CN115113168A - 一种基于神经网络的雷达杂波抑制方法 - Google Patents

一种基于神经网络的雷达杂波抑制方法 Download PDF

Info

Publication number
CN115113168A
CN115113168A CN202211023661.7A CN202211023661A CN115113168A CN 115113168 A CN115113168 A CN 115113168A CN 202211023661 A CN202211023661 A CN 202211023661A CN 115113168 A CN115113168 A CN 115113168A
Authority
CN
China
Prior art keywords
data
neural network
radar
clutter suppression
clutter
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.)
Pending
Application number
CN202211023661.7A
Other languages
English (en)
Inventor
李继锋
夏鹏
李晃
朱文明
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.)
Nanjing Yu'an Defense Technology Co ltd
Yangzhou Yuan Electronic Technology Co Ltd
Original Assignee
Nanjing Yu'an Defense Technology Co ltd
Yangzhou Yuan Electronic Technology Co Ltd
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 Nanjing Yu'an Defense Technology Co ltd, Yangzhou Yuan Electronic Technology Co Ltd filed Critical Nanjing Yu'an Defense Technology Co ltd
Priority to CN202211023661.7A priority Critical patent/CN115113168A/zh
Publication of CN115113168A publication Critical patent/CN115113168A/zh
Pending legal-status Critical Current

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

Landscapes

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

Abstract

本发明公开一种基于神经网络的雷达杂波抑制方法，对雷达信号数据集处理得到雷达信号，使用雷达信号构建概率无向图模型，将概率无向图节点作为参数特征值输入特征值输入BP神经网络，使用遗传算法分别对输入层和隐藏层的输入特征值进行优化选择，筛选出最能反映输入与输出关系的雷达信号回波特征值，最后进行训练得到BP神经网络杂波抑制模型，BP神经网络杂波抑制模型输出层的输出变量包括杂波信号和雷达目标信号；调节BP神经网络杂波抑制模型的参数优化网络模型。本发明结合概率无向图模型、BP神经网络以及遗传算法进行雷达数据处理、训练BP神经网络杂波抑制模型以及对模型参数反馈修正，最终使得雷达杂波抑制结果更加精确。

