CN111950198A - 一种基于神经网络的地杂波仿真方法 - Google Patents
一种基于神经网络的地杂波仿真方法 Download PDFInfo
- Publication number
- CN111950198A CN111950198A CN202010797082.2A CN202010797082A CN111950198A CN 111950198 A CN111950198 A CN 111950198A CN 202010797082 A CN202010797082 A CN 202010797082A CN 111950198 A CN111950198 A CN 111950198A
- Authority
- CN
- China
- Prior art keywords
- data
- ground clutter
- network
- layer
- feature
- 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.)
- Granted
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 238000013507 mapping Methods 0.000 claims abstract description 88
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 230000010287 polarization Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 43
- 230000004913 activation Effects 0.000 claims description 23
- 238000010606 normalization Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 4
- 239000010410 layer Substances 0.000 description 110
- 230000008569 process Effects 0.000 description 6
- 238000002592 echocardiography Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011545 laboratory measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241000063973 Mattia Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于神经网络的地杂波仿真方法、计算机设备及计算机可读存储介质，该方法包括：构建基于神经网络的特征映射网络和数据生成网络；使用给定地物分类、分级状态的地杂波理论仿真数据和地杂波实测数据作为训练集的样本，训练所述特征映射网络和所述数据生成网络；给定频段、俯仰角、极化，输入训练后的所述特征映射网络和所述数据生成网络，生成仿真的地杂波数据。本发明可以生成高质量的、用于雷达信号处理仿真的地杂波数据，从而解决地杂波理论仿真数据不够准确、实测数据数量不足的问题。
Description
技术领域
本发明涉及雷达信号处理技术领域，尤其涉及一种基于神经网络的地杂波仿真方法、计算机设备及计算机可读存储介质。
背景技术
在研究雷达性能、分析雷达信号时，经常需要利用到地杂波。目前，可用的地杂波数据主要来自于理论仿真和实测数据。一般情况下，对于低频段入射波照射时，平坦地表可以看作为单层指数谱粗糙面。1963年，P.Beckmann采用基尔霍夫近似方法(KA)研究了随机粗糙面和周期粗糙面的电磁散射回波。1979年，Bass等人分别采用微扰法(SPM)和基尔霍夫近似方法(KA)研究了随机粗糙面散射及其遮蔽效应。1994年，Voronovich提出小斜率近似方法(SSA)，并将其应用于粗糙面电磁散射回波的计算。1994年，A.K.Fung提出了积分方程法(IEM)，该方法填补了微扰法和基尔霍夫近似方法有效区域的空白，能在较宽的粗糙度范围内实现对地表后向散射回波的准确预测。2003年，Chen等人将格林函数Weyl谱中相位项的绝对值以及其梯度矢量中的高阶项进行了保留，采用过渡函数对菲涅尔反射系数进行了修正，提出了改进积分方程(AIEM)模型。