CN110967675B - 一种基于神经网络的卫星外辐射源目标被动探测方法 - Google Patents

一种基于神经网络的卫星外辐射源目标被动探测方法 Download PDF

Info

Publication number
CN110967675B
CN110967675B CN201910946716.3A CN201910946716A CN110967675B CN 110967675 B CN110967675 B CN 110967675B CN 201910946716 A CN201910946716 A CN 201910946716A CN 110967675 B CN110967675 B CN 110967675B
Authority
CN
China
Prior art keywords
network
signal
satellite
echo
input
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
Application number
CN201910946716.3A
Other languages
English (en)
Other versions
CN110967675A (zh
Inventor
刘明骞
郑诗斐
杨克虎
宫丰奎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201910946716.3A priority Critical patent/CN110967675B/zh
Publication of CN110967675A publication Critical patent/CN110967675A/zh
Application granted granted Critical
Publication of CN110967675B publication Critical patent/CN110967675B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/14—Receivers specially adapted for specific applications
    • 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
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/414—Discriminating targets with respect to background clutter
    • 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
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/415—Identification of targets based on measurements of movement associated with the target
    • 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
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/418—Theoretical aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明属于通信技术与信号处理技术领域，公开了一种基于神经网络的卫星外辐射源目标被动探测方法，首先利用采延迟反馈网络对含有海杂波的参考通道中卫星直达波信号进行提纯，并利用最小均方误差滤波器对回波通道中的卫星直达波信号进行自适应抑制；然后利用解耦回声状态网络对海杂波进行预测，将经过直达波抑制后的回波通道信号输入到解耦回声状态网络中，并提取解耦回声状态网络的预测值与输入值之间的差值；最后将提取到的差值进行归一化后输入到已训练的多层感知器中，进行回波信号的检测。本发明在信杂比大于‑40dB时，检测概率为100％，可见该发明对卫星外辐射源的目标被动探测是有效可行的。

