CN109490840B - 基于改进稀疏自编码模型的雷达目标hrrp的降噪和重构方法 - Google Patents
基于改进稀疏自编码模型的雷达目标hrrp的降噪和重构方法 Download PDFInfo
- Publication number
- CN109490840B CN109490840B CN201811401078.9A CN201811401078A CN109490840B CN 109490840 B CN109490840 B CN 109490840B CN 201811401078 A CN201811401078 A CN 201811401078A CN 109490840 B CN109490840 B CN 109490840B
- Authority
- CN
- China
- Prior art keywords
- model
- weight matrix
- taking
- radar target
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 210000002569 neuron Anatomy 0.000 claims abstract description 10
- 230000009467 reduction Effects 0.000 claims abstract description 8
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 6
- 230000004913 activation Effects 0.000 claims description 8
- 238000012804 iterative process Methods 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- 230000002401 inhibitory effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Complex Calculations (AREA)
Abstract
本发明提出了一种基于改进稀疏自编码模型的雷达目标HRRP的降噪和重构方法。在非合作复杂电磁环境下,雷达目标一维距离像数据容易受到强噪声的污染,对雷达目标HRRP进行有效的降噪和重构可以极大的提高后续目标识别的正确率。该方法根据雷达目标HRRP的特点设计了模型的目标函数,利用过完备思想和本质维度估计的方法选取了自编码模型隐藏层的神经元个数和稀疏系数。最后,针对损失函数收敛于非零值这一问题,本文利用奇异值分解算法对模型的权值矩阵进行了微调,得到了最终的用于对雷达目标一维距离像数据进行降噪和重构的模型。该方法能够在抑制噪声的同时,很好的对雷达目标一维距离像数据进行重构。
Description
技术领域
本发明属于雷达数据预处理技术,涉及强噪声背景下的数据降噪和重构问题,提供了一种基于改进稀疏自编码的雷达数据预处理技术。
背景技术
目前主流的对信号重构降噪的方法是基于字典学习的稀疏重构方法,其基本原理利用较少的加权字典原子的线性组合来近似的表示高维的输入信号。稀疏表示的重构性能与噪声大小,字典完备性,稀疏系数等相关。其中过完备字典主要分为两个类型:固定字典和自适应学习字典。固定字典主要有超分辨傅里叶基字典、正交傅里叶基字典等,自适应学习字典需要利用K-SVD等方法来对初始字典进行更新。这些方法存在两个明显的不足之处,第一、需要目标的噪声分布的先验知识,第二、这些方法的降噪重构性能在高信噪比条件下普遍较好,而在低信噪比条件下普遍较差。
发明内容
本发明算法针对上述问题对上述问题进行了改进。一、使用稀疏降噪自编码模型对HRRP数据进行重构和降噪,通过对输入加随机噪声,对隐藏层加稀疏约束等方法,极大的增加了模型的鲁棒性和稀疏重构性能。二、通过估计HRRP数据的本质维数来推算模型的稀疏系数,解决了稀疏系数通常需要经过试验获得的问题。三、针对训练数据量有限,收敛函数不能收敛于0的情况,我们对训练后的权值矩阵进行了SVD分解,取满足要求的奇异值组成最终的权值矩阵,提高了模型的重构性能。
为实现上述目的,本发明实现步骤如下:
步骤1:计算HRRP数据的本质维度d,根据公式ρ=d/H求出出自编码模型的稀疏系数ρ。
步骤3:正向传播,对输入信号加入随机噪声(噪声服从高斯分布,均值为0,方差为σ2,其中σ服从均匀分布),并计算迭代过程中的目标函数值JSDAE。
步骤4:反向传播,利用链式法则对自编码模型的权值矩阵W进行更新,不用对解码过程中的权值矩阵和偏置进行更新,只需要对编码过程的权值和偏置进行更新。
步骤5:重复步骤3,4,直到损失函数收敛,得到训练后的权值矩阵W。
步骤6:对模型的权值矩阵W进行奇异值分解,保留满足条件的奇异值和其对应的向量,得到模型最后的权值矩阵Wm。
本发明相比现有技术具有如下的优点:
(1)该方法不需要目标的噪声分布的先验知识。
(2)在低信噪比条件下,该方法的重构降噪性能远远好于其他方法。
附图说明
图1:该方法的模型示意图。
图2:该方法的实施流程图。
具体实施方式
以下结合说明书附图对本发明作进一步详细描述。参照说明书附图,本发明的模型具体细节内容如下:
1.构建模型的目标函数
自编码模型的目标函数的表达式如下:
其中,
其中,为基于二范数的距离函数的误差项,Ωw为正则项,Ωs为稀疏项,λ和β为超参数,分别控制Ωweight和Ωsparsity的权重。x是原始数据,重构后的数据,fθ(·)为模型编码过程中的激活函数,gθ′(·)为模型解码过程中的激活函数,W={wji}为模型的权值矩阵,m为min-batch中训练样本的个数,H为隐藏层的神经元个数,D为输入数据的维度,ρ为模型的稀疏系数,hj(xi)表示数据xi对应的第j个神经元的激活值,表示隐藏层神经元的平均激活值,为min-batch中数据x对应的第j个神经元的激活值的方差。
2.基于本质维度估计的稀疏系数选取
步骤2:计算局部权值矩阵L和全局权值矩阵G
其中,L,G都是n×n的矩阵,θ是数据集的方差;