相对于IEM模型，AIEM模型在粗糙面的极化电磁散射预测方面得到较大程度的改善。2013年，X.Y.Duan和M.Moghaddam采用稳定的扩展边界条件法计算了均匀分层或者垂直非均匀分层情况下的多层粗糙面电磁散射回波，并与矩量法和三阶微扰法进行了对比分析。2011年，Mattia计入了相干散射分量，对周期粗糙面的散射进行了改进，结果发现后向散射回波中出现了较多的相干散射峰值。上述粗糙面电磁散射理论的发展对地杂波的准确预测起到了极大的推动作用。在实测方面，地杂波测量有室内地物波谱实验室测量和室外测量两种主要的手段。国内外的研究所、大学等科研机构均开展过地杂波实测。
通过理论仿真对地杂波进行预测，可以得到大范围频带、角度的地杂波理论仿真数据，但理论仿真数据受限于理论模型的准确度，因此数据精度往往不高。而实测数据虽然更加精准，但受限于测量仪器、地物条件等因素，数据量通常不多，不足以满足对地杂波数据的需求。
发明内容
本发明的目的是针对上述至少一部分缺陷，提供一种基于神经网络智能学习的地杂波仿真方法，以解决地杂波理论仿真数据不够准确、实测数据数量不足的问题。
为了实现上述目的，本发明提供了一种基于神经网络的地杂波仿真方法，该方法包括如下步骤：
S1、构建基于神经网络的特征映射网络和数据生成网络；
其中，所述特征映射网络包括依次连接的地杂波物理仿真层、特征映射层和全连接层；地杂波物理仿真层用于输入地杂波参数，并根据地杂波参数和地面电磁散射理论模型生成地杂波数据，所述地杂波参数包括频段、俯仰角、极化，地杂波物理仿真层的输出为特征映射层的输入，特征映射层用于实现地杂波数据在特征空间上的映射，特征映射层的输出为全连接层的输入，全连接层用于将特征表示映射到低维的地杂波数据特征空间，输出地杂波数据特征；
所述数据生成网络包括全连接层和数据生成层；全连接层用于输入所述特征映射网络输出的地杂波数据特征，将地杂波数据特征空间的数据表示进行升维，全连接层的输出为数据生成层的输入，数据生成层用于根据输入特征生成并输出仿真的地杂波数据；
S2、使用给定地物分类、分级状态的地杂波理论仿真数据和地杂波实测数据作为训练集的样本，训练所述特征映射网络和所述数据生成网络，将各样本对应的地杂波参数输入所述特征映射网络，当所述数据生成网络输出的地杂波数据与训练用样本的偏差小于设定阈值后，停止训练；
S3、给定频段、俯仰角、极化，输入训练后的所述特征映射网络和所述数据生成网络，生成仿真的地杂波数据。
优选地，所述特征映射网络的特征映射层包括多个层级，每个层级均包括依次连接的卷积层模块、批量归一化模块和非线性激活函数模块；其中，
卷积层模块包含与卷积核做卷积运算和降采样的操作，其中卷积核取3*3或5*5，降采样的倍数为2，批量归一化模块对所述卷积层模块输出的数据做如下处理：减去数据均值，再除以数据标准差，非线性激活函数采用ReLU或LeakyReLU。
优选地，所述数据生成网络的数据生成层包括多个层级，每个层级均包括依次连接的反卷积层模块、批量归一化模块和非线性激活函数模块；其中，
反卷积层模块包含与卷积核做卷积运算和升采样的操作，其中卷积核取3*3或5*5，升采样的倍数为2；批量归一化模块对所述反卷积层模块输出的数据做如下处理：减去数据均值，再除以数据标准差；非线性激活函数采用ReLU或LeakyReLU。
优选地，所述特征映射网络中特征映射层的层级与所述数据生成网络中数据生成层的层级数量相同，或相差不超过一个层级。
优选地，所述步骤S2中，训练所述特征映射网络和所述数据生成网络时，综合优化特征绝对值偏差和特征相关性偏差，融合地杂波理论仿真数据和地杂波实测数据的特征。
优选地，所述步骤S2中，训练所述特征映射网络和所述数据生成网络时，训练采用的总损失函数Lt(θE,θG)表达式为：
其中，θE表示特征映射网络对应的地杂波参数，θG表示数据生成网络对应的地杂波参数，xsim表示地杂波理论仿真数据，xmea表示地杂波实测数据，
表示特征映射网络，
表示数据生成网络，总损失函数Lt(θE,θG)的第一项
代表在地杂波理论仿真数据上产生的偏差，第二项
代表在地杂波实测数据上产生的偏差，第三项
代表地杂波理论仿真数据和地杂波实测数据在特征空间上融合产生的偏差。
优选地，所述步骤S2中，使用给定地物分类、分级状态的地杂波理论仿真数据和地杂波实测数据作为训练集的样本时，地杂波理论仿真数据与同样条件下的地杂波实测数据相比，均方根误差小于5dB。
