CN116299219A - 一种干扰深度特征距离度量联合检测与抑制方法 - Google Patents

一种干扰深度特征距离度量联合检测与抑制方法 Download PDF

Info

Publication number
CN116299219A
CN116299219A CN202310562271.5A CN202310562271A CN116299219A CN 116299219 A CN116299219 A CN 116299219A CN 202310562271 A CN202310562271 A CN 202310562271A CN 116299219 A CN116299219 A CN 116299219A
Authority
CN
China
Prior art keywords
interference
feature extraction
training
network
characteristic
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
Application number
CN202310562271.5A
Other languages
English (en)
Other versions
CN116299219B (zh
Inventor
李亚超
韩朝赟
顾彤
邵学辉
钟都都
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202310562271.5A priority Critical patent/CN116299219B/zh
Publication of CN116299219A publication Critical patent/CN116299219A/zh
Application granted granted Critical
Publication of CN116299219B publication Critical patent/CN116299219B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
    • 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
    • G01S7/023—Interference mitigation, e.g. reducing or avoiding non-intentional interference with other HF-transmitters, base station transmitters for mobile communication or other radar systems, e.g. using electro-magnetic interference [EMI] reduction techniques
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种干扰深度特征距离度量联合检测与抑制方法，包括：构建包括级联的特征提取网络和辅助训练网络的轻量级卷积神经网络模型；其中，特征提取网络由2个级联的卷积层构成，辅助训练网络由级联的1个转置卷积层和1个卷积层构成；利用训练数据集对轻量级卷积神经网络模型进行训练得到训练好的轻量级卷积神经网络模型；其中，训练过程中，构建特征超球面，将提取的所有特征向量约束分布于特征超球面内；修改特征提取网络中第二个卷积层的步长；利用修改后的特征提取网络计算干扰掩膜阈值；利用修改后的特征提取网络和干扰掩膜阈值对待处理的二维SAR回波信号进行干扰检测与抑制处理。本发明在网络特征级完成对干扰的检测与抑制。

Description

一种干扰深度特征距离度量联合检测与抑制方法
技术领域
本发明属于雷达信号抗干扰技术领域，具体涉及一种干扰深度特征距离度量联合检测与抑制方法。
背景技术
由于合成孔径雷达(Synthetic Aperture Radar，简称SAR)探测信号的宽带特性，其工作频段容易受到其他电磁干扰的影响。且在当前电磁环境日益复杂的背景下，尤其是在数字射频存储器技术日益成熟的条件下，针对合成孔径雷达研究的干扰手段日趋多样，干扰形式愈发灵活，严重制约了高分辨成像效果，使得合成孔径雷达的信息获取能力严重下降。
