CN113311397B - 基于卷积神经网络的大型阵列快速自适应抗干扰方法 - Google Patents

Abstract

本发明提出一种基于卷积神经网络的大型阵列快速自适应抗干扰方法，主要解决现有技术中大型相控阵自适应波束形成存在的计算量大和波束保形差的问题，其实现方案为：构建相控阵雷达接收信号模型、训练样本集和测试样本集；建立阵元权值预测子网络W生成阵元权值，根据阵元权值利用方向图生成器P生成方向图Q，将W与P级联组成方向图凋零保形网络H；设置由凋零损失函数L₁和保形损失函数L₂组成的方向图凋零保形网络损失函数L；利用训练样本集采用梯度下降法对H进行训练；将测试样本集输入到训练好的权值预测网络获得大型阵列抗干扰结果。本发明由于避免了干扰零陷对方向图的影响，降低了自适应抗干扰算法的计算量，可用于目标检测。

Description

基于卷积神经网络的大型阵列快速自适应抗干扰方法

技术领域

本发明属于雷达信号处理技术领域，特别涉及一种大型阵列快速自适应抗干扰方法，可用于目标检测。

背景技术

雷达信号处理是对雷达回波信号进行分析处理，最终得到目标的距离、方位等有用信息的过程。目前，相控阵雷达技术已经广泛应用在各种类型的雷达，如气象雷达、探鸟雷达、交通管制雷达。

相控阵雷达常用的技术波束形成是指将阵元输出功率经过加权求和处理形成具有空间指向性波束的方法。利用波束形成后的方向图进行后续处理得到目标距离方位等信息。所以采用合适的波束形成技术是更准确地得到目标距离方位的前提。基于静态波束形成的方法操作简单，计算复杂度低，但是随着电磁环境的日益复杂，干扰信号层出不穷，简单的静态波束形成无法有效的抗干扰，使得后续信号处理困难。为了让相控阵雷达在空域有滤波性能，基于自适应波束形成的方法应运而生。自适应波束形成是在某种最优准则下通过自适应算法来实现阵元输出信号加权的权集寻优。自适应波束形成算法可以实时计算权值的原因是自适应波束形成能适应各种环境的变化，实时的将权集调整到最佳位置附近。自适应波束形成中的调零技术是相控阵雷达发展过程中发展出的一种抗干扰技术。该技术通过在干扰信号方向改变权值，产生方向图零陷，从而抑制干扰信号的进入，进而减少干扰信号对期望信号所带信息准确性的影响。对于大型相控阵雷达，阵元个数成百上千个，直接进行自适应波束形成运算时间过长。科研人员提出了一些加快自适应波束形成速度的方法。

第一种是将深度神经网络和自适应波束形成结合，提高自适应波束形成预测权值的速度。例如，1998年Zooghby在文献Neural network-based adaptive beamforming forone and two dimensional antenna arrays中引入径向基神经网络进行波束形成。2008年Xin在文献Robust adaptive beamforming algorithm based on neural network中提出了一种了新的鲁棒自适应波束形成神经网络方法，该算法基于对期望信号阵响应不确定性的显式建模和属于对角加载方法的三层径向基函数神经网络。2004年Suksmono在文献Intelligent beamforming by using a complex-valued neural network中将复数神经网络引入到自适应波束形成领域，提高了自适应波束形成的收敛速度，但是本方法依旧需要迭代求解，自适应权值的输出依旧耗时过多。2009年Savitha在文献Adaptivebeamforming using complex-valued radial basis function neural networks中将完全复数值激活函数的完全复数值径向基网络进行波束形成，得到了更好的零点抑制和包络保形。2015年张宝军等人在文献基于径向基函数神经网络的波束形成算法中利用径向基神经网络逼近最小方差无失真相应算法(MVDR)求取权值。2020年王博在文献低快拍下基于RBF的CSB sin-FDA稳健波束形成中提出了一种在低快拍数下将修正后的协方差矩阵输入到径向基网络中，得到和高快拍数情况下MVDR算法相近的权值。以上多篇文献都利用了径向基神经网络进行波束形成，但是这种神经网络不仅训练过程复杂，还需要额外的聚类等操作，并且为了避免多层网络，还需要知道很多先验知识。2019年李嘉辛在文献基于神经网络的主瓣干扰抑制技术中提出了利用前馈神经网络BP神经网络进行自适应波束形成，生成了在干扰角度附近有深零陷其他方位角保形的方向图，但是本方法在波束形成前，需要有干扰个数和干扰角度的先验知识。2019年柏沫羽在文献基于深度神经网络的自适应波束形成算法中提出了利用深度神经网络分段训练，将训练信号分别输入到LMS算法和深度神经网络，用LMS得到的权值来修正神经网络输出的权值，最终使得神经网络输出权值逼近LMS算法输出权值。以上方法使用的网络都与卷积神经网络都有很大的区别，卷积神经网络最突出的优势在于权值共享网络结构，降低了网络模型的复杂度，减少了权值数量。