优选地，地杂波理论仿真数据与地杂波实测数据对应的样本数量比率范围为20:1至100:1。
本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的基于神经网络的地杂波仿真方法的步骤。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的基于神经网络的地杂波仿真方法的步骤。
本发明的上述技术方案具有如下优点：本发明提供了一种基于神经网络的地杂波仿真方法、计算机设备及计算机可读存储介质，本发明构建基于神经网络的特征映射网络和数据生成网络，通过神经网络进行智能学习，学习地杂波理论仿真数据与实测数据，融合理论仿真数据特征与实测数据特征，对两类数据取长补短，能够更好地生成高质量的地杂波数据，从而解决地杂波理论仿真数据质量不高、实测数据数量不足的问题。
附图说明
图1是本发明实施例中一种基于神经网络的地杂波仿真方法流程示意图；
图2是本发明实施例中一种特征映射网络结构示意图；
图3是本发明实施例中一种数据生成网络结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供的一种基于神经网络的地杂波仿真方法，该方法包括如下步骤：
S1、构建基于神经网络的特征映射网络和数据生成网络。
特征映射网络是从地杂波参数(频段、俯仰角、极化)到特征的网络，用于实现从地杂波参数到地杂波数据特征的映射。特征映射网络包括依次连接的地杂波物理仿真层、特征映射层和全连接层。其中，地杂波物理仿真层用于输入地杂波参数，并根据地杂波参数和地面电磁散射理论模型生成地杂波数据。地杂波参数包括地杂波的频段、俯仰角、极化(极化入射电磁波对应的极化矢量)。地杂波物理仿真层可选的地面电磁散射理论模型为经验拟合模型、双尺度复合散射模型、小斜率近似模型等。如果需要追求仿真效率，可以选用经验拟合模型；如果追求仿真精度，可以选用双尺度复合散射或小斜率近似模型等。
地杂波物理仿真层的输出为特征映射层的输入，特征映射层用于实现地杂波数据在特征空间上的映射。特征映射层的输出为全连接层的输入，全连接层用于将特征表示映射到低维的地杂波数据特征空间，输出地杂波数据特征。
如图2所示，特征映射网络的特征映射层包括至少一个层级，优选包括多个层级，各个层级依次连接，(更靠近特征映射层的总输入侧的)上一层级的输出作为(更靠近特征映射层的总输出侧的)下一层级的输入(如图2所示，在特征映射层包括三个层级的实施方式中，特征映射层第一层级的输入为地杂波物理仿真层的输出，特征映射层第一层级的输出为特征映射层第二层级的输入，特征映射层第二层级的输出为特征映射层第三层级的输入，特征映射层第三层级的输出为特征映射网络中全连接层的输入)。其中，特征映射层的每个层级均包括依次连接的卷积层模块、批量归一化模块和非线性激活函数模块，卷积层模块的输入为特征映射层该层级的输入，卷积层模块的输出为批量归一化模块的输入，批量归一化模块的输出为非线性激活函数模块的输入，非线性激活函数模块的输出为特征映射层该层级的输出。优选地，卷积层模块包含与卷积核做卷积运算和降采样的操作，其中卷积核一般取3*3或5*5，降采样的倍数一般为2。批量归一化模块对卷积层模块输出的数据做如下处理：减去数据均值，再除以数据标准差。非线性激活函数模块使用的非线性激活函数可采用ReLU、LeakyReLU等常用函数。
图2示出了一种特征映射层包括三个层级：特征映射层第一层级、特征映射层第二层级、特征映射层第三层级，的实施方式，在实际使用时，特征映射层的层级数量以及每个层级中每种模块(卷积层模块、批量归一化模块、非线性激活函数模块)的规模取决于地杂波数据的复杂度，可以根据实际需求进行调整。卷积层模块、批量归一化模块、非线性激活函数模块可采用现有技术实现。例如，可利用pytorch工具包中的Conv1d函数实现卷积层模块，BatchNorm1d函数实现批量归一化模块，ReLU函数实现非线性激活函数模块。
数据生成网络是从特征到(仿真的)地杂波数据的网络。数据生成网络包括全连接层和数据生成层。数据生成网络中全连接层用于输入所述特征映射网络输出的地杂波数据特征，将地杂波数据特征空间的数据表示进行升维，全连接层的输出为数据生成层的输入，数据生成层用于根据输入特征生成并输出仿真的地杂波数据。