现有主流抗干扰方法中：基于陷波滤波和基于子空间投影的抗干扰方法存在适用于强干扰、需要干扰检测的问题；基于参数化和半参数化方法存在迭代优化计算复杂度高、模型依赖干扰先验信息的问题。上述缺陷可以归结为现有方法对于信号和干扰的自适应感知和区分能力弱，从而导致抗干扰效果不足。同时，由于现有抗干扰方法均直接假定信号中存在干扰，并依赖干扰的强能量差异进行干扰抑制，因此这些算法均需要首先进行干扰检测后，再进行干扰抑制，可见，对于未受到干扰的信号，该算法仍将对其进行抑制。在当前人工智能技术发展的背景下，如何利用深度学习技术，克服现有方法缺陷，实现智能化抗干扰，是一个亟待解决的问题。比如雷达学报刊登论文《纹理异常感知SAR自监督学习干扰抑制方法》中，利用基于自编码器的神经网络模型对正常雷达信号时频谱进行压缩重构，然后根据该网络模型对接收雷达信号时频谱处理结果的重构误差分布，实现在时频域中对干扰时频分量的检测定位，并基于此构建陷波滤波器完成干扰抑制。
但是，现有基于自监督学习干扰抑制方法中，为实现对于时频域中干扰分量的定位，构建了基于自编码器的神经网络对信号进行压缩重构，且网络结构中包含的卷积层数较多，导致网络计算量较大，使得算法处理耗时长、效率低。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种干扰深度特征距离度量联合检测与抑制方法。本发明要解决的技术问题通过以下技术方案实现：
本发明实施例提供了一种干扰深度特征距离度量联合检测与抑制方法，包括：
构建轻量级卷积神经网络模型；所述轻量级卷积神经网络模型包括级联的特征提取网络和辅助训练网络；其中，所述特征提取网络由2个级联的卷积层构成，用于对输入数据进行特征向量提取；所述辅助训练网络由级联的1个转置卷积层和1个卷积层构成，用于将提取的特征向量重构为所述输入数据；
利用训练数据集对所述轻量级卷积神经网络模型进行训练得到训练好的轻量级卷积神经网络模型；其中，训练过程中，构建特征超球面，将提取的所有特征向量约束分布于所述特征超球面内；
修改训练好的特征提取网络中第二个卷积层的步长，使所述特征提取网络中第二个卷积层输出特征的大小与所述特征提取网络输入数据的大小一致；
利用修改后的特征提取网络计算干扰掩膜阈值；
利用修改后的特征提取网络和所述干扰掩膜阈值对待处理的二维SAR回波信号进行干扰检测与抑制处理。
在本发明的一个实施例中，修改前的所述特征提取网络中第一个卷积层的核大小为3×3、通道数为4、步长为1；修改前的所述特征提取网络中第二个卷积层的核大小为3×3、通道数为8、步长为2。
在本发明的一个实施例中，所述辅助训练网络中转置卷积层的核大小为3×3、通道数为4、步长为2；所述辅助训练网络中卷积层的核大小为3×3、通道数为2、步长为1。
在本发明的一个实施例中，训练数据集的生成过程包括：
获取未受到干扰的SAR回波信号；
针对所述未受到干扰的SAR回波信号中每一脉冲回波信号，执行以下操作：对所述脉冲回波信号进行短时傅里叶变换，并对变换结果的实部与虚部沿通道维进行拼接得到脉冲回波信号对应的时频谱；
所有脉冲回波信号对应的时频谱构成训练数据集。
在本发明的一个实施例中，利用训练数据集对所述轻量级卷积神经网络模型进行训练的过程包括：
构建由MSE损失函数、SSIM损失函数、特征收缩损失函数三部分组成的总体损失函数；其中，所述特征收缩损失函数根据构建的特征超球面来计算；
利用所述训练数据集和所述总体损失函数对所述轻量级卷积神经网络模型进行训练得到训练好的轻量级卷积神经网络模型。
在本发明的一个实施例中，所述总体损失函数公式表示为：
Figure SMS_1
；
其中，
Figure SMS_16
表示总体损失函数，/>
Figure SMS_19
表示特征提取网络的输入数据，/>
Figure SMS_21
表示辅助训练网络输出的时频谱，/>
Figure SMS_5
表示特征提取网络输出的特征向量图，/>
Figure SMS_6
表示MSE损失函数，
Figure SMS_10
，/>
Figure SMS_12
表示特征向量图中特征向量个数，/>
Figure SMS_23
表示特征提取网络的输入数据/>
