CN113702923B - 一种雷达杂波模拟方法及电子设备 - Google Patents

一种雷达杂波模拟方法及电子设备 Download PDF

Info

Publication number
CN113702923B
CN113702923B CN202110998384.0A CN202110998384A CN113702923B CN 113702923 B CN113702923 B CN 113702923B CN 202110998384 A CN202110998384 A CN 202110998384A CN 113702923 B CN113702923 B CN 113702923B
Authority
CN
China
Prior art keywords
clutter
data
layer
convolution
radar
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
CN202110998384.0A
Other languages
English (en)
Other versions
CN113702923A (zh
Inventor
张伟
施祖帅
马鑫
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110998384.0A priority Critical patent/CN113702923B/zh
Publication of CN113702923A publication Critical patent/CN113702923A/zh
Application granted granted Critical
Publication of CN113702923B publication Critical patent/CN113702923B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S7/40—Means for monitoring or calibrating
    • G01S7/4052—Means for monitoring or calibrating by simulation of echoes
    • 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
    • G01S7/38—Jamming means, e.g. producing false echoes
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Probability & Statistics with Applications (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种雷达杂波模拟方法及电子设备，其包括采集原始杂波数据，进行预处理，并获取和拆分预处理后的杂波数据的距离单元；构建包含生成器、判别器和Q网络的info‑WaveGAN训练模型；将拆分后的每个距离单元作为一个训练样本输入info‑WaveGAN训练模型，依次经过生成器、判别器和Q网络进行模型训练；创建损失函数，通过循环执行最小化损失函数操作对训练模型的参数进行优化处理，得到优化后的杂波数据。本发明提高了模型拟合能力，以生成更加逼真的杂波，且忽略了输入雷达杂波的分布类型，能够将其应用于任意分布类型的雷达杂波生成，增加了本方法的通用性。