Description

一种基于神经网络的雷达杂波抑制方法
技术领域
本发明属于雷达杂波抑制技术，具体涉及一种基于神经网络的雷达杂波抑制方法。
背景技术
信号分选算法是雷达信号分选、识别和跟踪的核心技术之一。雷达信号分选算法根据不同雷达信号的差异性来实现雷达信号的识别与分离。随着对运动物体信号分选要求实时性的不断提升，接收回波中的杂波对运动物体分选实时性带来严重挑战，因此迫切需要一种高效与高准确性的杂波抑制算法。
传统杂波抑制方法多以杂波及目标具有的不同多普勒频率特征进行区分并加以抑制，这导致抑制结果中残留杂波点较多，虽对雷达信号分选实时性具有一定的提升作用，但对于运动物体分选的高实时性依旧无法满足相关需求。同时在强杂波环境中，使用传统杂波抑制算法也会使分选目标雷达信号的丢失率提高，导致目标漏检问题。
现有的基于深度学习方面的杂波抑制方法，大多利用卷积神经网络进行网络训练，从而实现抑制效果，但雷达信号数据区别于图像数据，雷达信号数据由于设备的限制其分辨率有一定极限，无法达到图像上的超分辨率级别，因此，在网络提取特征方面，用于雷达杂波特征的提取较为困难，导致抑制效果较差。
发明内容
发明目的：本发明提供一种基于神经网络的雷达杂波抑制方法，以解决现有技术存在的以下问题：在强杂波环境中，实现实时、高准确性的杂波抑制；使用概率无向图模型反馈机制进行BP神经网络模型修正，提高模型预测的准确率；使用遗传算法优化BP网络，缩短训练时间、提高网络的识别精度。
技术方案：本发明的一种基于神经网络的雷达杂波抑制方法，包括以下步骤：
步骤（1）、对采集到的雷达信号数据集进行数据处理得到雷达信号Y，Y = X + N，X表示雷达目标信号，N表示杂波信号；
步骤（2）、将数据处理后的雷达信号Y构建概率无向图模型，雷达信号Y分解为最大 团势的乘积，使用概率无向图将每个子集特征映射到无向图G(V,E)：无向图G(V,E)中节点 表示为
Figure 585124DEST_PATH_IMAGE001
：
步骤（3）、将概率无向图G(V,E)中的节点
Figure 304819DEST_PATH_IMAGE001
划分为训练集和验证集，使用训练集中 的节点作为参数特征值输入特征值输入BP神经网络的输入层，并作为输入变量进入BP神经 网络的输入层，然后使用遗传算法分别对输入层和隐藏层的输入特征值进行优化选择，筛 选出最能反映输入与输出关系的雷达信号回波特征值，最后进行训练得到BP神经网络杂波 抑制模型，BP神经网络杂波抑制模型输出层的输出变量包括杂波信号N和雷达目标信号X；
步骤（4）、调节BP神经网络杂波抑制模型的参数（例如可以调节池化层、神经元个数或者训练次数等，具体根据每次拟合出的曲线进行调整），得到拟合程度最优的网络，通过验证集中的数据来验证BP神经网络杂波抑制模型。
进一步地，所述步骤（1）中对雷达信号Y进行信号处理的具体内容如下：
步骤（1.1）、数据清洗
在发射雷达信号前，采集取环境的杂信号作为噪底数据；对于获取到的相关雷达信号进行噪底数据比对消除，过滤环境中的杂信号，方便后续模型训练，提高训练精度；
步骤（1.2）、标准化与归一化处理
对清洗后的雷达信号数据进行Z-Score标准化处理，能够避免异常数据对LSTM网络产生的影响；
Figure 411315DEST_PATH_IMAGE002
；
其中，
Figure 514663DEST_PATH_IMAGE003
，
Figure 302490DEST_PATH_IMAGE004
；
Figure 673428DEST_PATH_IMAGE005
表示第k个数据值，
Figure 950826DEST_PATH_IMAGE006
表示数据平均值，
Figure 977688DEST_PATH_IMAGE007
表示所有数据的方差，
Figure 631523DEST_PATH_IMAGE008
表示第k个数 据归一化的结果；
标准化与归一化处理的雷达信号数据符合标准正态分布，即均值为0，标准差为1。
进一步地，所述步骤（2）的详细过程为：
步骤（2.1）、将经过信号处理后的多普勒-距离频谱数据流作为实验数据
Figure 856968DEST_PATH_IMAGE009
，并进行数据预处理，将实验数据
Figure 242950DEST_PATH_IMAGE010
中大于零的点，记为-1，将实验数据
Figure 85004DEST_PATH_IMAGE010
中等于 零的点，记为+1；
Figure 11372DEST_PATH_IMAGE011
和