Figure SMS_26
中第/>
Figure SMS_30
个值，/>
Figure SMS_33
表示辅助训练网络输出的时频谱/>
Figure SMS_36
中第/>
Figure SMS_37
个值，/>
Figure SMS_40
表示SSIM损失函数，/>
Figure SMS_41
，
Figure SMS_15
表示输入数据/>
Figure SMS_17
中以/>
Figure SMS_18
为中心点的预设局部窗大小的局部时频谱，/>
Figure SMS_20
表示时频谱/>
Figure SMS_2
中以
Figure SMS_7
为中心点的预设局部窗大小的局部时频谱；/>
Figure SMS_9
和/>
Figure SMS_13
分别表示局部时频谱/>
Figure SMS_3
和局部时频谱/>
Figure SMS_11
的均值，/>
Figure SMS_14
和/>
Figure SMS_39
分别表示局部时频谱/>
Figure SMS_25
和局部时频谱/>
Figure SMS_28
的方差，/>
Figure SMS_31
表示局部时频谱/>
Figure SMS_34
和局部时频谱/>
Figure SMS_22
的协方差，/>
Figure SMS_24
和/>
Figure SMS_27
表示两个常数项，/>
Figure SMS_29
表示特征收缩损失函数，/>
Figure SMS_32
，/>
Figure SMS_35
表示特征超球面的半径，/>
Figure SMS_38
表示特征向量图中第/>
Figure SMS_42
个特征向量，/>
Figure SMS_4
表示求转置操作，/>
Figure SMS_8
表示求最大值操作。
在本发明的一个实施例中，利用所述训练数据集和所述总体损失函数对所述轻量级卷积神经网络模型进行训练的过程，包括：
从所述训练数据集中随机取出若干训练数据；
将取出的所有训练数据输入所述轻量级卷积神经网络模型，分别得到所述特征提取网络输出的特征向量图和所述辅助训练网络输出的时频谱；
将取出的所有训练数据，以及对应输出的所述时频谱和所述特征向量图代入所述总体损失函数计算对应的损失值；
计算所述损失值对应所述轻量级卷积神经网络模型的网络参数及网络参数对应的梯度值，以及特征超球面的半径及半径对应的梯度值；
根据所述网络参数对应的梯度值更新所述轻量级卷积神经网络模型的网络参数，以及根据所述半径对应的梯度值更新所述特征超球面的半径；
重复上述训练过程，直至满足迭代收敛条件，得到训练好的轻量级卷积神经网络模型。
在本发明的一个实施例中，修改训练好的特征提取网络中第二个卷积层的步长，包括：
修改训练好的特征提取网络中第二个卷积层的步长为1。
在本发明的一个实施例中，利用修改后的特征提取网络计算干扰掩膜阈值，包括：
将所述训练数据集输入修改后的特征提取网络进行特征提取得到特征向量图；
计算该特征向量图中每个特征向量的模值，并从所有的模值中选择最大值对应的模值作为干扰掩膜阈值。
在本发明的一个实施例中，利用修改后的特征提取网络和所述干扰掩膜阈值对待处理的二维SAR回波信号进行干扰检测与抑制处理，包括：
针对待处理的二维SAR回波信号中每一待处理脉冲回波信号，执行以下操作：
对所述待处理脉冲回波信号进行短时傅里叶变换，并对变换结果的实部与虚部沿通道维拼接得待处理脉冲回波对应的时频谱；
利用修改后的特征提取网络对所述待处理脉冲回波对应的时频谱进行特征提取得到特征向量图，并对该特征向量图中每个特征向量计算其模值得到特征模值图；
利用所述干扰掩膜阈值对所述特征模值图进行分割得到干扰时频定位掩膜；
判断所述干扰时频定位掩膜中是否存在干扰，若存在，则将所述干扰时频定位掩膜与所述待处理脉冲回波对应的时频谱逐点相乘，对逐点相乘结果进行逆短时傅里叶变换得到干扰抑制后的待处理脉冲回波信号，若不存在，则对所述待处理脉冲回波对应的时频谱直接进行逆短时傅里叶变换得到干扰抑制后的待处理脉冲回波信号。
本发明的有益效果：