Description

一种雷达杂波模拟方法及电子设备
技术领域
本发明涉及雷达信号处理领域，具体涉及一种雷达杂波模拟方法及电子设备。
背景技术
雷达回波信号包括目标回波、杂波回波及噪声等，地物、云雨、海浪、箔条等都会反射电磁波形成杂波，掩盖或干扰雷达对目标的探测。雷达设计人员为了深入研究杂波对雷达检测性能的影响需要对雷达杂波特性进行分析和建模，以便制定合理的雷达设计方案、选择雷达参数、采取各种抗杂波的措施。
外场测试的测试环境不稳定，易受限制和影响，将会拖慢研制进度，并且每场测试都会耗费大量的资源。将逼真的模拟杂波作为雷达设计的输入，具有灵活、方便、经济等优势，是雷达系统性能预估与验证不可缺少的步骤，所以雷达杂波模拟技术与外场测试相结合的方案成了当今雷达系统研制的主要手段，它不仅降低了成本，缩短了研制周期，而且还提高了测试的稳定性和准确率。综上，雷达杂波模拟对雷达研制有重要意义和巨大价值。
但是现有技术中的雷达杂波模拟建模方法会引入误差，拟合估计模型的过程也会引入二次误差，降低了模拟杂波的逼真度；且一般统计模型对雷达杂波都有适用条件，不同环境下的雷达杂波其统计模型不相同，并且在复杂环境下其雷达杂波满足的统计特性可能没有一个特定统计模型能够适用，所以通用性较低。
发明内容
针对现有技术中的上述不足，本发明提供的一种雷达杂波模拟方法及电子设备解决了现有技术逼真度差和通用性低的问题。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种雷达杂波模拟方法，其包括以下步骤：
S1、采集原始杂波数据，进行预处理，并获取和拆分预处理后的杂波数据的距离单元；
S2、构建包含生成器、判别器和Q网络的info-WaveGAN训练模型；
S3、将拆分后的每个距离单元作为一个训练样本输入info-WaveGAN训练模型，依次经过生成器、判别器和Q网络进行模型训练；
S4、创建损失函数，通过循环执行最小化损失函数操作对info-WaveGAN训练模型的参数进行优化处理，得到优化后的杂波数据，完成雷达杂波模拟。
进一步地，步骤S1的具体方法为：
S1-1、采集原始杂波数据，并提取原始杂波数据的距离，在原始杂波数据的基础上乘以距离的二分之三次方，得到抵消距离衰减的杂波数据；
S1-2、判断擦地角正割值是否接近1，若是则进入步骤S1-3；否则将抵消距离衰减的杂波数据除以擦地角的正割值的二分之一，得到消除擦地角影响的杂波数据；
S1-3、判断当前杂波数据中是否存在目标回波，若是则进入步骤S1-4；否则进入步骤S1-5；
S1-4、判断是否得到目标回波位置，若是则在杂波数据中剔除目标回波的距离单元回波，进入步骤S1-5；否则通过加窗滤波的方法将目标回波的峰值消除，进入步骤S1-5；
S1-5、获取当前杂波数据的距离单元和脉冲单元，并进行全局归一化，完成预处理，进入步骤S1-6；
S1-6、对预处理后的杂波数据的每个距离单元进行拆分。
进一步地，步骤S2-1中构建的生成器包括依次连接的六个反卷积模块；其中第一反卷积模块包括依次连接的全连接操作层、reshape矩阵转化操作层、批量归一化操作层和relu激活函数层；第二反卷积模块包括依次连接的一维反卷积操作层、批量归一化操作层和relu激活函数层，其中第二反卷积模块、第三反卷积模块、第四反卷积模块和第五反卷积模块结构相同；第六反卷积模块包括依次连接的一维反卷积操作层和Tanh激活函数层。
进一步地，步骤S2-2中构建的判别器包括依次连接的六个卷积模块；其中第一卷积模块包括依次连接的一维卷积操作层和leaky relu函数激活层；第二卷积模块包括依次连接的一维卷积操作层和leaky relu函数激活层，其中第二卷积模块、第三卷积模块、第四卷积模块和第五卷积模块结构相同；第六卷积模块包括依次连接的reshape矩阵转化操作层和全连接操作层。
进一步地，步骤S2-2中构建的Q网络包括依次连接的七个卷积模块；其中前五个卷积模块与判别器的前五个卷积模块共享；第六卷积模块包括依次连接的reshape矩阵转化操作层、全连接操作层、batchnorm归一化层和leaky relu函数激活层；第七卷积模块包括全连接操作层。
进一步地，步骤S4中创建损失函数的具体方法为：
根据公式：
得到损失函数其中V(G,D)为WaveGAN的目标函数，G为生成器，D为判别器，λ为可调超参数，Ll(G,Q)为互信息下界，Q为Q网络；x～Pdata(x)表示输入数据x采样于真实数据分布，E[·]为期望值，ln为以自然对数为底的对数函数，D(·)为x来自真实数据的概率，z～Pz(z)表示距离单位向量z采样于先验分布，G(·)为生成数据，H(·)为变量的熵，c～P(c)为隐变量c符合隐变量分布，x～G(z,c)为输入数据符合条件生成数据分布，log为以10为底的对数函数，Q(c|x)为变分分布。
提供一种雷达杂波模拟电子设备，其设备包括：
存储器，存储有可执行指令；以及