Figure 294586DEST_PATH_IMAGE012
分别表示多普勒通道、距离单元和时间；
步骤（2.2）、确定最大团能量函数中的参数值，循环遍历所有实验数据
Figure 179365DEST_PATH_IMAGE010
，对单独 时间切片数据
Figure 180819DEST_PATH_IMAGE013
进行状态检测：
若待最大团测点
Figure 409413DEST_PATH_IMAGE014
为+1，则跳过；若待最大团测点
Figure 812712DEST_PATH_IMAGE014
为-1，则先将初始状态设 为+1，然后按式（1）计算新的能量函数
Figure 868393DEST_PATH_IMAGE015
，接着改变初始状态为-1并按式（1）计算新的能量 函数
Figure 91564DEST_PATH_IMAGE016
；
Figure 890893DEST_PATH_IMAGE017
式（1）
式（1）成对马尔可夫性， u和v是无向图G中任意两个没有边连接的结点，节点u和 节点v分别对应随机变量
Figure 148699DEST_PATH_IMAGE018
和
Figure 109702DEST_PATH_IMAGE019
，其他所有的节点为O，对应的随机变量组是
Figure 85748DEST_PATH_IMAGE020
；
步骤（2.3）、在每次遍历得到计算的
Figure 423188DEST_PATH_IMAGE015
和
Figure 535501DEST_PATH_IMAGE016
后，均判断两者之间的大小，若
Figure 293503DEST_PATH_IMAGE015
小于
Figure 553583DEST_PATH_IMAGE016
，说明该待最大团测点为目标概率更大，则更新初始状态
Figure 632398DEST_PATH_IMAGE021
为-1，相反地，若
Figure 661534DEST_PATH_IMAGE015
大于
Figure 964339DEST_PATH_IMAGE016
，说 明该待最大团测点为杂波概率更大，则保留现有状态，接着进行下一点的计算判断；
步骤（2.4）、不断循环步骤（2.2）和步骤（2.3），直至满足条件完成所有点的判断；
步骤（2.5）、循环完成后，最终输出矩阵Y=X，即目标信号所构成的轨迹集合。
进一步地，步骤（3）BP神经网络杂波抑制模型的输入特征值为雷达回波数据中的N个特征，由于这N个特征中可能包含冗余的特征值或并非相互独立的特征值，若全部作为输入数据，会增加BP杂波抑制模型的计算量，延长建模时间，为了降低输入自变量的维度，基于二进制编码利用遗传算法对这些输入特征值进行优化选择，筛选出最能反映输入与输出关系的雷达信号回波特征值参与建模，具体方法为：
将有效选取特征参数记为“1”，将无效选取特征参数记为“0”，开始前，随机选择N个序列串结构数据，构建初始种群；
在父辈遗传给子辈种群中使用适应度函数
Figure 914978DEST_PATH_IMAGE022
来衡量各个特征参量接近最优解 的优劣程度：
Figure 594221DEST_PATH_IMAGE023
；
Figure 477863DEST_PATH_IMAGE024
为
Figure 889253DEST_PATH_IMAGE025
个样本的网络输出值，
Figure 123925DEST_PATH_IMAGE026
为第
Figure 544542DEST_PATH_IMAGE025
个样本的期望输出值，
Figure 46805DEST_PATH_IMAGE027
为数据总样本数；
通过子辈种群的适应度函数计算得到该子辈个体的累计概率为
Figure 691413DEST_PATH_IMAGE028
；
选择染色体进行遗传时，使用随机生成数随机产生0到1之间的随机数α，若所产生 的随机数
Figure 351065DEST_PATH_IMAGE029
，则选择第r个特征值遗传给其下一代；
特征量遗传时，采用交叉操作，即两个父辈的经过筛选的固定数量的特征量互相交换，产生两个全新的经过变异的特征量，将这两个新特征量以此来作为神经元的选取。
进一步地，步骤（3）中使用K折线交叉验证法进行数据集循环使用，具体方法如下：
将雷达信号数据集按照7：3进行随机划分，每次都将其中的70%数据作为训练集，其中的30%数据作为验证集，直到完成K次神经网络的训练。
最后计算K次求得分类的平均值，作为BP神经网络杂波抑制模型的真实分类率，具体公式如下：