本发明提出的干扰深度特征距离度量联合检测与抑制方法，是一种针对SAR回波信号干扰检测与抑制的新思路，具体地：构建轻量级卷积神经网络模型；轻量级卷积神经网络模型包括级联的特征提取网络和辅助训练网络；其中，特征提取网络由2个级联的卷积层构成，用于对输入数据进行特征向量提取；辅助训练网络由级联的1个转置卷积层和1个卷积层构成，用于将提取的特征向量重构为输入数据；利用训练数据集对轻量级卷积神经网络模型进行训练得到训练好的轻量级卷积神经网络模型；其中，训练过程中，构建特征超球面，将提取的所有特征向量约束分布于特征超球面内；修改训练好的特征提取网络中第二个卷积层的步长，使特征提取网络中第二个卷积层输出特征的大小与特征提取网络输入数据的大小一致；利用修改后的特征提取网络计算干扰掩膜阈值；利用修改后的特征提取网络和干扰掩膜阈值对待处理的二维SAR回波信号进行干扰检测与抑制处理。可见，本发明打破了传统通过一神经网络对SAR回波信号进行压缩重构，然后根据神经网络输入输出的差异达到检测干扰并进行抑制的思路，提出了一种新思路：构建了一仅包含两个卷积层的特征提取网络，训练过程中利用构建的特征超球面将特征提取网络提取的所有特征约束于该特征超球面内，训练完成后通过修改步长的特征提取网络对待处理的SAR回波信号进行特征提取，并判断特征提取结果是否在该特征超球面内，实现在时频域中对干扰时频分量的检测定位，能够高效的同时完成干扰检测和干扰抑制，即在网络特征级完成对干扰的检测与抑制，而且所构建的特征提取网络仅包含两个卷积层，克服了现有深度学习的干扰抑制技术中所构建的神经网络层数多、计算量大的缺点，极大地提升了算法效率。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种干扰深度特征距离度量联合检测与抑制方法的流程示意图；
图2是本发明实施例提供的轻量级卷积神经网络模型示意图；
图3是本发明实施例提供的轻量级卷积神经网络模型的训练过程示意图；
图4是本发明实施例提供的轻量级卷积神经网络模型的进一步训练过程示意图；
图5是本发明实施例提供的计算干扰掩膜阈值的示意图；
图6是本发明实施例提供的对待处理的二维SAR回波信号进行干扰检测与抑制处理的流程示意图；
图7是本发明实施例提供的受到干扰的SAR成像结果示意图；
图8是利用本发明实施例提出方法进行干扰抑制后的SAR成像结果示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
为了解决背景技术存在的问题，请参见图1，本发明实施例提供了一种干扰深度特征距离度量联合检测与抑制方法，包括以下步骤：
S10、构建轻量级卷积神经网络模型；轻量级卷积神经网络模型包括级联的特征提取网络和辅助训练网络；其中，特征提取网络由2个级联的卷积层构成，用于对输入数据进行特征向量提取；辅助训练网络由级联的1个转置卷积层和1个卷积层构成，用于将提取的特征向量重构为输入数据。
现有基于深度学习的网络模型设计均比较复杂，不利于干扰的快速检测与抑制，而本发明实施例构建了一种轻量级卷积神经网络模型，该轻量级卷积神经网络模型包括级联的特征提取网络和辅助训练网络，其中，特征提取网络由2个级联的卷积层构成，用于对输入数据进行特征向量提取，辅助训练网络由级联的1个转置卷积层和1个卷积层构成，将提取的特征向量重构为输入数据，具体地：特征提取网络中第一个卷积层的核大小为3×3、通道数为4、步长为1；特征提取网络中第二个卷积层的核大小为3×3、通道数为8、步长为2；辅助训练网络中转置卷积层的核大小为3×3、通道数为4、步长为2；辅助训练网络中卷积层的核大小为3×3、通道数为2、步长为1。
本发明实施例轻量级卷积神经网络模型中辅助训练网络只是用于帮助特征提取网络训练，在训练结束后，真正用于检测与抑制的只有特征提取网络，即本发明实施例用于后续SAR回波信号干扰检测与抑制的特征提取网络仅包含两个卷积层，克服了现有基于深度学习的干扰抑制技术中所构建的神经网络层数多、计算量大的缺点，极大地提升了算法效率。
S20、利用训练数据集对轻量级卷积神经网络模型进行训练得到训练好的轻量级卷积神经网络模型；其中，训练过程中，构建特征超球面，将提取的所有特征向量约束分布于特征超球面内。
本发明实施例选用与需要进行干扰抑制的场景类似的未受干扰的SAR回波信号生成训练数据集，具体训练数据集的生成过程包括：
获取未受到干扰的SAR回波信号；
针对未受到干扰的SAR回波信号中每一脉冲回波信号，执行以下操作：对脉冲回波信号进行短时傅里叶变换，并对变换结果的实部与虚部沿通道维进行拼接得到脉冲回波信号对应的时频谱；