如图3所示，数据生成网络的数据生成层包括至少一个层级，优选包括多个层级，各个层级依次连接，(更靠近数据生成层的总输入侧的)上一层级的输出作为(更靠近数据生成层的总输出侧的)下一层级的输入(如图3所示，在数据生成层包括三个层级的实施方式中，数据生成层第一层级的输入为数据生成网络中全连接层的输出，数据生成层第一层级的输出为数据生成层第二层级的输入，数据生成层第二层级的输出为数据生成层第三层级的输入，最后的数据生成层第三层级的输出即为数据生成网络的输出)。其中，数据生成层的每个层级均包括依次连接的反卷积层模块、批量归一化模块和非线性激活函数模块，反卷积层模块的输入为数据生成层该层级的输入，反卷积层模块的输出为批量归一化模块的输入，批量归一化模块的输出为非线性激活函数模块的输入，非线性激活函数模块的输入为数据生成层该层级的输出。优选地，反卷积层模块包含与卷积核做卷积运算和升采样的操作，其中卷积核一般取3*3或5*5，升采样的倍数一般为2。批量归一化模块对反卷积层模块输出的数据做如下处理：减去数据均值，再除以数据标准差。非线性激活函数模块使用的非线性激活函数一般采用ReLU、LeakyReLU等常用的函数。
图3示出了数据生成层包括三个层级：数据生成层第一层级、数据生成层第二层级、数据生成层第三层级，的实施方式，在实际使用时，数据生成层的层级数量以及每个层级中每种模块(反卷积层模块、批量归一化模块和非线性激活函数模块)的规模取决于地杂波数据的复杂度，可以根据实际需求进行调整。反卷积层模块、批量归一化模块、非线性激活函数模块可采用现有技术实现。
进一步地，为使得特征映射网络与数据生成网络更加匹配，特征映射网络中特征映射层的层级与数据生成网络中数据生成层的层级数量相同，或特征映射层的层级与数据生成层的层级相差不超过一个层级。这样可以使特征映射网络和数据生成网络的同步训练过程不会有太大的差距，使损失函数更容易收敛。
S2、使用给定地物分类、分级状态的地杂波理论仿真数据和地杂波实测数据作为训练集的样本，训练所述特征映射网络和所述数据生成网络，将各样本对应的地杂波参数输入所述特征映射网络，当所述数据生成网络输出的地杂波数据与训练用样本的偏差小于设定阈值后，停止训练。
在给定地物分类、分级状态的情况下，使用地杂波理论仿真数据和实测数据作为智能学习的训练集，同时训练特征映射网络和数据生成网络。优选地，步骤S2中，使用给定地物分类、分级状态的地杂波理论仿真数据和地杂波实测数据作为训练集的样本时，地杂波理论仿真数据需要与同样条件下的地杂波实测数据相比，均方根误差小于5dB。地杂波理论仿真数据可来自于微扰法或小斜率近似等物理仿真模型，涵盖多种频段(如S、C、X、Ku等)、俯仰角、极化。地杂波实测数据在算法研究人员感兴趣的场地获取，且测试设备按照行业标准进行校准。地杂波实测数据可来自于实验室测量或机载挂飞，涵盖有限的频段、俯仰角、极化。
为了达到较好的训练效果，地杂波理论仿真数据与地杂波实测数据的样本数量比率范围一般在20:1至100:1之间。比值过小会影响仿真数据中蕴含的物理规律向实测数据中迁移，比值过大会造成训练结果过拟合，降低神经网络所输出的地杂波数据的精度。
优选地，步骤S2中，训练所述特征映射网络和所述数据生成网络时，综合优化特征绝对值偏差和特征相关性偏差，融合地杂波理论仿真数据和地杂波实测数据的特征。步骤S2旨在通过特征融合调节网络参数(特征融合准则即综合考虑特征绝对值偏差和特征相关性偏差进行优化)。训练过程可以采用随机梯度下降、共轭梯度等现有技术中的方法，在此不再进一步限定。
进一步地，步骤S2中，训练所述特征映射网络和所述数据生成网络时，为实现综合优化特征绝对值偏差和特征相关性偏差，训练采用的总损失函数Lt(θE,θG)表达式为：
其中，θE表示特征映射网络对应的地杂波参数，θG表示数据生成网络对应的地杂波参数，xsim表示地杂波理论仿真数据，xmea表示地杂波实测数据，
表示特征映射网络，
表示数据生成网络。
L1{,}、L2{,}、L3{,}表示损失函数，总损失函数Lt(θE,θG)的第一项
代表在地杂波理论仿真数据上产生的偏差，第二项
代表在地杂波实测数据上产生的偏差，第三项
代表地杂波理论仿真数据和地杂波实测数据在特征空间上融合产生的偏差，一般包含特征绝对值偏差和特征相关性偏差的贡献。特征映射网络和数据生成网络的训练，对应寻找使损失函数L1(θE,θG)取到最小值的θE和θG，其中计算第一项、第二项、第三项偏差的损失函数L1{,}、L2{,}、L3{,}的具体计算形式可采用现有的神经网络训练过程中采用的损失函数，例如1-范数、2-范数、KL散度、交叉熵等，在此不再进一步限定。