Description

一种基于神经网络的卫星外辐射源目标被动探测方法
技术领域
本发明属于通信技术与信号处理技术领域，尤其涉及一种基于神经网络的卫星外辐射源目标被动探测方法。
背景技术
目前，最接近的现有技术：随着现代通信技术的发展，传统的目标探测技术已无法满足目前检测精度的需求并且。由于存在于空间的电磁信号十分丰富，如广播信号、移动通信信号、卫星信号等，这些均有可能作为无源雷达的照射源，与单独的接收机组成被动双基地无源雷达系统。尤其是卫星信号，其全天候、无盲区和绝对安全性的特点是其他空间电磁信号无法比拟的。但由于接收信号是目标的散射信号，其雷达等效反射截面积(RCS)较小，导致接收到的信号功率较弱。由于较强的直射信号的存在，使得微弱的回波信号很容易被淹没。因此需要对基于GPS照射源的目标的被动探测方法进行研究和探索。同时由于杂波的特性对卫星目标检测性能具有很大影响，并且运动目标可能被较强的海面杂波背景所淹没，导致运动目标检测困难，因此，研究基于强海杂波背景中运动目标的检测具有研究意义和使用价值。
现有技术一从理论上分析了卫星电视DVB-S、GPS卫星和GLONASS卫星作为无源雷达对空中目标探测的理论分析，针对无源雷达系统的可能几何形状和配置，对空中目标检测可达到的范围进行估算，表明了卫星用于空域监视的可能性，但未对卫星探测的杂波环境做进一步分析。
现有技术二基于稀疏傅里叶变换的有效距离游动缓解算法对移动目标进行检测，该方法通过将信号转换成短序列信号来执行长序列信号的速度补偿，但受低信杂比的影响很大，不能满足复杂环境下雷达运动目标的检测要求，且计算负担较繁重。
现有技术三提出利用径向基函数神经网络的预测消除算法来处理海杂波，通过对输入信号和预测信号进行对消信号，并对对消信号做傅里叶变换，以检测淹没在海杂波中的目标，虽然该方法能够显示出较好的海杂波中目标检测效果，但该方法未能在低信杂比下进行目标检测性能研究。
现有技术四研究了基于全球导航卫星系统(GNSS)反射信号的无源目标检测系统，分析了利用反射信号实现目标检测和定位系统，在灵活移动的平台上检测到海面目标的性能和特性，但该方法的接收机为移动平台，利用的是卫星系统的反射信号，且对低信杂比目标检测效果不理想，不适合对空中目标的检测。
综上所述，现有技术存在的问题是：现有基于卫星辐射源下的目标探测方法存在低信噪比环境下检测性能较差和海杂波背景下目标检测性能较差。
解决上述技术问题的难度：强海杂波背景下参考通道中海杂波难以抑制；目前海面目标检测多专注于利用反射信号进行无源目标检测，对海杂波中混杂的目标检测困难。
解决上述技术问题的意义：本发明提出的一种基于神经网络的卫星外辐射源目标被动探测方法能够在强海杂波背景下对目标进行有效检测。
发明内容
针对现有技术存在的问题，本发明提供了一种基于神经网络的卫星外辐射源目标被动探测方法。
本发明是这样实现的，一种基于神经网络的卫星外辐射源目标被动探测方法，所述基于神经网络的卫星外辐射源目标被动探测方法包括：
首先利用采延迟反馈网络对含有海杂波的参考通道中卫星直达波信号进行提纯，并利用最小均方误差滤波器对回波通道中的卫星直达波信号进行自适应抑制；
然后利用解耦回声状态网络对海杂波进行预测，将经过直达波抑制后的回波通道信号输入到解耦回声状态网络中，并提取解耦回声状态网络的预测值与输入值之间的差值，作为后续目标检测的提取特征；
最后将提取到的差值进行归一化后输入到已训练的多层感知器中，进行回波信号的检测。
进一步，所述基于神经网络的卫星外辐射源目标被动探测方法包括以下步骤：
步骤一，利用延迟反馈网络完成对海杂波信号的预测，将参考通道中的信号与其经过延迟反馈网络后的预测信号进行对消，经过符号函数处理后得到提纯后的卫星直达波信号，并通过最小均方误差机理对回波通道中的卫星直达波信号进行自适应抑制；
步骤二，利用解耦回声状态网络对监测通道中的海杂波信号进行预测，然后将进行卫星直达波抑制后的监测通道信号输入到解耦回声状态网络中，并将网络的输出信号与输入信号进行对消，得到对消后的信号，并作为检测量；
步骤三，将对消后的信号进行归一化处理后输入到已训练的多层感知器中，完成对回波信号的检测，当目标存在时输出01，目标不存在时输出10。
进一步，利用延迟反馈网络对参考通道中的卫星直达波信号进行提纯，并利用最小均方误差器对监测通道中的卫星直达波信号进行抑制，具体的实施步骤如下：
延迟反馈网络为；
Figure BDA0002224375530000031
其中，x(k)为输入的状态向量，ωi为状态的权值，N为延迟反馈网络中神经元的个数，τ为延迟长度，参考通道中信号x(t)表示为；
x(t)＝rs(t)+c(t)；
监测通道中的回波信号z(t)模型为：
Figure BDA0002224375530000032