第二种是在自适应波束形成前进行子阵划分，该方法通过一定的准则将阵面划分为多个子阵，以降低阵面维度来减少计算量，进而减少波束形成计算时间。例如，申请公布号为CN202010239032.2，名称为《一种分块并行的大型阵列快速自适应波束形成方法》的专利申请，公开了一种基于子阵划分的快速自适应波束形成方法。首先，该方法重构阵列雷达接收数据。接下来根据粒子群算法对阵面进行子阵划分。然后同步将各个子阵内数据求协方差。然后将阵列导向矢量按照子阵划分方式分成若干个子导向矢量。再接下来，根据子阵数据协方差矩阵和子阵导向矢量得到各个子阵内阵元对应的自适应抗干扰权值。最后，将各个子阵的抗干扰权值按照子阵划分的方式组合，得到阵面的自适应抗干扰权值。此发明可以并行运算，提高了算法的实时性。但是，该方法仍存在一些不足之处：

其一，子阵划分会影响系统自由度。子阵个数太多会造成每个子阵内阵元数目太少，因而每个子阵内数据量太少，计算出的抗干扰权值不准确，导致主瓣波束变宽，旁瓣抬高，方向图保形不佳；

其二，子阵个数太少会造成每个子阵内阵元数目太多，在计算数据协方差矩阵时，计算量太大，无法快速计算出各个子阵内自适应抗干扰权值。

发明内容

本发明的目的在于克服上述现有技术的不足，提出一种基于卷积神经网络的大型阵列快速自适应抗干扰方法，以减小在相控阵阵元数目较多时的计算量，避免主瓣偏移，降低旁瓣电平，提升保形效果，从而减小虚警概率和测角误差。

为实现上述目的，本发明的技术方案包括如下：

A)分别构建相控阵雷达接收信号模型X、训练样本集D_a和测试样本集D_b；

B)建立由多个层叠的复卷积层组成的阵元权值预测子网络W生成阵元权值V，根据阵元权值V利用方向图生成器P生成方向图Q，并将阵元权值预测子网络W与方向图生成器P进行级联，组成方向图凋零保形网络H；

C)设置方向图凋零保形网络H的损失函数为：L＝δL₁+(1-δ)L₂，其中，L₁为凋零损失函数，L₂为保形损失函数，δ为L₁和L₂的平衡权重，0≤δ≤1；

D)设置最大迭代次数K≥200，并令初始迭代次数k＝1，将训练样本集D_a输入到方向图凋零保形网络H中，采用梯度下降法，对凋零保形网络H进行更新，直到损失函数L收敛或者迭代次数达到最大迭代次数，得到训练好的权值预测网络H′；

E)将测试样本集D_b输入到训练好的权值预测网络H′中，得到大型相控阵雷达自适应抗干扰结果。

本发明与现有技术相比，具有如下优点：

第一，本发明由于利用了由多个复卷积层构成的权值预测子网络W这种卷积神经网络生成阵元权值V，因而不需要计算矩阵求逆，减少了计算量，在实际应用中处理大规模阵列信号时，能更快的求出抗干扰权值，进行实时抗干扰。