Figure 372110DEST_PATH_IMAGE030
；
Figure 230345DEST_PATH_IMAGE031
是指每次求解出来的结果。
有益效果：与现有技术相比，本发明具有以下优点：
（1）为解决传统杂波抑制方法所带来的残留杂波点较多问题，本发明采用BP神经网络进行模型训练。
（2）为解决现有BP 神经网络收敛速度慢、易陷入局部极值的问题， 本发明采用遗传算法优化BP网络，以缩短数据时间、提高识别精度，使网络避免局部最优值。
（3）为大幅提高BP神经网络杂波抑制精度与网络训练速度，本发明使用概率无向图模型进行知识库构建，对BP神经网络进行数据反馈修正，辅助模型训练。
附图说明
图1为本发明中雷达杂波抑制BP神经网络模型结构；
图2为本发明中雷达杂波抑制BP网络流程图；
图3为实施例中原始雷达信号数据；
图4为为采用传统杂波抑制算法的结果图；
图5为采用本发明技术方案的杂波抑制结果。
具体实施方式
下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
如图1和图2所示，本发明一种基于神经网络的雷达杂波抑制方法，其特征在于：包括以下步骤：
步骤（1）、对采集到的雷达信号数据集进行数据处理得到雷达信号Y，Y = X + N，X表示雷达目标信号，N表示杂波信号；
步骤（1.1）、数据清洗
采集取环境的杂信号作为噪底数据，对于获取到的相关雷达信号进行噪底数据比对消除；
步骤（1.2）、标准化与归一化处理
对清洗后的雷达信号数据进行Z-Score标准化处理：
Figure 858904DEST_PATH_IMAGE002
；
其中，
Figure 740272DEST_PATH_IMAGE003
，
Figure 565008DEST_PATH_IMAGE004
；
Figure 481012DEST_PATH_IMAGE005
表示第k个数据值，
Figure 965958DEST_PATH_IMAGE006
表示数据平均值，
Figure 662518DEST_PATH_IMAGE007
表示所有数据方差，
Figure 759787DEST_PATH_IMAGE008
表示第k个数据 归一化的结果；
步骤（2）、将信号处理后的雷达信号Y构建概率无向图模型，雷达信号Y分解为最大 团势的乘积，使用概率无向图将每个子集特征映射到无向图G(V,E)：无向图G(V,E)中节点 表示为
Figure 530297DEST_PATH_IMAGE001
：
步骤（2.1）、将经过信号处理后的多普勒-距离频谱数据流作为实验数据
Figure 687609DEST_PATH_IMAGE009
，并进行数据预处理，将实验数据
Figure 605886DEST_PATH_IMAGE010
中大于零的点，记为-1，将实验数据
Figure 710109DEST_PATH_IMAGE010
中等于 零的点，记为+1；
Figure 397442DEST_PATH_IMAGE011
和
Figure 725655DEST_PATH_IMAGE012
分别表示多普勒通道、距离单元和时间；
步骤（2.2）、确定最大团能量函数中的参数值，循环遍历所有实验数据
Figure 131229DEST_PATH_IMAGE010
，对单独 时间切片数据
Figure 71765DEST_PATH_IMAGE013
进行状态检测：
若待最大团测点
Figure 613605DEST_PATH_IMAGE014
为+1，则跳过；若待最大团测点
Figure 54598DEST_PATH_IMAGE014
为-1，则先将初始状态设 为+1，然后按式（1）计算新的能量函数
Figure 681889DEST_PATH_IMAGE015
，接着改变初始状态为-1并按式（1）计算新的能量 函数
Figure 190231DEST_PATH_IMAGE016
；
Figure 55418DEST_PATH_IMAGE017
式（1）
式（1）成对马尔可夫性， u和v是无向图G中任意两个没有边连接的结点，节点u和 节点v分别对应随机变量
Figure 725434DEST_PATH_IMAGE018
和
Figure 574441DEST_PATH_IMAGE019
，其他所有的节点为O，对应的随机变量组是
Figure 886474DEST_PATH_IMAGE020
；
步骤（2.3）、在每次遍历得到计算的
Figure 606168DEST_PATH_IMAGE015
和
Figure 712665DEST_PATH_IMAGE016