其中，c(t)与c'(t)为服从K分布的海杂波，s(t)为卫星直达波信号，r为直达波信号的幅度，r'为卫星回波信号的幅度，τ为卫星回波信号相对直达波信号的时延，fd为卫星回波信号相对直达波的多普勒频移，Ω为监测通道中的直达波信号幅度；
(1)利用延迟反馈网络对参考通道中的卫星直达波信号进行提纯，首先确定延迟神经元的个数N与延迟长度τ，输入节点的长度为K,(K＞(N-1)·τ/N)，输出节点的长度为L＝K-(N-1)·τ/N；
(2)将海杂波序列c(k)添加在延迟反馈网络的输入端，通过
Figure BDA0002224375530000041
(1≤i≤N)计算储层状态
Figure BDA0002224375530000042
从而计算输出权重
Figure BDA0002224375530000043
其中y为输出的海杂波序列，
Figure BDA0002224375530000044
为Moore-Penrose广义逆矩阵，通过上述操作使所有状态的权重加权和近似网络输出，从而完成对网络中权重的训练；
(3)将参考通道接收到的信号x(k)添加在延迟反馈网络的输入端，通过对状态的权重加权和在输出端得到预测的海杂波序列
Figure BDA0002224375530000045
此时将参考通道信号x(k)与预测信号
Figure BDA0002224375530000046
进行对消，得到对消后的信号
Figure BDA0002224375530000047
该信号反映了卫星直达波信号的波动情况，提取出的卫星直达波信号为xd(k)＝sgn[x'(k)]，其中sgn[·]为符号函数；
(4)根据最小均方误差滤波器，进行卫星直达波信号自适应抑制后的监测通道信号z(k)只包含卫星回波信号和海杂波，z(k)表示为；
Figure BDA0002224375530000048
其中，c'(k)为预测的海杂波序列。
进一步，基于解耦回声状态网络对直达波抑制后的监测通道信号提取检测量具体步骤如下：
根据数据量的设定确定神经元的数量，此时，输入节点数为K输出节点数为L，并按照零均值独立均匀同分布原则，在区间[-a,a]上生成输入权重矩阵Win和矩阵W'，计算W'的连接权谱半径ρmax＝max{abs(W'的特征值)}，得到循环权重矩阵W＝m·(W'/|ρmax|)，其中m为为输入单元尺度；其中，回声状态网络的性能由储层的各个参数确定，即储层规模N、储层输入单元尺度IS、储层稀疏程度SD、储层内部链接权谱半径SR；
首先将海杂波序列u(n)输入到解耦回声状态网络的输入端，经过权值Win和W，得到储层状态；
x(n)＝f(Winu(n)+Wx(n-1)+Wbd(n-1)+γ(n))；
其中，f是S形激活函数，u(n)是输入状态，x(n)是储层内部状态，d(n-1)是反馈信号，γ(n)是插入状态更新方程的当前人工噪声向量；若输入层节点数为K，输出层节点数为L，则循环权重矩阵W为N×N的矩阵，输入权重矩阵Win为N×K的矩阵，反馈权重矩阵Wb为N×L的矩阵，这里采用的解耦回声状态网络具有四个储层，并且每个储层具有相同数量的神经元，其中权重矩阵和储层状态x(n)为；
W＝[(W1)T,(W2)T,(W3)T,(W4)T]T；
Figure BDA0002224375530000051
Figure BDA0002224375530000052
Figure BDA0002224375530000053
通过得到的状态x(n)以及输入海杂波u(n)和输出y(n)＝u(n)得到状态矩阵M和输出序列Z；
M＝(uT,xT,yT)；
Z＝yT；
根据M·Wout＝Z，通过线性回归得到输出矩阵Wout，从而完成对网络的训练；
然后将抑制后的监测通道信号z(k)添加在解耦回声状态网络的输入端，计算新的网络状态，然后计算网络输出，其中输出方程为；
y(n)＝fout(Woutx(n))；
其中，Wout为级联输出矩阵，矩阵大小为L×(K+N)；
通过输出方程在输出端得到预测的海杂波序列
Figure BDA0002224375530000062
计算输入信号和输出信号的对消信号
Figure BDA0002224375530000063
将z'(k)作为检测量用于检测回波信号。
进一步，通过将提取出的检测量进行归一化后输入到多层感知器中完成对目标的探测具体步骤包括：该多层感知器通过多层神经元进行预训练，并使用反向传播算法对网络中的权值和偏置进行微调；
首先确定网络的输入层，隐含层和输出层，给定初始输入，采用无监督方式训练堆叠稀疏自编码器，减小重构误差达到设定值，完成对自动编码器的初始化；
然后采用有监督的方式训练多层感知机的参数；
一个自编码器的输出为；
hi(z)＝σ(Wiy+bi1)；
z'＝Wi Ty+bi2；