处理器，被配置为执行所述存储器中可执行指令以实现雷达杂波模拟方法。
本发明的有益效果为：
1、本发明方法是端到端的生成对抗方法，克服了传统杂波建模仿真方法引入中间过程误差的不足，生成对抗方法拥有更强的分布模型拟合能力，生成杂波将更加逼真。
2、本发明方法忽略了输入雷达杂波的分布类型，能够将其应用于任意分布类型的雷达杂波生成，增加了本方法的通用性。
附图说明
图1为本发明的流程图；
图2为雷达面杂波机理图俯视图；
图3为雷达面杂波机理图侧视图；
图4为info-WaveGAN训练模型总框图；
图5为info-WaveGAN训练模型的生成器结构图；
图6为info-WaveGAN训练模型的判别器结构图；
图7为info-WaveGAN训练模型的Q网络结构图；
图8为实验选取的2～4级三种海况下的杂波MMD指标对比图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，该雷达杂波模拟方法包括以下步骤：
S1、采集原始杂波数据，进行预处理，并获取和拆分预处理后的杂波数据的距离单元；
S2、构建包含生成器、判别器和Q网络的info-WaveGAN训练模型；
S3、将拆分后的每个距离单元作为一个训练样本输入info-WaveGAN训练模型，依次经过生成器、判别器和Q网络进行模型训练；
S4、创建损失函数，通过循环执行最小化损失函数操作对info-WaveGAN训练模型的参数进行优化处理，得到优化后的杂波数据，完成雷达杂波模拟。
步骤S1的具体方法为：
S1-1、采集原始杂波数据，并提取原始杂波数据的距离，在原始杂波数据的基础上乘以距离的二分之三次方，得到抵消距离衰减的杂波数据；
S1-2、判断擦地角正割值是否接近1，若是则进入步骤S1-3；否则将抵消距离衰减的杂波数据除以擦地角的正割值的二分之一，得到消除擦地角影响的杂波数据；
S1-3、判断当前杂波数据中是否存在目标回波，若是则进入步骤S1-4；否则进入步骤S1-5；
S1-4、判断是否得到目标回波位置，若是则在杂波数据中剔除目标回波的距离单元回波，进入步骤S1-5；否则通过加窗滤波的方法将目标回波的峰值消除，进入步骤S1-5；
S1-5、获取当前杂波数据的距离单元和脉冲单元，并进行全局归一化，完成预处理，进入步骤S1-6；
S1-6、对预处理后的杂波数据的每个距离单元进行拆分。
如图2和图3所示，根据采集数据可分析预处理原理：
根据公式：
Ac＝RθB(cτ/2)sec(ψ)
得到雷达面杂波功率Pc；其中，Pt为雷达的发射波功率，G为雷达的增益，Ac为照射面积，Lr为雷达系统的综合损耗，σ0为散射系数，θB为雷达的方位分辨率，c为雷达信号在空中的传播速度，τ为雷达发射的脉冲宽度，sec为正割函数，ψ为掠射角，π为圆周率，R为雷达探测距离；
由上述公式可知，面杂波功率主要受距离、天线参数、散射系数和擦地角影响。
如图4所示，D为判别器，判断输入的真假，x为输入真样本，G为生成器，c向量(隐变量)和z′向量(随机向量)拼接成z向量(距离单元向量)输入G网络生成假样本G(z,c)，即条件生成数据分布，与GAN的网络结构相比，info-WaveGAN多了一个可恢复隐变量的Q网络。为了减少网络的参数量，Q网络共享了判别器D的除了最后全连接层的所有网络参数，Q网络的全连接层输出为c′(由Q网络恢复的隐变量)，其大小与隐变量c一致。
如图5所示，步骤S2-1中构建的生成器包括依次连接的六个反卷积模块；其中第一反卷积模块包括依次连接的全连接操作层、reshape矩阵转化操作层、批量归一化操作层和relu激活函数层；第二反卷积模块包括依次连接的一维反卷积操作层、批量归一化操作层和relu激活函数层，其中第二反卷积模块、第三反卷积模块、第四反卷积模块和第五反卷积模块结构相同；第六反卷积模块包括依次连接的一维反卷积操作层和Tanh激活函数层。
其中，每一个反卷积模块中的的卷积核结构参数如表1，每个卷积核的大小为[M,N,L]，M表示一维卷积核的长度，除了全连接层卷积核长为1，其它的反卷积核长都为25；N表示卷积核的深度，它的大小和被反卷积的特征图矩阵深度一致；L表示卷积核的数量，每个卷积核对应输出一个特征图，它的大小与输出的特征图矩阵深度一致。最后一个偏置量的大小与L的大小一致，表示每个输出的特征图上加了一个偏置量。生成器模型输入数据大小为[64,100]，输出大小为[64,4096,2]。
表1
层级 所在层 卷积核 偏置
1 Dense层 [1,100,4096] [4096]
2 conv1d_transpose层 [25,1024,512] [512]
3 conv1d_transpose层 [25,512,256] [256]
4 conv1d_transpose层 [25,256,128] [128]
5 conv1d_transpose层 [25,128,64] [64]
6 conv1d_transpose层 [25,64,2] [2]