后，均判断两者之间的大小，若
Figure 252230DEST_PATH_IMAGE015
小于
Figure 102375DEST_PATH_IMAGE016
，说明该待最大团测点为目标概率更大，则更新初始状态
Figure 676576DEST_PATH_IMAGE021
为-1，相反地，若
Figure 189859DEST_PATH_IMAGE015
大于
Figure 747879DEST_PATH_IMAGE016
，说 明该待最大团测点为杂波概率更大，则保留现有状态，接着进行下一点的计算判断；
步骤（2.4）、不断循环步骤（2.2）和步骤（2.3），直至满足条件完成所有点的判断；
步骤（2.5）、循环完成后，最终输出矩阵Y=X，即目标信号所构成的轨迹集合；
步骤（3）、将概率无向图G(V,E)中的节点
Figure 870556DEST_PATH_IMAGE001
划分为训练集和验证集，使用训练集中 的节点作为参数特征值输入特征值输入BP神经网络的输入层，并作为输入变量进入BP神经 网络的输入层，然后使用遗传算法分别对输入层和隐藏层的输入特征值进行优化选择，筛 选出最能反映输入与输出关系的雷达信号回波特征值，最后进行训练得到BP神经网络杂波 抑制模型，BP神经网络杂波抑制模型输出层的输出变量包括杂波信号N和雷达目标信号X；
步骤（4）、调节BP神经网络杂波抑制模型的参数，得到拟合程度最优的网络，通过验证集中的数据来验证BP神经网络杂波抑制模型。
在上述步骤（3）BP神经网络杂波抑制模型的输入特征值为雷达回波数据中的N个特征，基于二进制编码利用遗传算法对这些输入特征值进行优化选择，筛选出最能反映输入与输出关系的雷达信号回波特征值参与建模，具体方法为：
将有效选取特征参数记为“1”，将无效选取特征参数记为“0”，开始前，随机选择N个序列串结构数据，构建初始种群；
在父辈遗传给子辈种群中使用适应度函数
Figure 627159DEST_PATH_IMAGE022
来衡量各个特征参量接近最优解 的优劣程度：
Figure 13141DEST_PATH_IMAGE023
；
Figure 589616DEST_PATH_IMAGE024
为
Figure 719246DEST_PATH_IMAGE025
个样本的网络输出值，
Figure 330356DEST_PATH_IMAGE026
为第
Figure 887239DEST_PATH_IMAGE025
个样本的期望输出值，
Figure 951010DEST_PATH_IMAGE027
为数据总样本数；
通过子辈种群的适应度函数计算得到该子辈个体的累计概率为
Figure 884331DEST_PATH_IMAGE028
；
选择染色体进行遗传时，使用随机生成数随机产生0到1之间的随机数α，若所产生 的随机数
Figure 349948DEST_PATH_IMAGE029
，则选择第r个特征值遗传给其下一代；
特征量遗传时，采用交叉操作，即两个父辈的经过筛选的固定数量的特征量互相交换，产生两个全新的经过变异的特征量，将这两个新特征量以此来作为神经元的选取。
本实施例使用K折线交叉验证法进行数据集循环使用，具体方法如下：
将雷达信号数据集按照7：3进行随机划分，每次都将其中的70%数据作为训练集，其中的30%数据作为验证集，直到完成K次神经网络训练得到BP神经网络杂波抑制模型；
最后计算K次求得分类的平均值，作为BP神经网络杂波抑制模型的真实分类率，具体公式如下：
Figure 77732DEST_PATH_IMAGE030
；
Figure 628799DEST_PATH_IMAGE031
是指每次求解出来的结果。
实施例1：
本实施例，采用本发明技术方案和现有抑制技术方案对同一组雷达信号数据进行抑制处理，如图3至图5所示，本发明结合概率无向图模型、BP神经网络以及遗传算法进行雷达数据处理、训练BP神经网络杂波抑制模型以及对模型参数反馈修正。图3为未经过杂波抑制算法的原始数据三维可视图，图中轨迹线条标记的数据即为目标轨迹，其余坐标点均为杂波数据，可明显看出，目标轨迹埋没于杂波中，很难分辨出轨迹数据。图4为经过现有技术中MTD滤波器组处理后的数据，可看出目标轨迹相较于图3原始数据有了明显改善，但仍旧存在较多杂波数据，使目标轨迹无法识别。图5为使用本发明进行的杂波抑制后的三维可视图，可以很明显的看出，较图4而言，本专利所使用的算法后的数据，目标轨迹清晰可见，杂波抑制效果优于传统算法，即证明本发明杂波抑制效果明显好于现有技术。