所有脉冲回波信号对应的时频谱构成训练数据集。
比如，生成训练数据集的具体实现如下：
设置短时傅里叶变换参数：短时傅里叶变换窗函数采用汉明窗，窗长设置为31，步长设置为1，傅里叶变换点数设置为32；
根据上述参数，对未受到干扰的SAR回波信号中每一脉冲回波信号进行短时傅里叶变换，构成每一脉冲回波信号对应的时频域数据集
Figure SMS_43
，/>
Figure SMS_44
表示脉冲回波信号个数；
将时频域数据集
Figure SMS_45
中每一个时频域数据/>
Figure SMS_46
，分别取出其实部与虚部并沿通道维拼接，得到训练数据集/>
Figure SMS_47
，其中，训练数据集的每一个训练数据/>
Figure SMS_48
表示如下：
Figure SMS_49
；
其中，
Figure SMS_50
，/>
Figure SMS_51
表示取出数据的实部，/>
Figure SMS_52
表示取出数据的虚部，
Figure SMS_53
表示将输入的两个数据沿通道维拼接。
进一步地，通过上述过程生成了训练过程中需要的训练数据集，基于该训练数据集本发明实施例提出了一种新的训练思路，不再是根据网络模型输入输出的差异作为训练收敛条件，而是通过构建一特征超球面，对训练数据进行特征提取，并约束提取的特征向量分布于该特征超球面内作为训练收敛条件，进而利用训练好的网络模型进行后续的干扰检测与抑制。在这里，请参见图3，具体利用训练数据集对轻量级卷积神经网络模型进行训练的过程包括：
S201、构建特征超球面。
本发明实施例在8维空间中构建一特征超球面，该特征超球面的球心恒定为原点，特征超球面的半径
Figure SMS_54
的初始值设为0.3。
S202、构建由MSE损失函数、SSIM损失函数、特征收缩损失函数三部分组成的总体损失函数；其中，特征收缩损失函数根据构建的特征超球面来计算。
本发明实施例训练过程中基于S201构建的特征超球面构建特征收缩损失函数，保证特征提取网络提取的特征向量都分布于特征超球面内，并结合MSE损失、SSIM损失，保证最小化辅助训练网络的输出和特征提取网络输入的差异，最终构建的总体损失函数公式表示为：
Figure SMS_55
；
其中，
Figure SMS_73
表示总体损失函数，/>
Figure SMS_76
表示特征提取网络的输入数据，/>
Figure SMS_79
表示辅助训练网络输出的时频谱，/>
Figure SMS_57
表示特征提取网络输出的特征向量图，/>
Figure SMS_62
表示MSE损失函数，
Figure SMS_66
，/>
Figure SMS_68
表示特征向量图中特征向量个数，/>
Figure SMS_58
表示特征提取网络的输入数据/>
Figure SMS_61
中第/>
Figure SMS_65
个值，/>
Figure SMS_69
表示辅助训练网络输出的时频谱/>
Figure SMS_74
中第/>
Figure SMS_77
个值，/>
Figure SMS_82
表示SSIM损失函数，/>
Figure SMS_93
，
Figure SMS_78
表示输入数据/>
Figure SMS_80
中以/>
Figure SMS_84
为中心点的预设局部窗大小的局部时频谱，/>
Figure SMS_87
表示时频谱/>
Figure SMS_59
中以/>
Figure SMS_63
为中心点的预设局部窗大小的局部时频谱；/>
Figure SMS_70
和/>
Figure SMS_71
分别表示局部时频谱/>
Figure SMS_83
和局部时频谱/>
Figure SMS_86
的均值，/>
Figure SMS_90
和/>
Figure SMS_95
分别表示局部时频谱/>
Figure SMS_91
和局部时频谱/>
Figure SMS_92
的方差，/>
Figure SMS_94
表示局部时频谱/>
Figure SMS_96
和局部时频谱/>
Figure SMS_64
的协方差，/>
Figure SMS_67
和/>
Figure SMS_72
表示两个常数项，/>
Figure SMS_75
表示特征收缩损失函数，/>