其中，z为输入信号，σ(·)为sigmoid函数，hi(·)为第i个隐含层，bi1,bi2为网络偏置，Wi为网络权值。采用最小均方差作为代价函数，并利用梯度下降的方法进行权值和偏置的更新；
将检测量z'(k)做归一化处理后输入到多层感知机中，完成对卫星回波的检测，判决规则为；
Figure BDA0002224375530000061
若输出结果为“01”则目标存在，若输出结果为“10”则目标不存在。
本发明的另一目的在于提供一种应用所述基于神经网络的卫星外辐射源目标被动探测方法的卫星通信系统。
综上所述，本发明的优点及积极效果为：本发明提供的基于神经网络的卫星外辐射源目标被动探测方法，可以对低信杂比环境下，卫星外辐射源目标被动探测具有良好的检测性能。当信杂比大于-40dB时，目标的检测概率为100％。由此可见，本发明在低信噪比条件下，对卫星外辐射源目标被动探测具有良好的检测性能；利用本发明技术可以利用卫星辐射源信号对目标进行探测。
附图说明
图1是本发明实施例提供的基于神经网络的卫星外辐射源目标被动探测方法流程图。
图2是本发明实施例提供的基于神经网络的卫星外辐射源目标被动探测方法实现流程图。
图3是本发明实施例提供的基于神经网络的卫星外辐射源目标被动探测性能图。
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白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种基于神经网络的卫星外辐射源目标被动探测方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的基于神经网络的卫星外辐射源目标被动探测方法包括以下步骤：
S101：首先利用采延迟反馈网络对含有海杂波的参考通道中卫星直达波信号进行提纯，并利用最小均方误差滤波器对回波通道中的卫星直达波信号进行自适应抑制；
S102：然后利用解耦回声状态网络对海杂波进行预测，将经过直达波抑制后的回波通道信号输入到解耦回声状态网络中，并提取解耦回声状态网络的预测值与输入值之间的差值；
S103：最后将提取到的差值进行归一化后输入到已训练的多层感知器中，进行回波信号的检测。
下面结合附图对本发明的技术方案作进一步的描述。
如图2所示，本发明实施例提供的基于神经网络的卫星外辐射源目标被动探测方法具体包括以下步骤：
步骤一，利用延迟反馈网络完成对海杂波信号的预测，将参考通道中的信号与其经过延迟反馈网络后的预测信号进行对消，经过符号函数处理后得到提纯后的卫星直达波信号，并通过最小均方误差机理对回波通道中的卫星直达波信号进行自适应抑制；
需要说明的是，步骤一中利用延迟反馈网络对参考通道中的卫星直达波信号进行提纯原理为：
延迟反馈网络为：
Figure BDA0002224375530000081
其中，x(k)为输入的状态向量，ωi为状态的权值，N为延迟反馈网络中神经元的个数，τ为延迟长度，参考通道中信号x(t)表示为：
x(t)＝rs(t)+c(t)；
监测通道中的回波信号z(t)模型描述为：
Figure BDA0002224375530000082
其中，c(t)与c'(t)为服从K分布的海杂波，s(t)为卫星直达波信号，r为直达波信号的幅度，r'为卫星回波信号的幅度，τ为卫星回波信号相对直达波信号的时延，fd为卫星回波信号相对直达波的多普勒频移，Ω为监测通道中的直达波信号幅度；
利用延迟反馈网络对参考通道中的卫星直达波信号进行提纯，并利用最小均方误差器对监测通道中的卫星直达波信号进行抑制，该部分算法的步骤如下：
利用延迟反馈网络对参考通道中的卫星直达波信号进行提纯，首先确定延迟神经元的个数N与延迟长度τ，输入节点的长度为K,(K＞(N-1)·τ/N)，输出节点的长度为L＝K-(N-1)·τ/N；
将海杂波序列c(k)添加在延迟反馈网络的输入端，通过
Figure BDA0002224375530000091
(1≤i≤N)计算储层状态
Figure BDA0002224375530000092
从而计算输出权重
Figure BDA0002224375530000093
其中y为输出的海杂波序列，
Figure BDA0002224375530000094
为Moore-Penrose广义逆矩阵，通过上述操作使所有状态的权重加权和近似网络输出，从而完成对网络中权重的训练；
然后将参考通道接收到的信号x(k)添加在延迟反馈网络的输入端，通过对状态的权重加权和在输出端得到预测的海杂波序列
Figure BDA0002224375530000095
此时将参考通道信号x(k)与预测信号
Figure BDA0002224375530000096
进行对消，得到对消后的信号
Figure BDA0002224375530000097