Claims (5)

1.一种基于神经网络的雷达杂波抑制方法，其特征在于：包括以下步骤：
步骤（1）、对采集到的雷达信号数据集进行数据处理得到雷达信号Y，Y = X + N，X表示雷达目标信号，N表示杂波信号；
步骤（2）、将数据处理后的雷达信号Y构建概率无向图模型，雷达信号Y分解为最大团势 的乘积，使用概率无向图将每个子集特征映射到无向图G(V,E)：无向图G(V,E)中节点表示 为
Figure 618029DEST_PATH_IMAGE001
；
步骤（3）、将概率无向图G(V,E)中的节点
Figure 125234DEST_PATH_IMAGE001
划分为训练集和验证集，使用训练集中的节 点作为参数特征值输入特征值输入BP神经网络的输入层，然后使用遗传算法分别对输入层 和隐藏层的输入特征值进行优化选择，筛选出最能反映输入与输出关系的雷达信号回波特 征值，最后进行训练得到BP神经网络杂波抑制模型，BP神经网络杂波抑制模型输出层的输 出变量包括杂波信号N和雷达目标信号X；
步骤（4）、调节BP神经网络杂波抑制模型的参数，得到拟合程度最优的网络，通过验证集中的数据来验证BP神经网络杂波抑制模型。
2.根据权利要求1所述的基于神经网络的雷达杂波抑制方法，其特征在于：所述步骤（1）中对雷达信号Y进行处理的具体内容如下：
步骤（1.1）、数据清洗
采集取环境的杂信号作为噪底数据，对于获取到的相关雷达信号进行噪底数据比对消除；
步骤（1.2）、标准化与归一化处理
对清洗后的雷达信号数据进行Z-Score标准化处理：
Figure 400357DEST_PATH_IMAGE002
；
其中，
Figure 840566DEST_PATH_IMAGE003
，
Figure 910153DEST_PATH_IMAGE004
；
Figure 934347DEST_PATH_IMAGE005
表示第k个数据值，
Figure 747583DEST_PATH_IMAGE006
表示数据平均值，
Figure 42298DEST_PATH_IMAGE007
表示所有数据的方差，
Figure 282786DEST_PATH_IMAGE008
表示第k个数据归 一化的结果。
3.根据权利要求1所述的基于神经网络的雷达杂波抑制方法，其特征在于：所述步骤（2）的详细过程为：
步骤（2.1）、将经过信号处理后的多普勒-距离频谱数据流作为实验数据
Figure 295742DEST_PATH_IMAGE009
，并 进行数据预处理，将实验数据
Figure 912668DEST_PATH_IMAGE010
中大于零的点，记为-1，将实验数据
Figure 61889DEST_PATH_IMAGE010
中等于零的点，记为+ 1；
Figure 738858DEST_PATH_IMAGE011
和
Figure 973531DEST_PATH_IMAGE012
分别表示多普勒通道、距离单元和时间；
步骤（2.2）、确定最大团能量函数中的参数值，循环遍历所有实验数据
Figure 128568DEST_PATH_IMAGE010
，对单独时间切 片数据
Figure 397876DEST_PATH_IMAGE013
进行状态检测：
若待最大团测点
Figure 980167DEST_PATH_IMAGE014
为+1，则跳过；若待最大团测点
Figure 702135DEST_PATH_IMAGE014
为-1，则先将初始状态设为+1， 然后按式（1）计算新的能量函数
Figure 660864DEST_PATH_IMAGE015
，接着改变初始状态为-1并按式（1）计算新的能量函数
Figure 784678DEST_PATH_IMAGE016
；
Figure 803449DEST_PATH_IMAGE017
式（1）
式（1）成对马尔可夫性， u和v是无向图G中任意两个没有边连接的结点，节点u和节点v 分别对应随机变量
Figure 514179DEST_PATH_IMAGE018
和
Figure 11019DEST_PATH_IMAGE019
，其他所有的节点为O，对应的随机变量组是
Figure 989339DEST_PATH_IMAGE020
；
步骤（2.3）、在每次遍历得到计算的
Figure 179012DEST_PATH_IMAGE015
和
Figure 875573DEST_PATH_IMAGE016
后，均判断两者之间的大小，若
Figure 176104DEST_PATH_IMAGE015
小于
Figure 8931DEST_PATH_IMAGE016
，说 明该待最大团测点为目标概率更大，则更新初始状态
Figure 369505DEST_PATH_IMAGE021
为-1，相反地，若
Figure 553362DEST_PATH_IMAGE015
大于
Figure 657584DEST_PATH_IMAGE016
，说明该 待最大团测点为杂波概率更大，则保留现有状态，接着进行下一点的计算判断；
步骤（2.4）、不断循环步骤（2.2）和步骤（2.3），直至完成所有最大团检测点的判断；
步骤（2.5）、循环完成后，最终输出矩阵Y=X，即目标信号所构成的轨迹集合。
4.根据权利要求1所述的基于神经网络的雷达杂波抑制方法，其特征在于：步骤（3）BP神经网络杂波抑制模型的输入特征值为雷达回波数据中的N个特征，基于二进制编码利用遗传算法对这些输入特征值进行优化选择，筛选出最能反映输入与输出关系的雷达信号回波特征值参与建模，具体方法为：
将有效选取特征参数记为“1”，将无效选取特征参数记为“0”，开始前，随机选择N个序列串结构数据，构建初始种群；
在父辈遗传给子辈种群中使用适应度函数
Figure 548180DEST_PATH_IMAGE022
来衡量各个特征参量接近最优解的优 劣程度：
Figure 141972DEST_PATH_IMAGE023
；
Figure 485229DEST_PATH_IMAGE024
为
Figure 455459DEST_PATH_IMAGE025
个样本的网络输出值，
Figure 200561DEST_PATH_IMAGE026
为第
Figure 965254DEST_PATH_IMAGE025
个样本的期望输出值，
Figure 61386DEST_PATH_IMAGE027
为数据总样本数；
通过子辈种群的适应度函数计算得到该子辈个体的累计概率为
Figure 241832DEST_PATH_IMAGE028
；
选择染色体进行遗传时，使用随机生成数随机产生0到1之间的随机数α，若所产生的随 机数
Figure 667872DEST_PATH_IMAGE029
，则选择第r个特征值遗传给其下一代；特征量遗传时，采用交叉操作，即 两个父辈的经过筛选的固定数量的特征量互相交换，产生两个全新的经过变异的特征量， 将这两个新特征量以此来作为神经元的选取。
5.根据权利要求1所述的基于神经网络的雷达杂波抑制方法，其特征在于：步骤（3）中使用K折线交叉验证法进行数据集循环使用，具体方法如下：
将雷达信号数据集按照7：3进行随机划分，每次都将其中的70%数据作为训练集，其中的30%数据作为验证集，直到完成K次神经网络训练得到BP神经网络杂波抑制模型；
最后计算K次求得分类的平均值，作为BP神经网络杂波抑制模型的真实分类率，具体公式如下：
Figure 541150DEST_PATH_IMAGE030
；
Figure 921316DEST_PATH_IMAGE031
是指每次求解出来的结果。
CN202211023661.7A 2022-08-25 2022-08-25 一种基于神经网络的雷达杂波抑制方法 Pending CN115113168A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211023661.7A CN115113168A (zh) 2022-08-25 2022-08-25 一种基于神经网络的雷达杂波抑制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211023661.7A CN115113168A (zh) 2022-08-25 2022-08-25 一种基于神经网络的雷达杂波抑制方法