进一步地，第一项、第二项、第三项偏差的损失函数L1{,}、L2{,}、L3{,}前面可以加上正则化系数，调节各项偏差的权重，以改善优化过程的收敛性。例如正则化系数可以反比于计算该项偏差的损失函数时用到的样本的数量，或根据神经网络训练调参经验设定。
S3、给定频段、俯仰角、极化，输入步骤S2训练后得到的所述特征映射网络和所述数据生成网络，对应地生成仿真的地杂波数据。
给定新的频段、俯仰角、极化的情况下，使用训练得到的特征映射网络和数据生成网络即可生成所需的地杂波数据。这些仿真的地杂波可以用于雷达信号处理仿真的输入，用以评估信号处理算法的性能，有效扩充实测数据数量、提升理论仿真数据质量，从而解决地杂波实测数据数量不足、理论仿真数据质量不高，无法满足需求的问题。
特别地，在本发明一些优选的实施方式中，还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一实施方式中所述的基于神经网络的地杂波仿真方法的步骤。
在本发明另一些优选的实施方式中，还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一实施方式中所述的基于神经网络的地杂波仿真方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程，在此不再重复说明。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于神经网络的地杂波仿真方法，其特征在于，包括如下步骤：
S1、构建基于神经网络的特征映射网络和数据生成网络；
其中，所述特征映射网络包括依次连接的地杂波物理仿真层、特征映射层和全连接层；地杂波物理仿真层用于输入地杂波参数，并根据地杂波参数和地面电磁散射理论模型生成地杂波数据，所述地杂波参数包括频段、俯仰角、极化，地杂波物理仿真层的输出为特征映射层的输入，特征映射层用于实现地杂波数据在特征空间上的映射，特征映射层的输出为全连接层的输入，全连接层用于将特征表示映射到低维的地杂波数据特征空间，输出地杂波数据特征；
所述数据生成网络包括全连接层和数据生成层；全连接层用于输入所述特征映射网络输出的地杂波数据特征，将地杂波数据特征空间的数据表示进行升维，全连接层的输出为数据生成层的输入，数据生成层用于根据输入特征生成并输出仿真的地杂波数据；
S2、使用给定地物分类、分级状态的地杂波理论仿真数据和地杂波实测数据作为训练集的样本，训练所述特征映射网络和所述数据生成网络，将各样本对应的地杂波参数输入所述特征映射网络，当所述数据生成网络输出的地杂波数据与训练用样本的偏差小于设定阈值后，停止训练；
S3、给定频段、俯仰角、极化，输入训练后的所述特征映射网络和所述数据生成网络，生成仿真的地杂波数据。
2.根据权利要求1所述的基于神经网络的地杂波仿真方法，其特征在于：
所述特征映射网络的特征映射层包括多个层级，每个层级均包括依次连接的卷积层模块、批量归一化模块和非线性激活函数模块；其中，
卷积层模块包含与卷积核做卷积运算和降采样的操作，其中卷积核取3*3或5*5，降采样的倍数为2，批量归一化模块对所述卷积层模块输出的数据做如下处理：减去数据均值，再除以数据标准差，非线性激活函数采用ReLU或LeakyReLU。
3.根据权利要求2所述的基于神经网络的地杂波仿真方法，其特征在于：
所述数据生成网络的数据生成层包括多个层级，每个层级均包括依次连接的反卷积层模块、批量归一化模块和非线性激活函数模块；其中，
反卷积层模块包含与卷积核做卷积运算和升采样的操作，其中卷积核取3*3或5*5，升采样的倍数为2；批量归一化模块对所述反卷积层模块输出的数据做如下处理：减去数据均值，再除以数据标准差；非线性激活函数采用ReLU或LeakyReLU。
4.根据权利要求3所述的基于神经网络的地杂波仿真方法，其特征在于：
所述特征映射网络中特征映射层的层级与所述数据生成网络中数据生成层的层级数量相同，或相差不超过一个层级。
5.根据权利要求1所述的基于神经网络的地杂波仿真方法，其特征在于：
所述步骤S2中，训练所述特征映射网络和所述数据生成网络时，综合优化特征绝对值偏差和特征相关性偏差，融合地杂波理论仿真数据和地杂波实测数据的特征。
6.根据权利要求5所述的基于神经网络的地杂波仿真方法，其特征在于：