该信号反映了卫星直达波信号的波动情况，因此采用符号函数对对消后的信号进行处理，从而提取出的卫星直达波信号为xd(k)＝sgn[x'(k)]，其中sgn[·]为符号函数；
由于下一步将采用解耦回声状态网络对回波信号进行检测，因此无需滤除监测通道中的海杂波信号，只对卫星直达波信号进行抑制。
根据最小均方误差滤波器，进行卫星直达波信号自适应抑制后的监测通道信号z(k)只包含卫星回波信号和海杂波，z(k)表示为；
Figure BDA0002224375530000098
其中，c'(k)为预测的海杂波序列；
步骤二，利用解耦回声状态网络对监测通道中的海杂波信号进行预测，然后将进行卫星直达波抑制后的监测通道信号输入到解耦回声状态网络中，并将网络的输出信号与输入信号进行对消，得到对消后的信号，并作为检测量；
需要说明的是，步骤二中基于解耦回声状态网络对直达波抑制后的监测通道信号提取不同的检测量具体的实施步骤如下：
根据数据量的设定确定神经元的数量，此时，输入节点数为K输出节点数为L，并按照零均值独立均匀同分布原则，在区间[-a,a]上生成输入权重矩阵Win和矩阵W'，计算W'的连接权谱半径ρmax＝max{abs(W'的特征值)}，可得到循环权重矩阵W＝m·(W'/|ρmax|)，其中m为为输入单元尺度。其中，回声状态网络的性能由储层的各个参数确定，即储层规模N、储层输入单元尺度IS、储层稀疏程度SD、储层内部链接权谱半径SR；
首先将海杂波序列u(n)输入到解耦回声状态网络的输入端，经过权值Win和W，得到储层状态；
x(n)＝f(Winu(n)+Wx(n-1)+Wbd(n-1)+γ(n))；
其中，f是S形激活函数，u(n)是输入状态，x(n)是储层内部状态，d(n-1)是反馈信号，γ(n)是插入状态更新方程的当前人工噪声向量，以确保网络的稳定性。若输入层节点数为K，输出层节点数为L，则循环权重矩阵W为N×N的矩阵，输入权重矩阵Win为N×K的矩阵，反馈权重矩阵Wb为N×L的矩阵，这里采用的解耦回声状态网络具有四个储层，并且每个储层具有相同数量的神经元，其中权重矩阵和储层状态x(n)为；
W＝[(W1)T,(W2)T,(W3)T,(W4)T]T；
Figure BDA0002224375530000101
Figure BDA0002224375530000102
Figure BDA0002224375530000103
通过得到的状态x(n)以及输入海杂波u(n)和输出y(n)＝u(n)得到状态矩阵M和输出序列Z；
M＝(uT,xT,yT)；
Z＝yT；
根据M·Wout＝Z，通过线性回归得到输出矩阵Wout，从而完成对网络的训练。
然后将经过卫星直达波抑制后的监测通道信号z(k)添加在解耦回声状态网络的输入端，计算新的网络状态，然后计算网络输出，其中输出方程为：
y(n)＝fout(Woutx(n))；
其中，Wout为级联输出矩阵，矩阵大小为L×(K+N)；
通过输出方程在输出端得到预测的海杂波序列
Figure BDA0002224375530000111
计算输入信号和输出信号的对消信号
Figure BDA0002224375530000112
根据解耦回声状态网络的机理可知，当卫星回波信号存在时，网络输入和输出的误差将会增大，因此输入信号和输出信号的对消信号反映了目标的存在状态。从而将z'(k)作为检测量用于检测回波信号是否存在；
步骤三，将对消后的信号进行归一化处理后输入到已训练的多层感知器中，从而完成对回波信号的检测，当目标存在时输出“01”，目标不存在时输出“10”；
需要说明的是，步骤三中通过将提取出的检测量进行归一化后输入到多层感知器中完成对目标的检测原理为：
将提取出的检测量输入到多层感知器中，进过已训练的多层神经网络，得到输出判决，判断回波是否存在。其中该多层感知器通过多层神经元进行预训练，并使用反向传播算法对网络中的权值和偏置进行微调，从而完成对神经网络的训练，具体的实施步骤如下：
首先确定网络的输入层，隐含层和输出层。给定初始输入，采用无监督方式训练堆叠稀疏自编码器，减小重构误差达到设定值，完成对自动编码器的初始化；
然后采用有监督的方式训练多层感知机的参数，训练方法采用反向传播算法中的梯度下降算法；
其中，一个自编码器的输出为；
hi(z)＝σ(Wiy+bi1)；
z'＝Wi Ty+bi2；
其中，z为输入信号，σ(·)为sigmoid函数，hi(·)为第i个隐含层，bi1,bi2为网络偏置，Wi为网络权值。采用最小均方差作为代价函数，并利用梯度下降的方法进行权值和偏置的更新；
将检测量z'(k)做归一化处理后输入到多层感知器中，得到输出判决，完成对卫星回波的检测，其中，判决规则为：
Figure BDA0002224375530000121
若输出结果为“01”则目标存在，若输出结果为“10”则目标不存在。
下面结合仿真实验对本发明的技术效果作详细的描述。
为了测试本发明方法的检验统计量的性能，下面的仿真实验采用信号的类型为全球导航卫星下的微弱回波信号，参数设置如下：采样频率设为fs＝15.7542GHZ，采样持续时间为100ms，GPS卫星直达波信号中载频1575.42MHZ，相对于直达波的回波信号的时延为τ＝50ms，相对于直达波的回波信号的频偏为fd＝600Hz，直达波信号与回波信号的功率比为40dB，回波信号与海杂波信号的信杂比范围为-50dB～-15dB。延迟反馈网络神经元个数为50，延迟长度为250个采样点。解耦回声状态网络储层个数为4个，每个储层有250个神经元，储层权重矩阵的稀疏密度为0.3，光谱半径为0.7。仿真结果如图3所示，当信杂比大于-40dB时，采用多层感知器对回波检测的检测概率为100％，且采样点为1200时效果优于采样点为600时的结果，仿真结果说明本发明的基于神经网络的卫星外辐射源目标被动探测方法是有效可行的。由此说明本发明方法在低信杂比条件下，对卫星外辐射源目标被动探测具有较好的检测性能。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于神经网络的卫星外辐射源目标被动探测方法，其特征在于，所述基于神经网络的卫星外辐射源目标被动探测方法包括：
首先利用延迟反馈网络对含有海杂波的参考通道中卫星直达波信号进行提纯，并利用最小均方误差滤波器对回波通道中的卫星直达波信号进行自适应抑制；
然后利用解耦回声状态网络对海杂波进行预测，将经过直达波抑制后的回波通道信号输入到解耦回声状态网络中，并提取解耦回声状态网络的预测值与输入值之间的差值；
最后将提取到的差值进行归一化后输入到已训练的多层感知器中，进行回波信号的检测；
利用延迟反馈网络对参考通道中的卫星直达波信号进行提纯，并利用最小均方误差器对监测通道中的卫星直达波信号进行抑制，具体的实施步骤如下：
延迟反馈网络为；
Figure FDA0003527159310000011
其中，x(k)为输入的状态向量，ωi为状态的权值，N为延迟反馈网络中神经元的个数，τ为延迟长度，参考通道中信号x(t)表示为；
x(t)＝rs(t)+c(t)；
监测通道中的回波信号z(t)模型为：
Figure FDA0003527159310000012
其中，c(t)与c'(t)为服从K分布的海杂波，s(t)为卫星直达波信号，r为直达波信号的幅度，r'为卫星回波信号的幅度，τ为卫星回波信号相对直达波信号的时延，fd为卫星回波信号相对直达波的多普勒频移，Ω为监测通道中的直达波信号幅度；
(1)利用延迟反馈网络对参考通道中的卫星直达波信号进行提纯，首先确定延迟神经元的个数N与延迟长度τ，输入节点的长度为K,K＞(N-1)·τ/N，输出节点的长度为L＝K-(N-1)·τ/N；
(2)将海杂波序列c(k)添加在延迟反馈网络的输入端，通过
Figure FDA0003527159310000021
计算储层状态
Figure FDA0003527159310000022
其中1≤i≤N，从而计算输出权重
Figure FDA0003527159310000023
其中y为输出的海杂波序列，
Figure FDA0003527159310000024
为Moore-Penrose广义逆矩阵，通过上述操作使所有状态的权重加权和近似网络输出，从而完成对网络中权重的训练；
(3)将参考通道接收到的信号x(k)添加在延迟反馈网络的输入端，通过对状态的权重加权和在输出端得到预测的海杂波序列
Figure FDA0003527159310000025
此时将参考通道信号x(k)与预测信号
Figure FDA0003527159310000026
进行对消，得到对消后的信号
Figure FDA0003527159310000027
该信号反映了卫星直达波信号的波动情况，提取出的卫星直达波信号为xd(k)＝sgn[x'(k)]，其中sgn[·]为符号函数；
(4)根据最小均方误差滤波器，进行卫星直达波信号自适应抑制后的监测通道信号z(k)只包含卫星回波信号和海杂波，z(k)表示为；
Figure FDA0003527159310000028
其中，c'(k)为预测的海杂波序列。
2.如权利要求1所述的一种基于神经网络的卫星外辐射源目标被动探测方法，其特征在于，所述基于神经网络的卫星外辐射源目标被动探测方法包括以下步骤：
步骤一，利用延迟反馈网络完成对海杂波信号的预测，将参考通道中的信号与其经过延迟反馈网络后的预测信号进行对消，经过符号函数处理后得到提纯后的卫星直达波信号，并通过最小均方误差机理对回波通道中的卫星直达波信号进行自适应抑制；