第二，本发明由于对方向图凋零保形网络H设置了由凋零损失函数L₁，保形损失函数L₂组成的损失函数L，即在设置损失函数时同时考虑到了方向图的凋零和保形，因而利用训练好的权值预测网络H′生成的方向图除了在干扰信号方向形成零陷外，还可在除了干扰信号方向外的其他方向进行保形，使得利用本发明在处理大规模阵列信号时，既可保证在方向图的干扰方位上产生凹陷，又能保证在方向图的其他方向上保形，不会出现主瓣偏移和旁瓣过高的不利现象，降低了虚警概率，减少了目标测角误差。

附图说明

图1为本发明的实现流程图。

具体实施方式

下面结合附图和具体实施例，对本发明作进一步详细描述。

参照图1，本实例的实现步骤如下：

步骤1，构建相控阵雷达接收信号模型、训练样本集和测试样本集。

1.1)根据平面阵列模型中的目标信号E(t,θ_e,φ_e)和平面阵列模型中的干扰信号F(t,θ_f,φ_f)和随机噪声信号G(t)构建阵元间隔为1mm的28行28列均匀平面相控阵雷达接收信号模型X为:

X＝E(t,θ_e,φ_e)+F(t,θ_f,φ_f)+G(t)，

其中，

为平面阵列模型中目标信号的复包络，

为目标信号的导向矢量，S_e(t)＝2*exp(j*20*t)目标信号的复包络，t为雷达接收到信号的时刻，t＞0，N_r是阵面行数，N_c为阵面列数，r为阵元所处行位置，1≤r≤28，c为阵元所处列位置，1≤c≤28，θ_e和φ_e分别为目标信号的方位角和俯仰角，-180°≤θ_e≤180°，0°≤φ_e≤90°，a_e(r,c,θ_e,φ_e)为目标信号的导向矢量在阵列位置为第r行第c列的阵元处的值，exp为以自然对数为底的指数函数，x_r,c，y_r,c和z_r,c构成阵列位置为第r行第c列的阵元的空间坐标；

为平面阵列模型中的干扰信号，

为干扰信号的导向矢量，S_f(t)＝5*exp(j*30*t)为干扰信号的复包络，θ_f和φ_f分别为干扰信号的方位角和俯仰角，-180°≤θ_f≤180°，0°≤φ_f≤90°，a_f(r,c,θ_f,φ_f)为干扰信号的导向矢量在阵列位置为第r行第c列的阵元处的值；

1.2)构建训练样本集和测试样本集：

生成2500个由信号样本x_i与干扰信号的角度

构成的样本对

并从中随机选择2000个样本对作为训练样本集

剩余的500个样本对作为测试样本集

其中:

信号样本

个接受信号X沿着时间维度按照时间先后顺序依次拼接而成的张量；

为第i个信号样本x_i中干扰信号的方位角，第i个信号样本x_i中干扰信号的方位角

从均匀分布U(-180°,180°)中独立采样得到；

为第i个信号样本x_i中干扰信号的俯仰角，第i个信号样本x_i中干扰信号的俯仰角

从均匀分布U(0°,90°)中独立采样得到。

步骤2，构建阵元权值预测子网络W，生成方向图Q和凋零保形网络H。

2.1)建立由多个层叠的复卷积层组成的阵元权值预测子网络W：

本实施构建的阵元权值预测子网络W共有五层，其具体结构为：

第一复卷积层→第二复卷积层→第三复卷积层→第四复卷积层→第五复卷积层，各复卷积层的参数如下：

第一复卷积层输入数据的大小为(28)*(28)*(256)，填充数量为1，填充数据为0，卷积核大小为(3)*(3)*(256)，个数为128，滑动步长为1；

第二复卷积层输入数据的大小为(28)*(28)*(128)，填充数量为1，填充数据为0，卷积核大小为(3)*(3)*(128)，个数为64，滑动步长为1；

第三复卷积层输入数据的大小为(28)*(28)*(64)，填充数量为1，填充数据为0，卷积核大小为(3)*(3)*(64)，个数为32，滑动步长为1；

第四复卷积层输入数据的大小为(28)*(28)*(32)，填充数量为1，填充数据为0，卷积核大小为(3)*(3)*(32)，个数为16，滑动步长为1；

第五复卷积层输入数据的大小为(28)*(28)*(16)，填充数量为1，填充数据为0，卷积核大小为(3)*(3)*(16)，个数为1，滑动步长为1；

其中，(.)*(.)*(.)中的第一个括号内是数据的长度，第二个括号内是数据的宽度，第三个括号内是数据的厚度。

2.2)利用阵元权值预测子网络W生成预测阵元权值V：

将数据大小为(28)*(28)*(256)的信号样本x_i输入到阵元权值预测子网络W中，第一复卷积层中的128个卷积核分别对信号样本x_i进行卷积，得到大小为(28)*(28)*(128)的第二复卷积层输入数据；

第二复卷积层中的64个卷积核分别对第二复卷积层输入数据进行卷积，得到大小为(28)*(28)*(64)的第三复卷积层输入数据；

第三复卷积层中的32个卷积核分别对第三复卷积层输入数据进行卷积，得到大小为(28)*(28)*(32)的第四复卷积层输入数据；

第四复卷积层中的16个卷积核分别对第四复卷积层输入数据进行卷积，得到大小为(28)*(28)*(16)的第五复卷积层输入数据；

第五复卷积层中的1个卷积核对第五复卷积层输入数据进行卷积，得到大小为(28)*(28)*(1)的每个阵元对应的权值v(r,c)；

每个阵元对应的权值v(r,c)组成阵元权值矩阵：

其中，(.)*(.)*(.)中的第一个括号内是数据的长度，第二个括号内是数据的宽度，第三个括号内是数据的厚度，v(r,c)为阵列位置为第r行第c列的阵元所对应的权值。

2.3)根据阵元权值V，利用方向图生成器P生成方向图Q；

方向图是由各个阵元的方向图绝对值q(j_θ,j_φ)组成，即

其中

N_θ为方位角扫描采样个数，N_φ为方位角扫描采样个数，1≤j_θ≤800，1≤j_φ≤200，N_r为阵列的行数，N_c为阵列的列数，abs(.)为计算复数模值的函数，v(r,c)为阵列位置为第r行第c列的阵元所对应的权值，本实例取N_θ＝1801，N_φ＝1801，N_r＝28，N_c＝28；

为扫描导向矢量在阵列位置为第r行第c列阵元处的值，θ_scan为N_θ个在[-180°，180°]中均匀分布的扫描俯仰角，φ_scan为N_φ个均匀分布在[0°，90°]的扫描俯仰角，x_r,c，y_r,c和z_r,c是阵列位置为第r行第c列的阵元的空间坐标。

2.4)将阵元权值预测子网络W和方向图生成器P进行级联，组成方向图凋零保形网络H。

步骤3，设置方向图凋零保形网络H的损失函数L。

损失函数描述了由预测权值得到的预测方向图和期望方向图之间的差距。本实例的损失函数L由两部分组成，一部分是凋零损失函数L₁，另一部分是保形损失函数L₂，表示为：

L＝δL₁+(1-δ)L₂，

其中，

为扫描方位角最接近第i个信号样本x_i中干扰信号的方位角

扫描俯仰角最接近第i个信号样本x_i中干扰信号的俯仰角

的方向图绝对值；N_a为样本数据个数，N_θ为方位角扫描采样个数，N_φ为方位角扫描采样个数，q(j_θ,j_φ)为扫描方位角序号和扫描俯仰角序号分别为j_θ和j_φ的方向图绝对值，1≤j_θ≤1801，1≤j_φ≤1801，abs(.)为绝对值函数，N_r为阵列的行数，N_c为阵列的列数，a_e(r,c,θ_e,φ_e)为目标信号的导向矢量在阵列位置在第r行第c列的阵元处的值，

为扫描导向矢量在阵列位置为第r行第c列的阵元处的值，δ为L₁和L₂的平衡权重，本实例取N_a＝2000，N_θ＝1801，N_φ＝1801，N_r＝28，N_c＝28，δ＝0.5。