步骤3:求解以下方程的广义特征值
Gz=λMz
其中,M=(I-L)(I-L)T,I为n×n的单位矩阵,解得特征值为λ1,λ2,···,λn,且λ1≥λ2≥···≥λn。
步骤5:根据本质维数d,求模型的稀疏系数ρ=d/H,H为隐藏层的神经元个数。
3.权值矩阵的分解
步骤1:将权值矩阵W分解为W=UΛVT,其中W维度为K×D,U是K×K的正交矩
阵,V是D×D的正交矩阵,Λ是维度为K×D的矩阵,Λ=[Δ0]T,Δ=diag(σ1,σ2,…,σD),
Claims (3)
1.一种基于改进稀疏自编码模型的雷达目标HRRP的降噪和重构方法,其特征在于,包括以下步骤:
步骤1,计算HRRP数据的本质维数d,求出自编码模型的稀疏系数ρ;
步骤2,构建自编码模型,并对其权值矩阵W={wji}进行初始化;
步骤3,正向传播,对输入信号加入随机噪声并计算迭代过程中的目标函数值JSDAE;
步骤4,反向传播,利用链式法则对自编码模型的权值矩阵W进行更新;
步骤5,重复步骤3、4直到目标函数收敛,得到训练后模型的权值矩阵W;
步骤6,对模型的权值矩阵W进行奇异值分解,保留满足条件的奇异值和其对应的向量,得到模型最后的权值矩阵Wm,具体为:
将权值矩阵W分解为W=UΛVT,其中W维度为K×D,U是K×K的正交矩阵,V是D×D的正交矩阵,Λ是维度为K×D的矩阵,Λ=[Δ 0]T,Δ=diag(σ1,σ2,…,σD),且σ1≥σ2≥…≥σD;又设ui为U的第i列,vi为V的第i列,则有设取前k个奇异值保留,其他的奇异值置零,k满足则有
模型目标函数JSDAE的表达式具体如下,
3.如权利要求1或2所述的降噪和重构方法,其特征在于,所述稀疏系数的计算方法具体为:
根据本质维数d,求模型的稀疏系数ρ=d/H。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811401078.9A CN109490840B (zh) | 2018-11-22 | 2018-11-22 | 基于改进稀疏自编码模型的雷达目标hrrp的降噪和重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811401078.9A CN109490840B (zh) | 2018-11-22 | 2018-11-22 | 基于改进稀疏自编码模型的雷达目标hrrp的降噪和重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109490840A CN109490840A (zh) | 2019-03-19 |
CN109490840B true CN109490840B (zh) | 2022-05-31 |
Family
ID=65697616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811401078.9A Active CN109490840B (zh) | 2018-11-22 | 2018-11-22 | 基于改进稀疏自编码模型的雷达目标hrrp的降噪和重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109490840B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210518B (zh) * | 2019-05-08 | 2021-05-28 | 北京互金新融科技有限公司 | 提取降维特征的方法和装置 |
CN113267757B (zh) * | 2021-05-17 | 2022-03-08 | 电子科技大学 | 一种基于k次奇异值分解字典学习的未知目标判别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6292592B1 (en) * | 1998-10-19 | 2001-09-18 | Raytheon Company | Efficient multi-resolution space-time adaptive processor |
CN104539266A (zh) * | 2014-12-16 | 2015-04-22 | 中国人民解放军海军航空工程学院 | 基于自适应速率因子的卡尔曼一致性滤波器 |
CN107843875A (zh) * | 2016-09-19 | 2018-03-27 | 南京理工大学 | 基于奇异值分解降噪的贝叶斯压缩感知雷达数据融合方法 |
CN108416290A (zh) * | 2018-03-06 | 2018-08-17 | 中国船舶重工集团公司第七二四研究所 | 基于残差深度学习的雷达信号特征提取方法 |
CN108764064A (zh) * | 2018-05-07 | 2018-11-06 | 西北工业大学 | 基于导向滤波器与自编码器的sar目标识别算法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101598784B (zh) * | 2009-07-08 | 2012-06-27 | 西安电子科技大学 | 基于fa模型的强噪声背景下雷达距离像统计识别方法 |
US11074495B2 (en) * | 2013-02-28 | 2021-07-27 | Z Advanced Computing, Inc. (Zac) | System and method for extremely efficient image and pattern recognition and artificial intelligence platform |
CN106780342A (zh) * | 2016-12-28 | 2017-05-31 | 深圳市华星光电技术有限公司 | 基于稀疏域重构的单帧图像超分辨重建方法及装置 |
KR101833240B1 (ko) * | 2017-09-12 | 2018-03-02 | 엘아이지넥스원 주식회사 | Isar 신호 처리 방법 및 기록매체에 저장된 컴퓨터 프로그램 |