Figure SMS_81
，/>
Figure SMS_85
表示构建的超球面的半径，/>
Figure SMS_88
表示特征向量图中第/>
Figure SMS_89
个特征向量，/>
Figure SMS_56
表示求转置操作，/>
Figure SMS_60
表示求最大值操作。这里，预设局部窗大小可以设计为7×7。
S203、利用训练数据集和总体损失函数对轻量级卷积神经网络模型进行训练得到训练好的轻量级卷积神经网络模型。
在S202构建的总体损失函数上，请参见图4，本发明实施例利用训练数据集和总体损失函数对轻量级卷积神经网络模型进行训练的过程，包括：
S2031、从训练数据集中随机取出若干训练数据；比如从训练数据集中随机取出N个训练数据，记为
Figure SMS_97
。其中，N取值可以为64。
S2032、将取出的所有训练数据
Figure SMS_98
输入轻量级卷积神经网络模型，分别得到特征提取网络输出的特征向量图和辅助训练网络输出的时频谱，分别记为/>
Figure SMS_99
、/>
Figure SMS_100
。
S2033、将取出的所有训练数据
Figure SMS_101
，以及对应输出的时频谱/>
Figure SMS_102
和特征向量图
Figure SMS_103
代入总体损失函数计算对应的损失值，记为/>
Figure SMS_104
。
S2034、计算损失值
Figure SMS_105
对应轻量级卷积神经网络模型的网络参数及网络参数对应的梯度值，以及特征超球面的半径及半径对应的梯度值；对应梯度值计算方式公式表示为：
Figure SMS_106
；
Figure SMS_107
；
其中，
Figure SMS_108
表示轻量级卷积神经网络模型的网络参数，/>
Figure SMS_109
表示特征超球面的半径，
Figure SMS_110
表示网络参数对应的梯度值，/>
Figure SMS_111
表示特征超球面的半径对应的梯度值。
S2035、根据网络参数对应的梯度值更新轻量级卷积神经网络模型的网络参数，以及根据半径对应的梯度值更新特征超球面的半径；对应更新方式公式表示为：
Figure SMS_112
；
Figure SMS_113
；
Figure SMS_114
；
其中，
Figure SMS_115
表示学习率，取值可以为0.0002，/>
Figure SMS_116
表示第/>
Figure SMS_117
次迭代时的动量，/>
Figure SMS_118
表示第/>
Figure SMS_119
次迭代时的动量，初始动量/>
Figure SMS_120
，总的迭代次数M可以设置为10000，每次迭代中动量的计算可以采用现有方法，这里不再赘述。
重复上述S2031~S2035训练过程，直至满足迭代收敛条件，得到训练好的轻量级卷积神经网络模型。经过上述训练过程，使得特征提取网络提取的所有特征向量均分布于构建的特征超球面内，保证当前训练完成的特征提取网络为最优网络模型。
这里，迭代收敛条件可以设计为常见的最大迭代次数，这里优选更新的特征超球面的半径在预设半径变化阈值范围内，该预设半径变化阈值根据实际需要设定，比如预设半径变化阈值可以设定为固定值0.001。
S30、修改训练好的特征提取网络中第二个卷积层的步长，使特征提取网络中第二个卷积层输出特征的大小与特征提取网络输入数据的大小一致。
将训练好的轻量级卷积神经网络模型中特征提取网络的第二个卷积层的步长修改为1；这里特征提取网络如S10中所述，不同的在于，计算干扰掩膜阈值过程中将特征提取网络的第二个卷积层的步长修改为1。由于在训练过程中第二个卷积层的步长设置为2，是因为只有设为2，特征提取网络才可以对进行下采样，执行训练过程中才能使特征提取网络进行有效的特征提取；而训练结束后，特征提取网络中第二个卷积层的步长需要是1，因为第二个卷积层输出特征的大小应该和特征提取网络的输入数据的大小一致，因此不需要进行下采样，只进行特征提取，判断该提取的特征向量是不是在特征超球面内，以发现干扰并抑制干扰，这是与很多现有神经网络进行SAR回波信号干扰检测与抑制不同的地方。
S40、利用修改后的特征提取网络计算干扰掩膜阈值。