步骤4，对方向图凋零保形网络H进行训练。

4.1)设置最大迭代次数K≥200，并令初始迭代次数O＝1，采用正态分布随机点对方向图凋零保形网络H的权值A_r ^(l)进行初始化，同时将方向图凋零保形网络H的偏置B_r ^(l)初始化为0，得到初始化后的方向图凋零保形网络H，在本实例中，K＝1000；

4.2)将训练样本集D_a输入到方向图凋零保形网络H中，通过方向图凋零保形网络H的五层复卷积层得到阵元权值V，该阵元权值V利用方向图生成器P生成方向图Q，再根据Q计算损失函数L的值；

4.3)设对H进行训练时的学习步长为η，0.0001≤η≤0.1，采用梯度下降法，通过迭代计算损失函数L对H的权值A_r(t) ^(l)和偏置B_r(t) ^(l)进行更新，得到更新后的权值A_r(t+1) ^(l)和更新后的偏置B_r(t+1) ^(l)：

其中，在本实施例中η＝0.001；

4.4)判断当前的迭代次数是否大于等于最大迭代次数或者损失函数L是否收敛，若O≥K或者L收敛，则得到训练好的方向图凋零保形网络H′，执行步骤5，否则，令O＝O+1，返回(4.2)。

步骤5，将测试样本集D_b输入到训练好的权值预测网络H′中，得到大型相控阵雷达自适应抗干扰结果。

以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (4)

1.一种基于卷积神经网络的大型阵列快速自适应抗干扰方法，其特征在于，包括：

A)分别构建相控阵雷达接收信号模型X、训练样本集D_a和测试样本集D_b；

B)建立由多个层叠的复卷积层组成的阵元权值预测子网络W生成阵元权值V，根据阵元权值V利用方向图生成器P生成方向图Q，并将阵元权值预测子网络W与方向图生成器P进行级联，组成方向图凋零保形网络H；

所述阵元权值预测子网络W，其结构依次为：第一复卷积层→第二复卷积层→第三复卷积层→第四复卷积层→第五复卷积层，各层参数如下：

第一复卷积层输入数据的大小为(N_r)*(N_c)*(T)，填充数量为1，填充数据为0，卷积核大小为(ck)*(ck)*(T)，个数为T/2，滑动步长为1；

第二复卷积层输入数据的大小为(N_r)*(N_c)*(T/2)，填充数量为1，填充数据为0，卷积核大小为(ck)*(ck)*(T/2)，个数为T/4，滑动步长为1；

第三复卷积层输入数据的大小为(N_r)*(N_c)*(T/4)，填充数量为1，填充数据为0，卷积核大小为(ck)*(ck)*(T/4)，个数为T/8，滑动步长为1；

第四复卷积层输入数据的大小为(N_r)*(N_c)*(T/8)，填充数量为1，填充数据为0，卷积核大小为(ck)*(ck)*(T/8)，个数为T/16，滑动步长为1；

第五复卷积层输入数据的大小为(N_r)*(N_c)*(T/16)，填充数量为1，填充数据为0，卷积核大小为(ck)*(ck)*(T/16)，个数为1，滑动步长为1；

其中，ck是卷积核长度，N_r是阵面行数，N_c为阵面列数，T为接收信号X沿着时间维度按照时间先后顺序依次拼接而成的张量长度，(.)*(.)*(.)中的第一个括号内是数据的长度，第二个括号内是数据的宽度，第三个括号内是数据的厚度；

C)设置方向图凋零保形网络H的损失函数为：L＝δL₁+(1-δ)L₂，其中，L₁为凋零损失函数，L₂为保形损失函数，δ为L₁和L₂的平衡权重，0≤δ≤1；其中的凋零损失函数L₁和保形损失函数L₂分别表示如下：