-
2018
- 2018-11-22 CN CN201811401078.9A patent/CN109490840B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6292592B1 (en) * | 1998-10-19 | 2001-09-18 | Raytheon Company | Efficient multi-resolution space-time adaptive processor |
CN104539266A (zh) * | 2014-12-16 | 2015-04-22 | 中国人民解放军海军航空工程学院 | 基于自适应速率因子的卡尔曼一致性滤波器 |
CN107843875A (zh) * | 2016-09-19 | 2018-03-27 | 南京理工大学 | 基于奇异值分解降噪的贝叶斯压缩感知雷达数据融合方法 |
CN108416290A (zh) * | 2018-03-06 | 2018-08-17 | 中国船舶重工集团公司第七二四研究所 | 基于残差深度学习的雷达信号特征提取方法 |
CN108764064A (zh) * | 2018-05-07 | 2018-11-06 | 西北工业大学 | 基于导向滤波器与自编码器的sar目标识别算法 |
Non-Patent Citations (5)
Title |
---|
《Nonlinear Dimensionality Reduction by Locally Linear Embedding》;SAM T. ROWEIS AND LAWRENCE K. SAUL;《Science》;20020104;2323-2326 * |
《Sparse auto-encoder based feature learning for human body detection in depth image》;Song-ZhiSu;《Signal Processing》;20150731;43-52 * |
简涛 ; 何友 ; 苏峰 ; 曲长文.《小波分析在雷达信号处理中的应用展望》.《现代防御技术》.2006, * |
赵飞翔 ; 刘永祥.《基于栈式降噪稀疏自动编码器的雷达目标识别方法》.《雷达学报》.2017, * |
马益路 ; 李跃华 ; 王聪.《太赫兹调频雷达目标HRRP深度自编码识别算法研究》.《微波学报》.2017, * |
Also Published As
Publication number | Publication date |
---|---|
CN109490840A (zh) | 2019-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109683161B (zh) | 一种基于深度admm网络的逆合成孔径雷达成像的方法 | |
CN110361778B (zh) | 一种基于生成对抗网络的地震数据重建方法 | |
CN110068805B (zh) | 基于变分贝叶斯推论的高速目标hrrp重构方法 | |
CN110161499B (zh) | 改进的稀疏贝叶斯学习isar成像散射系数估计方法 | |
CN108680891A (zh) | 非均匀噪声条件下考虑互耦效应的doa估计方法 | |
Polania et al. | Exploiting restricted Boltzmann machines and deep belief networks in compressed sensing | |
CN107292852B (zh) | 一种基于低秩理论的图像去噪算法 | |
CN109490840B (zh) | 基于改进稀疏自编码模型的雷达目标hrrp的降噪和重构方法 | |
Yang et al. | Underwater acoustic research trends with machine learning: general background | |
CN108880557B (zh) | 基于压缩感知的稀疏度自适应变步长匹配追踪方法 | |
CN107843875A (zh) | 基于奇异值分解降噪的贝叶斯压缩感知雷达数据融合方法 | |
CN115963494A (zh) | 基于快速sbl算法的周期性分段观测isar高分辨成像方法 | |
CN113222860A (zh) | 基于噪声结构多重正则化的图像恢复方法及系统 | |
CN114415110A (zh) | 一种非负稀疏贝叶斯学习的直接定位方法 | |
CN104463245B (zh) | 一种目标识别方法 | |
Liu et al. | Afnet and PAFnet: fast and accurate SAR autofocus based on deep learning | |
CN103530857B (zh) | 基于多尺度的卡尔曼滤波图像去噪方法 | |
CN115014313B (zh) | 一种基于并行多尺度的偏振光罗盘航向误差处理方法 | |
CN107561536B (zh) | 压缩感知逆合成孔径雷达偏离栅格的快速成像方法 | |
CN115453527A (zh) | 一种周期性分段观测isar高分辨成像方法 | |
CN113534040B (zh) | 基于加权二阶稀疏贝叶斯的相干信源离栅doa估计方法 | |
Dou et al. | Deep learning imaging for 1-D aperture synthesis radiometers | |
CN107704724B (zh) | 基于Meridian分布的贝叶斯压缩感知的参数选取方法 | |
CN111077493B (zh) | 一种基于实值离格变分贝叶斯推理的nested阵列波达方向估计方法 | |
Bishop et al. | Autoencoders |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |