CN111610517A - 基于深度四通道网络的二次雷达信号处理方法 - Google Patents

Abstract

本发明属于雷达技术领域，具体的说是一种基于深度四通道网络的二次雷达信号去噪处理方法。具体方案为：首先准备二次雷达应答信号数据集，并进行数据集划分和数据集预处理。随后基于深度学习构建了一种新型深度四通道神经网络，由四个神经支路并联构成。四个通路可将学习到的不同深层信号特征进行充分融合，减少特征损失。最后将二次雷达测试数据输入深度四通道神经网络中，对噪声进行抑制。预测出时序应答信号。本发明具有很高的去噪性能，满足二次雷达接收应答信号时进行噪声抑制的需求。

Description

基于深度四通道网络的二次雷达信号处理方法

技术领域

本发明属于雷达技术领域，具体的说是一种基于深度四通道网络的二次雷达信号处理方法。

背景技术

二次雷达是由询问雷达和应答雷达所组成的无线电电子测位和辨认系统。询问雷达发射电磁波，应答雷达接收到询问电磁波后被触发，发射应答电磁波，询问雷达根据接收到的应答电磁而工作，实现识辨和测位。二次雷达的询问雷达和目标上的应答雷达之间按主动扫描询问和被动应答配合工作。询问雷达一般固定在地面，其扫描波束的脉冲用询问信号编码，应答雷达的应答脉冲带有自身代号的编码。询问脉冲和应答脉冲的载波频率是不同的，因而可防止误收发射波。

在实际情况中，二次雷达的信号环境包括目标，环境回波和人为的有源及无源干扰所产生的噪声干扰。地面设备从空间接收回来的信号不可能只含有有用信号，在传输过程中，会有各种噪声与有用信号混在一起，噪声与信号并存于信道中，对传输来说是有害的，它的存在使模拟信号发生失真，数字信号发生误码，数据传输率也受影响。因此，抑制二次雷达信号中的杂波噪声信号对二次雷达信号的正确解码尤为重要。

发明内容

本发明的目的是基于深度学习算法，构造一种深度四通道神经网络，提供一种能够有效抑制二次雷达应答信号中噪声的方法。

本发明采用的技术方案是，基于深度四通道网络的二次雷达信号处理方法，包括以下步骤：

S1、构造训练集和验证集：

将解调后的加入高斯白噪声的二次雷达应答信号作为训练数据集，记作

其中N代表信号样本数，K代表信号时间步长，未加入噪声的原始二次雷达应答信号作为标签，记作

按比例划分为训练数据集和验证数据集；

将应答信号训练样本数据进行随机打乱，对样本数据X和标签Y进行维度扩展，形成形式为(n，t，f)的3D张量，其中n表示样本数目，t表示时间步长，f表示特征层数目；

对数据进行归一化，公式：

将数据的所有特征映射到同一尺度0-1之间，得到训练集和验证集；

S2、构建深度四通道神经网络，包括初步特征提取部分、深层特征提取部分和上采样部分；

所述初步特征提取部分包括两个串联的卷积核尺寸为1*3，特征层数目均为64的宽卷积神经网络；

所述深层特征提取部分包括并联的四个结构相同的支路，每个支路由5个卷积层和2个池化层构成，5个卷积层的特征层数量由小变大，再由大变小，依次为64，128，256，512和64，每经两个卷积层进行一次池化操作，避免参数数量过大和冗余，每条支路输出参数尺寸为(n,128,64)，四条支路的输出融合在一起作为深层特征提取部分的输出，由于每个支路的参数即学习到的特征不完全相同，四个支路相互融合，减少处理流程中的特征损失；

所述上采样部分包括2个上采样层和3个卷积层，2个上采样层和2个卷积层依次交替连接，将深层特征提取部分输出的数据尺寸进行恢复，由于深层特征提取部分的两次池化，将时间步长缩短为128，因此连接两个上采样层，将数据尺寸恢复为(n,128,64)，最后连接特征层数目为1，卷积核尺寸为1*1的卷积层，激活函数采用sigmoid；

S3、采用训练集对构建的深度四通道神经网络进行训练，并采用验证集对超参数进行调整；采用均方误差MSE作为回归预测的损失函数，使用回调函数callbacks查看训练模型的内在状态，当评价指标不再提升时，自动减少学习率，当损失函数不再降低时，保存模型参数，获得训练好的深度四通道神经网络；

S4、将获得的二次雷达应答信号输入训练好的深度四通道神经网络，即可获得噪声抑制处理后的二次雷达应答信号。

本发明的有益效果为，深度神经网络可提取二次雷达应答信号的深层特征，四个通路可将学习到的不同信号特征进行充分融合，减少特征损失。该网络去噪性能优良，满足二次雷达接收应答信号时进行噪声抑制的需求。