如图6所示，步骤S2-2中构建的判别器包括依次连接的六个卷积模块；其中第一卷积模块包括依次连接的一维卷积操作层和leaky relu函数激活层；第二卷积模块包括依次连接的一维卷积操作层和leaky relu函数激活层，其中第二卷积模块、第三卷积模块、第四卷积模块和第五卷积模块结构相同；第六卷积模块包括依次连接的reshape矩阵转化操作层和全连接操作层。
其中，卷积模块的卷积结构参数如表2，判别器模型输入数据大小为[64,4096,2]，输出大小为[64,1]。
表2
层级 所在层 卷积核 偏置
1 conv1d层 [25,2,64] [64]
2 conv1d层 [25,64,128] [128]
3 conv1d层 [25,128,256] [256]
4 conv1d层 [25,256,512] [512]
5 conv1d层 [25,512,1024] [1024]
6 Dense层 [1,4096,1] [1]
如图7所示，步骤S2-2中构建的Q网络包括依次连接的七个卷积模块；其中前五个卷积模块与判别器的前五个卷积模块共享；第六卷积模块包括依次连接的reshape矩阵转化操作层、全连接操作层、batchnorm归一化层和leaky relu函数激活层；第七卷积模块包括全连接操作层。
其中，Q网络输入数据大小为[64,4096,2]，输出大小为[64,3]。Q网络输出数据的第二维大小与模型输入噪声向量的隐变量c一致。隐变量c可分为两个部分，一部分是可对数据分类的离散变量，一般这里使用one-hot向量，one-hot向量中每一个元素都代表一个类别，并且在一个one-hot向量中只有一个元素为1，其余元素全为0，因此也可以叫做独热向量。另一部分是可表示其他连续变化特征的连续变量，一般为[-1,1]范围内的随机向量。在方案的训练中，因为训练集的杂波数据是2～4级海况的杂波，所以训练中使用了可表示三种标签状态的三点one-hot向量，另外的2点为连续变量，代表海杂波的连续变化信息。在获得Q网络的输出后，需要进一步处理才能作为恢复的隐变量c'。对于离散变量部分，需要经过softmax函数将其值映射到[0,1]；对连续变量部分，需要对其均值和方差进行标准化。
步骤S4中创建损失函数的具体方法为：
根据公式：
Ll(G,Q)＝H(c)+Ec～P(c),x～G(z,c)[logQ(c|x)]
得到损失函数其中V(G,D)为WaveGAN的目标函数，G为生成器，D为判别器，λ为可调超参数，Ll(G,Q)为互信息下界，Q为Q网络；x～Pdata(x)表示输入数据x采样于真实数据分布，E[·]为期望值，ln为以自然对数为底的对数函数，D(·)为x来自真实数据的概率，z～Pz(z)表示距离单位向量z采样于先验分布，G(·)为生成数据，H(·)为变量的熵，c～P(c)为隐变量c符合隐变量分布，x～G(z,c)为输入数据符合条件生成数据分布，log为以10为底的对数函数，Q(c|x)为变分分布。
该雷达杂波模拟电子设备包括：
存储器，存储有可执行指令；以及
处理器，被配置为执行所述存储器中可执行指令以实现雷达杂波模拟方法。
在本发明的一个实施例中，采用了2～4级三种海况下的原始数据进行仿真：
实验仿真试验平台为Ubuntu18.04，系统搭载NVIDA GeForce RTX2080Ti GPU，模型搭建使用tensorflow框架，并且使用了NVIDA Cuda对计算进行了加速。模型优化选择使用Adam优化算法，LearningRate设定为1e-5，beta1设置为0.5，beta2设置为0.9。Q网络和生成器共用一个Adam优化器。在训练时，本方案设置的判别器与生成器和Q网络的学习策略为1:1，即1轮判别器参数更新后接1轮生成器和Q网络参数更新。
如图8和表3所示，在条件控制的实验中，本方案利用MMD指标做了对比实验。对2～4级海况的杂波训练样本分别随机采样3组，每组包括64个海杂波样本，然后对每个真实样本都使用传统方法进行估计、拟合、仿真，接着使用MMD指标评价各组样本模拟分布与真实分布的差距。同样使用训练好的条件控制模型分别生成3种海况级别的海杂波，每种海况需要3组，每组64个生成海杂波样本，与真实样本用MMD指标分别评价。表3是2～4级海况的海杂波生成样本与真实样本的MMD量化对比表，图8为2～4级海况MMD指标对比图，从上述图和表中可以看出使用本方案提出的基于info-WaveGAN训练模型的条件控制杂波生成方法生成各级海况杂波比使用传统仿真模拟方法生成的杂波的MMD值更小，表明本发明提出的新方法的生成杂波分布更符合真实杂波分布。
表1
本发明方法是端到端的生成对抗方法，克服了传统杂波建模仿真方法引入中间过程误差的不足，生成对抗方法拥有更强的分布模型拟合能力，生成杂波将更加逼真。本发明方法忽略了输入雷达杂波的分布类型，能够将其应用于任意分布类型的雷达杂波生成，增加了本方法的通用性。