所述步骤S2中，训练所述特征映射网络和所述数据生成网络时，训练采用的总损失函数Lt(θE,θG)表达式为：
其中，θE表示特征映射网络对应的地杂波参数，θG表示数据生成网络对应的地杂波参数，xsim表示地杂波理论仿真数据，xmea表示地杂波实测数据，
表示特征映射网络，
表示数据生成网络，总损失函数Lt(θE,θG)的第一项
代表在地杂波理论仿真数据上产生的偏差，第二项
代表在地杂波实测数据上产生的偏差，第三项
代表地杂波理论仿真数据和地杂波实测数据在特征空间上融合产生的偏差。
7.根据权利要求1所述的基于神经网络的地杂波仿真方法，其特征在于：
所述步骤S2中，使用给定地物分类、分级状态的地杂波理论仿真数据和地杂波实测数据作为训练集的样本时，地杂波理论仿真数据与同样条件下的地杂波实测数据相比，均方根误差小于5dB。
8.根据权利要求7所述的基于神经网络的地杂波仿真方法，其特征在于：
地杂波理论仿真数据与地杂波实测数据对应的样本数量比率范围为20:1至100:1。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的基于神经网络的地杂波仿真方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的基于神经网络的地杂波仿真方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010797082.2A CN111950198B (zh) | 2020-08-10 | 2020-08-10 | 一种基于神经网络的地杂波仿真方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010797082.2A CN111950198B (zh) | 2020-08-10 | 2020-08-10 | 一种基于神经网络的地杂波仿真方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111950198A true CN111950198A (zh) | 2020-11-17 |
| CN111950198B CN111950198B (zh) | 2024-02-02 |
Family
ID=73331979
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010797082.2A Active CN111950198B (zh) | 2020-08-10 | 2020-08-10 | 一种基于神经网络的地杂波仿真方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111950198B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103592638A (zh) * | 2013-11-20 | 2014-02-19 | 中国船舶重工集团公司第七二四研究所 | 一种基于环境信息的杂波仿真数据生成方法 |
| US20140333475A1 (en) * | 2013-05-08 | 2014-11-13 | Eigenor Oy | Method and arrangement for removing ground clutter |
| CN106443633A (zh) * | 2016-12-01 | 2017-02-22 | 哈尔滨工业大学 | 船载高频地波雷达海杂波时域抑制方法 |
| CN107247259A (zh) * | 2017-07-10 | 2017-10-13 | 西安电子科技大学 | 基于神经网络的k分布海杂波形状参数估计方法 |
| CN109061582A (zh) * | 2018-06-15 | 2018-12-21 | 中国民航大学 | 基于dem和dlcd的机载pd雷达高保真非均匀地杂波仿真方法 |
| CN109389058A (zh) * | 2018-09-25 | 2019-02-26 | 中国人民解放军海军航空大学 | 海杂波与噪声信号分类方法及系统 |
| CN110275148A (zh) * | 2019-06-20 | 2019-09-24 | 中国人民解放军海军航空大学 | 一种海杂波幅度分布参数估计方法及系统 |