步骤二，利用解耦回声状态网络对监测通道中的海杂波信号进行预测，然后将进行卫星直达波抑制后的监测通道信号输入到解耦回声状态网络中，并将网络的输出信号与输入信号进行对消，得到对消后的信号，并作为检测量；
步骤三，将对消后的信号进行归一化处理后输入到已训练的多层感知器中，完成对回波信号的检测，当目标存在时输出01，目标不存在时输出10。
3.如权利要求1所述的一种基于神经网络的卫星外辐射源目标被动探测方法，其特征在于，基于解耦回声状态网络对直达波抑制后的监测通道信号提取检测量具体步骤如下：
根据数据量的设定确定神经元的数量，此时，输入节点数为K，输出节点数为L，并按照零均值独立均匀同分布原则，在区间[-a,a]上生成输入权重矩阵Win和矩阵W'，计算W'的连接权谱半径ρmax＝max{abs(W'的特征值)}，得到循环权重矩阵W＝m·(W'/|ρmax|)，其中m为输入单元尺度；其中，回声状态网络的性能由储层的各个参数确定，即储层规模N、储层输入单元尺度IS、储层稀疏程度SD、储层内部链接权谱半径SR；
首先将海杂波序列u(n)输入到解耦回声状态网络的输入端，经过权值Win和W，得到储层状态；
x(n)＝f(Winu(n)+Wx(n-1)+Wbd(n-1)+γ(n))；
其中，f是S形激活函数，u(n)是输入状态，x(n)是储层内部状态，d(n-1)是反馈信号，γ(n)是插入状态更新方程的当前人工噪声向量；若输入层节点数为K，输出层节点数为L，则循环权重矩阵W为N×N的矩阵，输入权重矩阵Win为N×K的矩阵，反馈权重矩阵Wb为N×L的矩阵，这里采用的解耦回声状态网络具有四个储层，并且每个储层具有相同数量的神经元，其中权重矩阵和储层状态x(n)为；
W＝[(W1)T,(W2)T,(W3)T,(W4)T]T；
Figure FDA0003527159310000031
Figure FDA0003527159310000032
Figure FDA0003527159310000033
通过得到的状态x(n)以及输入海杂波u(n)和输出y(n)＝u(n)得到状态矩阵M和输出序列Z；
M＝(uT,xT,yT)；
Z＝yT；
根据M·Wout＝Z，通过线性回归得到输出矩阵Wout，从而完成对网络的训练；然后将抑制后的监测通道信号z(k)添加在解耦回声状态网络的输入端，计算新的网络状态，然后计算网络输出，其中输出方程为；
y(n)＝fout(Woutx(n))；
其中，Wout为级联输出矩阵，矩阵大小为L×(K+N)；
通过输出方程在输出端得到预测的海杂波序列
Figure FDA0003527159310000041
计算输入信号和输出信号的对消信号
Figure FDA0003527159310000042
将z'(k)作为检测量用于检测回波信号。
4.如权利要求1所述的一种基于神经网络的卫星外辐射源目标被动探测方法，其特征在于，通过将提取出的检测量进行归一化后输入到多层感知器中完成对目标的探测具体步骤包括：该多层感知器通过多层神经元进行预训练，并使用反向传播算法对网络中的权值和偏置进行微调；
首先确定网络的输入层，隐含层和输出层，给定初始输入，采用无监督方式训练堆叠稀疏自编码器，减小重构误差达到设定值，完成对自编码器的初始化；
然后采用有监督的方式训练多层感知机的参数；
一个自编码器的输出为；
hi(z)＝σ(Wiy+bi1)；
z'＝Wi Ty+bi2；
其中，z为输入信号，σ(·)为sigmoid函数，hi(·)为第i个隐含层，bi1,bi2为网络偏置，Wi为网络权值；采用最小均方差作为代价函数，并利用梯度下降的方法进行权值和偏置的更新；
将检测量z'(k)做归一化处理后输入到多层感知机中，完成对卫星回波的检测，判决规则为；
Figure FDA0003527159310000051
若输出结果为“01”则目标存在，若输出结果为“10”则目标不存在。
5.一种应用权利要求1～4任意一项所述基于神经网络的卫星外辐射源目标被动探测方法的卫星通信系统。
CN201910946716.3A 2019-10-07 2019-10-07 一种基于神经网络的卫星外辐射源目标被动探测方法 Active CN110967675B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910946716.3A CN110967675B (zh) 2019-10-07 2019-10-07 一种基于神经网络的卫星外辐射源目标被动探测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910946716.3A CN110967675B (zh) 2019-10-07 2019-10-07 一种基于神经网络的卫星外辐射源目标被动探测方法

