经网络的输入形式，即将该数据的实部和虚部作为新维度的两个通道进行拼接，使得干扰的复数时频域数据变为干扰的实数时频域数据spec'；
[0089]
5.3)对干扰的实数时频域数据spec'进行非线性归一化，得到预处理后的干扰数据x：
[0090]
x＝tanh(spec'/scale)
[0091]
式中，tanh(
·
)是双曲正切函数，scale是步骤1中的归一化尺度。
[0092]
步骤6，对数据进行干扰定位。
[0093]
6.1)将预处理后的干扰数据x输入训练后的自动编码器网络，得到干扰数据的网络输出，并采用与步骤4相同的过程计算该网络输出与预处理后的干扰数据x的差异值；
[0094]
6.2)利用分割阈值对差异值进行分割，即将大于分割阈值的部分设为1，其余设为0，得到干扰定位结果。
[0095]
步骤7，对雷达回波数据进行干扰抑制。
[0096]
7.1)把步骤6得到的干扰定位结果作为干扰抑制掩膜，将其与步骤5中得到的复数时频域数据相乘，得到遮盖后的复数时频数据；
[0097]
7.2)使用与步骤1中相同的短时傅里叶变换参数，对遮盖后的复数时频数据进行逆短时傅里叶变换，得到干扰抑制后的雷达回波数据。
[0098]
本发明的效果可以通过以下仿真实验进一步说明。
[0099]
1.仿真条件：
[0100]
本发明仿真实验的硬件平台为：intel(r)core(tm)i7-10700 cpu，2.90ghz，内存
为64g，gpu为nvidia geforce rtx 3090。
[0101]
本发明仿真实验的软件平台为：pycharm2021。
[0102]
2.仿真内容与结果分析：
[0103]
在上述仿真条件下用本发明方法实对受到干扰的雷达回波数据进行干扰抑制仿真，结果如图3所示。其中图3a为受到干扰的雷达回波时频图，图3b为干扰抑制后的雷达回波时频图。
[0104]
从图3b中可以看出，图3a中存在的干扰已经完被抑制。
[0105]
综上所述，本发明通过构建自动编码器网络，并使用自动编码器网络的输入输出差异值大小，对干扰进行精确定位，有效改善了干扰时频特征提取困难的问题，提升了干扰定位精度、干扰抑制效果。