其中，

为扫描方位角最接近第i个信号样本x_i中干扰信号的方位角

扫描俯仰角最接近第i个信号样本x_i中干扰信号的俯仰角

的方向图绝对值，N_a为样本数据个数，N_θ为方位角扫描采样个数，N_θ＞400，N_φ为方位角扫描采样个数，N_φ＞100，q(j_θ,j_φ)为扫描方位角序号和扫描俯仰角序号分别为j_θ和j_φ的方向图绝对值，1≤j_θ≤N_θ，1≤j_φ≤N_φ，N_θ为方位角扫描采样个数，N_θ＞400，N_φ为方位角扫描采样个数，N_φ＞100，abs为计算复数模值的函数，N_r是阵面行数，N_c为阵面列数，

为目标信号的导向矢量在阵列位置在第r行第c列的阵元处的值，

为扫描导向矢量在阵列位置为第r行第c列的阵元处的值；

D)设置最大迭代次数K≥200，并令初始迭代次数k＝1，将训练样本集D_a输入到方向图凋零保形网络H中，采用梯度下降法，对凋零保形网络H进行更新，直到损失函数L收敛或者迭代次数达到最大迭代次数，得到训练好的权值预测网络H′；

E)将测试样本集D_b输入到训练好的权值预测网络H′中，得到大型相控阵雷达自适应抗干扰结果。

2.根据权利要求1所述的方法，其特征在于，所述A)中构建相控阵雷达接收信号模型X，实现如下：

A1)定义N_r行N_c列阵元间隔为

的均匀平面相控阵，其中，λ为信号波长，1mm≤λ≤100mm，N_r为阵列的行数，N_r≥3，N_c为阵列的列数，N_c≥3；

A2)利用均匀平面阵构建接收信号模型：

X＝E(t,θ_e,φ_e)+F(t,θ_f,φ_f)+G(t)，

其中，

为目标信号，S_e(t)为目标信号的复包络，

为目标信号的导向矢量；

为干扰信号，S_f(t)为干扰信号的复包络，

为干扰信号的导向矢量；

G(t)为随机噪声信号；

t为雷达接收到信号的时刻，t＞0，θ_e和φ_e分别为目标信号的方位角和俯仰角，-180°≤θ_e≤180°，0°≤φ_e≤90°，θ_f和φ_f分别为干扰信号的方位角和俯仰角，-180°≤θ_f≤180°，0°≤φ_f≤90°，a_e(r,c,θ_e,φ_e)和a_f(r,c,θ_f,φ_f)分别为目标信号和干扰信号的导向矢量在阵列位置为第r行第c列的阵元处的值，x_r,c，y_r,c和z_r,c构成阵列位置为第r行第c列的阵元的空间坐标，1≤r≤N_r，1≤c≤N_c。

3.根据权利要求1所述的方法，其特征在于，所述A)中构建训练样本集D_a和测试样本集D_b，是先生成M_a+M_b个由信号样本x_i与干扰信号的角度

构成的样本对

再从中随机选择M_a个样本对作为训练样本集

剩余的M_b个样本对作为测试样本集

其中：

M_a为训练样本个数，M_b测试样本个数，

表示第i个信号样本，其为T个接收信号X沿着时间维度按照时间先后顺序依次拼接而成的张量，T≥200；

为第i个信号样本x_i中干扰信号的方位角，其从均匀分布U(-180°,180°)中独立采样得到；

为第i个信号样本x_i中干扰信号的俯仰角，其从均匀分布U(0°,90°)中独立采样得到。

4.根据权利要求1所述的方法，其特征在于，所述B)中生成阵元权值V和方向图Q分别表示如下：

其中，v(r,c)为阵列位置为第r行第c列的阵元所对应的权值，N_r是阵面行数，N_c为阵面列数，

为扫描方位角序号和扫描俯仰角序号分别为j_θ和j_φ的方向图绝对值，1≤j_θ≤N_θ，1≤j_φ≤N_φ，N_θ为方位角扫描采样个数，N_θ＞400，N_φ为方位角扫描采样个数，N_φ＞100，abs为计算复数模值的函数，

为扫描导向矢量在阵列位置为第r行第c列的阵元处的值，

为序号j_θ对应的扫描俯仰角，

为序号j_φ对应的扫描俯仰角。

Images