| CN110555483A (zh) * | 2019-09-09 | 2019-12-10 | 西安电子科技大学 | 基于fw-dcgan特征生成的极化sar分类方法 |
| CN110879927A (zh) * | 2019-11-20 | 2020-03-13 | 中国海洋大学 | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 |
| CN111126361A (zh) * | 2019-11-19 | 2020-05-08 | 西安电子科技大学 | 基于半监督学习和特征约束的sar目标鉴别方法 |
| CN111220958A (zh) * | 2019-12-10 | 2020-06-02 | 西安宁远电子电工技术有限公司 | 基于一维卷积神经网络的雷达目标多普勒像分类识别方法 |
| WO2020136258A1 (fr) * | 2018-12-27 | 2020-07-02 | Thales | Dispositif de génération d'un ensemble de données simulées du fouillis de mer, procédé et programme d'ordinateur associés |
| CN111401180A (zh) * | 2020-03-09 | 2020-07-10 | 深圳大学 | 神经网络识别模型训练方法、装置、服务器及存储介质 |
-
2020
- 2020-08-10 CN CN202010797082.2A patent/CN111950198B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140333475A1 (en) * | 2013-05-08 | 2014-11-13 | Eigenor Oy | Method and arrangement for removing ground clutter |
| CN103592638A (zh) * | 2013-11-20 | 2014-02-19 | 中国船舶重工集团公司第七二四研究所 | 一种基于环境信息的杂波仿真数据生成方法 |
| CN106443633A (zh) * | 2016-12-01 | 2017-02-22 | 哈尔滨工业大学 | 船载高频地波雷达海杂波时域抑制方法 |
| CN107247259A (zh) * | 2017-07-10 | 2017-10-13 | 西安电子科技大学 | 基于神经网络的k分布海杂波形状参数估计方法 |
| CN109061582A (zh) * | 2018-06-15 | 2018-12-21 | 中国民航大学 | 基于dem和dlcd的机载pd雷达高保真非均匀地杂波仿真方法 |
| CN109389058A (zh) * | 2018-09-25 | 2019-02-26 | 中国人民解放军海军航空大学 | 海杂波与噪声信号分类方法及系统 |
| WO2020136258A1 (fr) * | 2018-12-27 | 2020-07-02 | Thales | Dispositif de génération d'un ensemble de données simulées du fouillis de mer, procédé et programme d'ordinateur associés |
| CN110275148A (zh) * | 2019-06-20 | 2019-09-24 | 中国人民解放军海军航空大学 | 一种海杂波幅度分布参数估计方法及系统 |
| CN110555483A (zh) * | 2019-09-09 | 2019-12-10 | 西安电子科技大学 | 基于fw-dcgan特征生成的极化sar分类方法 |
| CN111126361A (zh) * | 2019-11-19 | 2020-05-08 | 西安电子科技大学 | 基于半监督学习和特征约束的sar目标鉴别方法 |
| CN110879927A (zh) * | 2019-11-20 | 2020-03-13 | 中国海洋大学 | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 |
| CN111220958A (zh) * | 2019-12-10 | 2020-06-02 | 西安宁远电子电工技术有限公司 | 基于一维卷积神经网络的雷达目标多普勒像分类识别方法 |