Claims (4)

1.一种雷达杂波模拟方法，其特征在于，包括以下子步骤：
S1、采集原始杂波数据，进行预处理，并获取和拆分预处理后的杂波数据的距离单元；
S2、构建包含生成器、判别器和Q网络的info-WaveGAN训练模型；
其中构建的生成器包括依次连接的六个反卷积模块；其中第一反卷积模块包括依次连接的全连接操作层、reshape矩阵转化操作层、批量归一化操作层和relu激活函数层；第二反卷积模块包括依次连接的一维反卷积操作层、批量归一化操作层和relu激活函数层，其中第二反卷积模块、第三反卷积模块、第四反卷积模块和第五反卷积模块结构相同；第六反卷积模块包括依次连接的一维反卷积操作层和Tanh激活函数层；
构建的判别器包括依次连接的六个卷积模块；其中第一卷积模块包括依次连接的一维卷积操作层和leaky relu函数激活层；第二卷积模块包括依次连接的一维卷积操作层和leaky relu函数激活层，其中第二卷积模块、第三卷积模块、第四卷积模块和第五卷积模块结构相同；第六卷积模块包括依次连接的reshape矩阵转化操作层和全连接操作层；
构建的Q网络包括依次连接的七个卷积模块；其中前五个卷积模块与判别器的前五个卷积模块共享；第六卷积模块包括依次连接的reshape矩阵转化操作层、全连接操作层、batchnorm归一化层和leaky relu函数激活层；第七卷积模块包括全连接操作层；
S3、将拆分后的每个距离单元作为一个训练样本输入info-WaveGAN训练模型，依次经过生成器、判别器和Q网络进行模型训练；
S4、创建损失函数，通过循环执行最小化损失函数操作对info-WaveGAN训练模型的参数进行优化处理，得到优化后的杂波数据，完成雷达杂波模拟。
2.根据权利要求1所述的雷达杂波模拟方法，其特征在于，步骤S1的具体方法为：
S1-1、采集原始杂波数据，并提取原始杂波数据的距离，在原始杂波数据的基础上乘以距离的二分之三次方，得到抵消距离衰减的杂波数据；
S1-2、判断擦地角正割值是否接近1，若是则进入步骤S1-3；否则将抵消距离衰减的杂波数据除以擦地角的正割值的二分之一，得到消除擦地角影响的杂波数据；
S1-3、判断当前杂波数据中是否存在目标回波，若是则进入步骤S1-4；否则进入步骤S1-5；
S1-4、判断是否得到目标回波位置，若是则在杂波数据中剔除目标回波的距离单元回波，进入步骤S1-5；否则通过加窗滤波的方法将目标回波的峰值消除，进入步骤S1-5；
S1-5、获取当前杂波数据的距离单元和脉冲单元，并进行全局归一化，完成预处理，进入步骤S1-6；
S1-6、对预处理后的杂波数据的每个距离单元进行拆分。
3.根据权利要求1所述的雷达杂波模拟方法，其特征在于，步骤S4中创建损失函数的具体方法为：
根据公式：
目标函数，G为生成器，D为判别器，λ为可调超参数，Ll(G,Q)为互信息下界，Q为Q网络；x～Pdata(x)表示输入数据x采样于真实数据分布，E[·]为期望值，ln为以自然对数为底的对数函数，D(·)为x来自真实数据的概率，z～Pz(z)表示距离单位向量z采样于先验分布，G(·)为生成数据，H(·)为变量的熵，c～P(c)为隐变量c符合隐变量分布，x～G(z,c)为输入数据符合条件生成数据分布，log为以10为底的对数函数，Q(c|x)为变分分布。
4.一种雷达杂波模拟电子设备，其特征在于，所述设备包括：
存储器，存储有可执行指令；以及
处理器，被配置为执行所述存储器中可执行指令以实现权利要求1-3中任一项所述的方法。
CN202110998384.0A 2021-08-27 2021-08-27 一种雷达杂波模拟方法及电子设备 Active CN113702923B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110998384.0A CN113702923B (zh) 2021-08-27 2021-08-27 一种雷达杂波模拟方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110998384.0A CN113702923B (zh) 2021-08-27 2021-08-27 一种雷达杂波模拟方法及电子设备