附图说明

图1为深度四通道神经网络模型结构示意图；

图2为基于深度四通道神经网络的二次雷达信号处理流程图。

具体实施方式

下面结合附图和实施例对本发明的技术方案做进一步详细描述：

实施例

本例包括以下步骤：

第一步：数据集准备。

将样本总数为40000，时间步长为512的二次雷达应答信号作为样本数据。将加入信噪比SNR＝5的高斯白噪声的解调后应答信号作为训练数据，记作X＝{x_ij|i＝1,2,...,N；j＝1,2,...,K}，其中N＝40000,K＝512。未加入噪声的应答信号作为训练标签，记作Y＝{y_ij|i＝1,2,...,N；j＝1,2,...,K}。并以(0.8,0.1,0.1)的比例划分为训练集，验证集，测试集。

第二步：对数据集进行预处理。

将二次雷达应答信号训练样本数据进行随机打乱，对样本数据X和标签Y进行维度扩展，形成形式为(n，t，f)的3D张量，其中n表示样本数目，t＝512表示时间步长，f表示特征层数目。并对数据进行归一化处理。

第三步：构建深度四通道神经网络。

图1为深度四通道神经网络模型结构示意图。以卷积神经网络CNN为单元构建神经网络。首先由两个卷积核尺寸为1*3，特征层数目均为64的宽卷积神经网络CNN相连，进行初步特征提取。

接着将数据输入并联的四个支路的深层特征提取层。四个支路的构成相同，由5个卷积层CONV1D和2个池化层pooling构成。5个卷积层的特征层数量由小变大，再由大变小，依次为64，128，256，512和64。每经两个卷积层进行一次池化操作，避免参数数量过大和冗余。

将输出参数尺寸为(n,128,64)的四个支路进行连接融合，减少处理过程中的特征损失。由于两次池化将时间步长缩短为128，因此连接两个上采样层，将数据尺寸恢复为(n,128,64)。最后连接特征层数目为1，卷积核尺寸为1*1的卷积层，激活函数采用sigmoid。

第四步：神经网络训练和参数优化。

图2为基于深度四通道神经网络的二次雷达信号处理流程图。训练开始，对网络参数进行初始化。将二次雷达信号数据集的训练集和验证集输入到第三步构建的深度四通道神经网路中，验证集用于超参数的调整。采用均方误差MSE作为回归预测的损失函数，使用回调函数callbacks查看训练模型的内在状态，当评价指标不再提升时，自动减少学习率。当损失函数不再降低的epoch数目超过5时，停止训练并保存模型参数。

第五步：测试数据时序信号预测。

将测试数据X输入第四步中保存的网络模型中，输出经深度四通道神经网络进行噪声抑制处理并预测的二次雷达应答时序信号。

使用了各种不同噪声环境进行大量实验，包括SNR＝-5,SNR＝0,SNR＝1,SNR＝5,SNR＝10,SNR＝15,SNR＝20的二次雷达应答信号数据，测试得到本发明具有良好的去噪性能，能够准确预测出二次雷达应答信号，确保二次雷达信号正确解码译码。

Claims (1)

1.基于深度四通道网络的二次雷达信号处理方法，其特征在于，包括以下步骤：

S1、构造训练集和验证集：

将解调后的加入高斯白噪声的二次雷达应答信号作为训练数据集，记作

其中N代表信号样本数，K代表信号时间步长，未加入噪声的原始二次雷达应答信号作为标签，记作

按比例划分为训练数据集和验证数据集；

将应答信号训练样本数据进行随机打乱，对样本数据X和标签Y进行维度扩展，形成形式为(n，t，f)的3D张量，其中n表示样本数目，t表示时间步长，f表示特征层数目；

对数据进行归一化，将数据的所有特征映射到同一尺度之间，得到训练集和验证集；

S2、构建深度四通道神经网络，依次包括初步特征提取部分、深层特征提取部分和上采样部分；

所述初步特征提取部分包括2个串联的卷积核尺寸为1*3，特征层数目均为64的宽卷积层；

所述深层特征提取部分包括并联的四个结构相同的支路，每个支路由5个卷积层和2个池化层构成，5个卷积层的特征层数量由小变大，再由大变小，依次为64，128，256，512和64，每经两个卷积层进行一次池化操作，每条支路输出参数尺寸为(n,128,64)，四条支路的输出融合在一起作为深层特征提取部分的输出；

所述上采样部分包括2个上采样层和3个卷积层，2个上采样层和2个卷积层依次交替连接，将深层特征提取部分输出的数据尺寸进行恢复，最后连接特征层数目为1，卷积核尺寸为1*1的卷积层，激活函数采用sigmoid；

S3、采用训练集对构建的深度四通道神经网络进行训练，并采用验证集对超参数进行调整；采用均方误差MSE作为回归预测的损失函数，使用回调函数查看训练模型的内在状态，当损失函数不再降低时，保存模型参数，获得训练好的深度四通道神经网络；

S4、将获得的二次雷达应答信号输入训练好的深度四通道神经网络，即可获得噪声抑制处理后的二次雷达应答信号。

Images