Publications (1)

Publication Number Publication Date
CN115113168A true CN115113168A (zh) 2022-09-27

Family

ID=83335433

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211023661.7A Pending CN115113168A (zh) 2022-08-25 2022-08-25 一种基于神经网络的雷达杂波抑制方法

Country Status (1)

Country Link
CN (1) CN115113168A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116047507A (zh) * 2023-03-29 2023-05-02 扬州宇安电子科技有限公司 一种基于神经网络的靶机告警方法
CN116228609A (zh) * 2023-05-10 2023-06-06 中国人民解放军国防科技大学 一种基于零样本学习的雷达图像相干斑滤波方法及装置
WO2024076287A1 (en) * 2022-10-05 2024-04-11 Telefonaktiebolaget Lm Ericsson (Publ) Methods in radar receiver and transmitter for detecting objects of interest

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101807245A (zh) * 2010-03-02 2010-08-18 天津大学 基于人工神经网络的多源步态特征提取与身份识别方法
CN104422527A (zh) * 2013-09-04 2015-03-18 海尔集团公司 一种基于红外热释电信息的人体热源判断方法和装置
CN104849704A (zh) * 2015-05-25 2015-08-19 扬州宇安电子科技有限公司 一种雷达目标、干扰、杂波一体化仿真系统
CN105022038A (zh) * 2015-08-07 2015-11-04 武汉大学 一种基于形态分量分析的外辐射源雷达风场杂波抑制方法
CN105548984A (zh) * 2015-12-10 2016-05-04 中国人民解放军理工大学 一种基于模糊逻辑的双偏振多普勒天气雷达地物杂波抑制方法
CN106919925A (zh) * 2017-03-07 2017-07-04 南京师范大学 一种基于小波熵与人工神经网络的福特汽车检测方法
CN107657243A (zh) * 2017-10-11 2018-02-02 电子科技大学 基于遗传算法优化的神经网络雷达一维距离像目标识别方法
CN109444813A (zh) * 2018-10-26 2019-03-08 南京邮电大学 一种基于bp和dnn双神经网络的rfid室内定位方法
CN110146851A (zh) * 2019-05-17 2019-08-20 西安电子科技大学 一种基于数字统计特性分析改善雷达回波信噪比的方法
CN110441743A (zh) * 2019-07-02 2019-11-12 中国航空工业集团公司雷华电子技术研究所 一种基于ENet全卷积网络的气象杂波抑制方法
CN112083390A (zh) * 2020-08-20 2020-12-15 西安电子科技大学 一种时空关联下雷达杂波的动态抑制方法及装置
CN112465006A (zh) * 2020-11-24 2021-03-09 中国人民解放军海军航空大学 一种图神经网络目标跟踪方法及装置
CN114187516A (zh) * 2021-12-14 2022-03-15 中国地质大学（武汉） 一种基于bp神经网络的探地雷达地下空洞目标识别方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101807245A (zh) * 2010-03-02 2010-08-18 天津大学 基于人工神经网络的多源步态特征提取与身份识别方法
CN104422527A (zh) * 2013-09-04 2015-03-18 海尔集团公司 一种基于红外热释电信息的人体热源判断方法和装置
CN104849704A (zh) * 2015-05-25 2015-08-19 扬州宇安电子科技有限公司 一种雷达目标、干扰、杂波一体化仿真系统
CN105022038A (zh) * 2015-08-07 2015-11-04 武汉大学 一种基于形态分量分析的外辐射源雷达风场杂波抑制方法
CN105548984A (zh) * 2015-12-10 2016-05-04 中国人民解放军理工大学 一种基于模糊逻辑的双偏振多普勒天气雷达地物杂波抑制方法
CN106919925A (zh) * 2017-03-07 2017-07-04 南京师范大学 一种基于小波熵与人工神经网络的福特汽车检测方法
CN107657243A (zh) * 2017-10-11 2018-02-02 电子科技大学 基于遗传算法优化的神经网络雷达一维距离像目标识别方法
CN109444813A (zh) * 2018-10-26 2019-03-08 南京邮电大学 一种基于bp和dnn双神经网络的rfid室内定位方法
CN110146851A (zh) * 2019-05-17 2019-08-20 西安电子科技大学 一种基于数字统计特性分析改善雷达回波信噪比的方法
CN110441743A (zh) * 2019-07-02 2019-11-12 中国航空工业集团公司雷华电子技术研究所 一种基于ENet全卷积网络的气象杂波抑制方法
CN112083390A (zh) * 2020-08-20 2020-12-15 西安电子科技大学 一种时空关联下雷达杂波的动态抑制方法及装置
CN112465006A (zh) * 2020-11-24 2021-03-09 中国人民解放军海军航空大学 一种图神经网络目标跟踪方法及装置
CN114187516A (zh) * 2021-12-14 2022-03-15 中国地质大学（武汉） 一种基于bp神经网络的探地雷达地下空洞目标识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
施端阳: "遗传算法优化神经网络的雷达杂波抑制方法", 《现代防御技术》 *
陆晓明: "基于神经网络的雷达杂波抑制", 《万方数据》 *
陈思贤: "基于深度学习的低频雷达人体典型动作分类研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *
韩冰鑫: "基于机器学习的雷达杂波抑制方法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024076287A1 (en) * 2022-10-05 2024-04-11 Telefonaktiebolaget Lm Ericsson (Publ) Methods in radar receiver and transmitter for detecting objects of interest
CN116047507A (zh) * 2023-03-29 2023-05-02 扬州宇安电子科技有限公司 一种基于神经网络的靶机告警方法
CN116228609A (zh) * 2023-05-10 2023-06-06 中国人民解放军国防科技大学 一种基于零样本学习的雷达图像相干斑滤波方法及装置