Publications (2)

Publication Number Publication Date
CN110967675A CN110967675A (zh) 2020-04-07
CN110967675B true CN110967675B (zh) 2022-04-22

Family

ID=70029704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910946716.3A Active CN110967675B (zh) 2019-10-07 2019-10-07 一种基于神经网络的卫星外辐射源目标被动探测方法

Country Status (1)

Country Link
CN (1) CN110967675B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111708055A (zh) * 2020-05-27 2020-09-25 桂林电子科技大学 一种导航欺骗信号检测方法及装置
CN111948618B (zh) * 2020-06-30 2023-12-22 西安电子科技大学 一种基于卫星外辐射源的前向散射目标探测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002091009A2 (en) * 2001-05-04 2002-11-14 Lockheed Martin Corporation System and method for detection and feature extraction in passive coherent location applications
CN102033227A (zh) * 2010-11-30 2011-04-27 哈尔滨工程大学 以gps导航卫星为外辐射源的无源雷达微弱目标检测方法
CN103728594A (zh) * 2013-12-31 2014-04-16 北京理工大学 基于多通道nlms的外辐射源雷达海杂波干扰抑制方法
CN105866750A (zh) * 2016-05-23 2016-08-17 西安电子科技大学 一种多个gps卫星微弱回波信号检测的方法
CN106199546A (zh) * 2016-06-30 2016-12-07 西安电子科技大学 基于外辐射源雷达的直达波信号提纯方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002091009A2 (en) * 2001-05-04 2002-11-14 Lockheed Martin Corporation System and method for detection and feature extraction in passive coherent location applications
CN102033227A (zh) * 2010-11-30 2011-04-27 哈尔滨工程大学 以gps导航卫星为外辐射源的无源雷达微弱目标检测方法
CN103728594A (zh) * 2013-12-31 2014-04-16 北京理工大学 基于多通道nlms的外辐射源雷达海杂波干扰抑制方法
CN105866750A (zh) * 2016-05-23 2016-08-17 西安电子科技大学 一种多个gps卫星微弱回波信号检测的方法
CN106199546A (zh) * 2016-06-30 2016-12-07 西安电子科技大学 基于外辐射源雷达的直达波信号提纯方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
无源雷达微弱目标检测技术的研究;吕东泽;《中国博士学位论文全文数据库 信息科技辑》;20130115(第01期);I136-194 *
海杂波建模及其背景下目标检测方法研究;徐湛;《中国博士学位论文全文数据库 信息科技辑》;20141215(第12期);I136-89 *

Also Published As

Publication number Publication date
CN110967675A (zh) 2020-04-07

Similar Documents

Publication Publication Date Title
CN110967665A (zh) 一种多个外辐射源下运动目标回波的doa估计方法
CN105223560B (zh) 基于杂波俯仰方位谱稀疏恢复的机载雷达目标检测方法
CN104977571B (zh) 基于俯仰频率分集stap的距离模糊杂波抑制方法
CN109324315B (zh) 基于双层次块稀疏性的空时自适应处理雷达杂波抑制方法
CN110967675B (zh) 一种基于神经网络的卫星外辐射源目标被动探测方法
CN106896348B (zh) 一种基于概率数据关联的雷达信号分选方法
CN112612006B (zh) 基于深度学习的机载雷达非均匀杂波抑制方法
CN112859014A (zh) 基于雷达信号分选的雷达干扰抑制方法、装置及介质
Su et al. Rao–Blackwellised particle filter based track-before-detect algorithm
CN103513244A (zh) 一种基于动态规划的多帧相参积累目标检测前跟踪方法
Chen et al. LFM signal detection and estimation based on deep convolutional neural network
Yi et al. Active cancellation analysis based on the radar detection probability
CN111220986A (zh) 回波功率筛选与dlcd辅助的低空风切变风速估计方法
Tian et al. Underwater multi-target passive detection based on transient signals using adaptive empirical mode decomposition
Fang et al. E 2 DTF: An End-to-End Detection and Tracking Framework for Multiple Micro-UAVs With FMCW-MIMO Radar
Guo et al. Target depth estimation by deep neural network based on acoustic interference structure in deep water
Li et al. Phase Compensation and Time-Reversal Transform for High-Order Maneuvering Target Detection
Wang et al. Neural network‐guided sparse recovery for interrupted‐sampling repeater jamming suppression
Wei et al. Fully coherent integration and measurement of optimized frequency agile waveform for weak target high-resolution ISAR imaging
Ge et al. Multi-radar hybrid detection algorithm based on information entropy
Jordanov et al. Intelligent radar signal recognition and classification
Li et al. Two-dimensional pulse-to-pulse canceller of ground clutter in airborne radar
US10591583B2 (en) Method for processing a radar signal in land/sea detection mode; processing system and associated computer program product
CN114609604B (zh) 无人机集群目标检测及目标轮廓、集群规模估计方法
Boukaba et al. Bootstrap based sequential detection in non-Gaussian correlated clutter

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