Publications (2)

Publication Number Publication Date
CN113702923A CN113702923A (zh) 2021-11-26
CN113702923B true CN113702923B (zh) 2023-07-18

Family

ID=78656285

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110998384.0A Active CN113702923B (zh) 2021-08-27 2021-08-27 一种雷达杂波模拟方法及电子设备

Country Status (1)

Country Link
CN (1) CN113702923B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114236476B (zh) * 2021-12-06 2023-08-04 中国人民解放军国防科技大学 一种基于生成对抗网络算法模型的自动距离跟踪系统的欺骗干扰方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109444840A (zh) * 2018-12-04 2019-03-08 南京航空航天大学 一种基于机器学习的雷达杂波抑制方法
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
CN111626961A (zh) * 2020-05-29 2020-09-04 中国人民解放军海军航空大学 一种基于生成对抗网络的雷达图像杂波抑制方法及系统
FR3108733A1 (fr) * 2020-03-24 2021-10-01 Thales Procédé de génération d'un flux de fouillis de mer, dispositif programmable et programme d'ordinateur associés.

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109444840A (zh) * 2018-12-04 2019-03-08 南京航空航天大学 一种基于机器学习的雷达杂波抑制方法
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
FR3108733A1 (fr) * 2020-03-24 2021-10-01 Thales Procédé de génération d'un flux de fouillis de mer, dispositif programmable et programme d'ordinateur associés.
CN111626961A (zh) * 2020-05-29 2020-09-04 中国人民解放军海军航空大学 一种基于生成对抗网络的雷达图像杂波抑制方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于多尺度几何变换的导航雷达图象去噪仿真;韩福江;王秀森;刘瑞鹏;;中国惯性技术学报(02);全文 *
基于深度学习的雷达杂波模拟技术研究;施祖帅;《中国优秀硕士学位论文全文数据库信息科技辑》;全文 *

Also Published As

Publication number Publication date
CN113702923A (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
CN109993280B (zh) 一种基于深度学习的水下声源定位方法
CN109597043B (zh) 基于量子粒子群卷积神经网络的雷达信号识别方法
CN108845306B (zh) 基于变分模态分解的激光雷达回波信号去噪方法
CN106355151A (zh) 一种基于深度置信网络的三维sar图像目标识别方法
CN110456355B (zh) 一种基于长短时记忆和生成对抗网络的雷达回波外推方法
CN113189561B (zh) 一种海杂波参数估计方法、系统、设备及存储介质
CN112859014A (zh) 基于雷达信号分选的雷达干扰抑制方法、装置及介质
CN113702923B (zh) 一种雷达杂波模拟方法及电子设备
CN111639746A (zh) 一种基于cnn神经网络的gnss-r海面风速反演方法及系统
CN112949387A (zh) 基于迁移学习的智能抗干扰目标检测方法
CN114662414B (zh) 一种基于图小波神经网络模型的油藏生产预测方法
CN110991284A (zh) 一种基于场景预分类的光学遥感图像语句描述生成方法
CN115438571B (zh) 一种基于机器学习的地波雷达波浪场计算方法及装置
Chen et al. Proactive quality control: Observing system simulation experiments with the Lorenz’96 model
CN115097451A (zh) 一种基于sar卫星数据的海浪多参数反演方法及系统
CN112180369A (zh) 基于深度学习的一维综合孔径辐射计海面风速反演方法
CN114487988A (zh) 基于深度学习的到达角估计系统
CN112684448B (zh) 面向多参数组合的星载sar波位计算及生成方法及系统
CN109977574A (zh) 一种基于改进Freeman-Durden极化分解模型的土壤水分反演方法
CN105891826A (zh) 机载雷达快速最大后验成像方法
CN114065595A (zh) 基于稀疏约束空-频域联合学习的波场数值频散压制方法
Tong Ensemble Kalman filter assimilation of Doppler radar data for the initialization and prediction of convective storms
Yoshikawa et al. A nonlinear parametric model based on a power law relationship for predicting the coastal tsunami height
Reynolds et al. Examination of targeting methods in a simplified setting
CN113515869B (zh) 一种基于超饱和设计的雷达对抗性能分析方法

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