本发明提供了一种计算干扰掩膜阈值的可选方案，请参见图5，利用修改后的特征提取网络计算干扰掩膜阈值，包括：
S401、将训练数据集输入修改后的特征提取网络中进行特征提取得到特征向量图；对应提取得到的特征向量图公式表示为：
Figure SMS_121
；
其中，
Figure SMS_122
表示特征提取网络中第一个卷积层的卷积操作，/>
Figure SMS_123
表示特征提取网络中第二个卷积层的卷积操作，/>
Figure SMS_124
表示训练数据集。
S402、计算该特征向量图中每个特征向量的模值，并从所有的模值中选择最大值对应的模值作为干扰掩膜阈值；对应计算特征向量图中每个特征向量的模值公式表示为：
Figure SMS_125
；
其中，
Figure SMS_128
表示/>
Figure SMS_131
的模值，/>
Figure SMS_134
表示特征向量图/>
Figure SMS_126
中第/>
Figure SMS_129
个特征向量，/>
Figure SMS_133
取值为/>
Figure SMS_135
，
Figure SMS_127
表示特征向量图/>
Figure SMS_130
中特征向量的个数，/>
Figure SMS_132
表示求2范数。然后从所有的/>
Figure SMS_136
中选择最大值对应的模值作为干扰掩膜阈值。
S50、利用修改后的特征提取网络和干扰掩膜阈值对待处理的二维SAR回波信号进行干扰检测与抑制处理。
本发明实施例提供了一种可选方案，利用修改后的特征提取网络和干扰掩膜阈值对待处理的二维SAR回波信号进行干扰检测与抑制处理，包括：
针对待处理的二维SAR回波信号中每一待处理脉冲回波信号，请参见图6，执行以下操作：
S501、对待处理脉冲回波信号进行短时傅里叶变换，并对变换结果的实部与虚部沿通道维拼接得待处理脉冲回波对应的时频谱，记为
Figure SMS_137
；这里具体处理过程参见S20中训练数据集的生成过程，在此不再赘述。
S502、利用修改后的特征提取网络对待处理脉冲回波对应的时频谱进行特征提取得到特征向量图，并对特征向量图中每个特征向量计算其模值得到特征模值图；对应提取得到的特征向量图
Figure SMS_138
公式表示为：
Figure SMS_139
；
对应特征模值图
Figure SMS_140
公式表示为：
Figure SMS_141
；
Figure SMS_142
；
其中，
Figure SMS_143
表示/>
Figure SMS_144
的特征模值，/>
Figure SMS_145
表示特征向量图/>
Figure SMS_146
中第/>
Figure SMS_147
个特征向量。
S503、利用干扰掩膜阈值对特征模值图进行分割得到干扰时频定位掩膜；具体比较特征模值图
Figure SMS_148
中每个特征模值与干扰掩膜阈值的大小，将小于干扰掩膜阈值的部分设为1，其余部分设为0，得到干扰时频定位掩膜。
S504、判断干扰时频定位掩膜中是否存在干扰，若存在，则将干扰时频定位掩膜与待处理脉冲回波对应的时频谱逐点相乘，对逐点相乘结果进行逆短时傅里叶变换得到干扰抑制后的待处理脉冲回波信号，若不存在，则对待处理脉冲回波对应的时频谱直接进行逆短时傅里叶变换得到干扰抑制后的待处理脉冲回波信号。
本发明实施例具体判断干扰时频定位掩膜中是否存在0，若不存在，则认为该待处理脉冲回波信号中不存在干扰，直接对S501得到的时频谱进行逆短时傅里叶变换得到原待处理脉冲回波信号，也可以理解为得到干扰抑制后的待处理脉冲回波信号；若存在，则认为该待处理脉冲回波信号中存在干扰，需要通过将干扰时频定位掩膜与待处理时频谱逐点相乘来抑制干扰，再对逐点相乘结果进行逆短时傅里叶变换得到干扰抑制后的待处理脉冲回波信号。这里，逆短时傅里叶变换过程采用现有技术即可。可见，本发明实施例通过干扰时频定位掩膜实时待处理的检测SAR回波信号中的异常特征，实现了对干扰时频分量的自适应检测，可以同时完成针对SAR回波信号的干扰检测和干扰抑制，避免了现有干扰抑制技术中必须单独采用现有干扰检测算法预先判断SAR回波信号中是否存在干扰，基于干扰检测结果再进一步利用神经网络进行干扰抑制的缺点。
通过上述S501~S504处理，实现待处理的二维SAR回波信号中每一待处理脉冲回波信号的干扰检测与抑制。