| CN111401180A (zh) * | 2020-03-09 | 2020-07-10 | 深圳大学 | 神经网络识别模型训练方法、装置、服务器及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| YUNPENG CHANG ET AL.: "Generating SAR Images Based on Neural Network", 《2019 IEEE INTERNATIONAL CONFERENCE ON COMPUTATIONAL ELECTROMAGNETICS (ICCEM)》 * |
| 徐晓晗等: "航海雷达训练模拟器中海杂波图像生成算法研究", 《舰船电子工程》 * |
| 王雷雷: "基于GAN的SAR图像生成研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111950198B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105320959B (zh) | 基于端元学习的高光谱图像稀疏解混方法 | |
| CN112381137A (zh) | 新能源电力系统可靠性评估方法、装置、设备及存储介质 | |
| CN111950759A (zh) | 一种基于两级分解、lstm和at的短期风速预测方法 | |
| CN116560895B (zh) | 用于机械装备的故障诊断方法 | |
| CN111931983A (zh) | 一种降水量预测方法及系统 | |
| WO2023103130A1 (zh) | 一种基于量子游走的时间序列多尺度分析方法 | |
| CN111680786A (zh) | 一种基于改进权重门控单元的时序预测方法 | |
| CN114692947A (zh) | 一种基于VMD-Lasso-CNN-LSTM的用户用电能耗预测方法 | |
| CN115203865A (zh) | 一种基于数字孪生的产品装配过程机械性能在线预测方法 | |
| CN116485031A (zh) | 短期电力负荷的预测方法、装置、设备及存储介质 | |
| CN111950198B (zh) | 一种基于神经网络的地杂波仿真方法 | |
| CN116310851B (zh) | 遥感图像变化检测方法 | |
| CN110135085B (zh) | 基于自适应核密度估计辅助粒子滤波的疲劳裂纹评估方法 | |
| CN117592593A (zh) | 基于改进二次模态分解和WOA优化BILSTM-attention的短期电力负荷预测方法 | |
| CN117194926A (zh) | 陆上风电基地吊装窗口期预测方法及系统 | |
| Hu et al. | Grain yield predict based on GRA-AdaBoost-SVR model | |
| CN109840479B (zh) | 健康状态匹配方法及装置 | |
| Alvanitopoulos et al. | Solar radiation prediction model based on Empirical Mode Decomposition | |
| CN113822895A (zh) | 一种基于自注意力机制和CycleGAN的ScanSAR图像扇贝效应抑制方法 | |
| CN110907912B (zh) | 谐振区目标窄带模式下的极点特征求解方法 | |
| CN113962440A (zh) | 一种融合dpc和gru的光伏预测方法和系统 | |
| CN114047563A (zh) | 一种红外高光谱的全天候同化方法 | |
| Li et al. | An EEMD-SVD method based on gray wolf optimization algorithm for lidar signal noise reduction | |
| CN113433514A (zh) | 基于展开式深度网络的参数自学习干扰抑制方法 | |
| CN110751335A (zh) | 一种区域生态质量年景预测评价方法及装置 |
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 |