Similar Documents

Publication Publication Date Title
CN115113168A (zh) 一种基于神经网络的雷达杂波抑制方法
CN111476263B (zh) 一种基于sdae和改进gwo-svm的轴承缺陷识别方法
CN110097755B (zh) 基于深度神经网络的高速公路交通流量状态识别方法
CN109657547B (zh) 一种基于伴随模型的异常轨迹分析方法
CN109934269B (zh) 一种电磁信号的开集识别方法和装置
CN110309771B (zh) 一种基于gbdt-insgaii的eas声磁系统标签识别算法
CN110287975B (zh) 基于nsst形态特征及深度kelm的浮选加药异常检测方法
CN113378990B (zh) 基于深度学习的流量数据异常检测方法
CN109002848B (zh) 一种基于特征映射神经网络的弱小目标检测方法
CN101893704A (zh) 一种基于粗糙集的雷达辐射源信号识别方法
CN114386324A (zh) 一种基于转折性时段识别的超短期风电功率分段预测方法
CN114970774B (zh) 一种智能变压器故障预测方法和装置
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
Liu et al. A classification method of glass defect based on multiresolution and information fusion
CN113657491A (zh) 一种用于信号调制类型识别的神经网络设计方法
CN112287592A (zh) 一种基于深度置信网络的工业设备故障诊断方法及系统
CN112164033A (zh) 一种基于异常特征编辑的对抗网络纹理表面缺陷检测方法
Li et al. Study on the detection of pulmonary nodules in CT images based on deep learning
CN111368900A (zh) 一种图像目标物识别方法
Dey et al. Genetic algorithm-tuned entropy-based fuzzy C-means algorithm for obtaining distinct and compact clusters
CN115840205A (zh) 一种基于激光雷达技术的地形面积计量方法和系统
CN113095354B (zh) 基于辐射源特征子空间知识的未知雷达目标识别方法
CN112287468B (zh) 一种船舶碰撞危险度判别方法及系统
CN116047507B (zh) 一种基于神经网络的靶机告警方法
CN115357862B (zh) 一种狭长空间中的定位方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220927