为了验证本发明实施例提供的干扰深度特征距离度量联合检测与抑制方法的有效性，进行以下实验进行验证。
1. 仿真条件：
本发明仿真实验的硬件平台为：Intel(R) Core(TM) i7-10700 CPU，2.90GHz，内存为64G，GPU为 NVIDIAGeForce RTX 3090。
本发明仿真实验的软件平台为：Pycharm2021。
2. 仿真内容与结果分析：
图7为受到干扰的SAR成像结果；在上述仿真条件下利用本发明方法实现的对受到干扰的SAR回波信号进行干扰抑制仿真结果如图8所示，从图8中可以看出，图7中存在的干扰已经完全被抑制。
综上所述，本发明实施例提出的干扰深度特征距离度量联合检测与抑制方法，是一种针对SAR回波信号干扰检测与抑制的新思路，具体地：构建轻量级卷积神经网络模型；轻量级卷积神经网络模型包括级联的特征提取网络和辅助训练网络；其中，特征提取网络由2个级联的卷积层构成，用于对输入数据进行特征向量提取；辅助训练网络由级联的1个转置卷积层和1个卷积层构成，用于将提取的特征向量重构为输入数据；利用训练数据集对轻量级卷积神经网络模型进行训练得到训练好的轻量级卷积神经网络模型；其中，训练过程中，构建特征超球面，将提取的所有特征向量约束分布于特征超球面内；修改训练好的特征提取网络中第二个卷积层的步长，使特征提取网络中第二个卷积层输出特征的大小与特征提取网络输入数据的大小一致；利用修改后的特征提取网络计算干扰掩膜阈值；利用修改后的特征提取网络和干扰掩膜阈值对待处理的二维SAR回波信号进行干扰检测与抑制处理。可见，本发明实施例打破了传统通过一神经网络对SAR回波信号进行压缩重构，然后根据神经网络输入输出的差异达到检测干扰并进行抑制的思路，提出了一种新思路：构建了一仅包含两个卷积层的特征提取网络，训练过程中利用构建的特征超球面将特征提取网络提取的所有特征约束于该特征超球面内，训练完成后通过修改步长的特征提取网络对待处理的SAR回波信号进行特征提取，并判断特征提取结果是否在该特征超球面内，实现在时频域中对干扰时频分量的检测定位，能够高效的同时完成干扰检测和干扰抑制，即在网络特征级完成对干扰的检测与抑制，而且所构建的特征提取网络仅包含两个卷积层，克服了现有深度学习的干扰抑制技术中所构建的神经网络层数多、计算量大的缺点，极大地提升了算法效率。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
尽管在此结合各实施例对本发明进行了描述，然而，在实施所要求保护的本发明过程中，本领域技术人员通过查看说明书及其附图，可理解并实现所述公开实施例的其他变化。在说明书中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。相互不同的实施例中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种干扰深度特征距离度量联合检测与抑制方法，其特征在于，包括：
构建轻量级卷积神经网络模型；所述轻量级卷积神经网络模型包括级联的特征提取网络和辅助训练网络；其中，所述特征提取网络由2个级联的卷积层构成，用于对输入数据进行特征向量提取；所述辅助训练网络由级联的1个转置卷积层和1个卷积层构成，用于将提取的特征向量重构为所述输入数据；
利用训练数据集对所述轻量级卷积神经网络模型进行训练得到训练好的轻量级卷积神经网络模型；其中，训练过程中，构建特征超球面，将提取的所有特征向量约束分布于所述特征超球面内；
修改训练好的特征提取网络中第二个卷积层的步长，使所述特征提取网络中第二个卷积层输出特征的大小与所述特征提取网络的输入数据的大小一致；
利用修改后的特征提取网络计算干扰掩膜阈值；
利用修改后的特征提取网络和所述干扰掩膜阈值对待处理的二维SAR回波信号进行干扰检测与抑制处理。
2.根据权利要求1所述的干扰深度特征距离度量联合检测与抑制方法，其特征在于，修改前的所述特征提取网络中第一个卷积层的核大小为3×3、通道数为4、步长为1；修改前的所述特征提取网络中第二个卷积层的核大小为3×3、通道数为8、步长为2。
3.根据权利要求1所述的干扰深度特征距离度量联合检测与抑制方法，其特征在于，所述辅助训练网络中转置卷积层的核大小为3×3、通道数为4、步长为2；所述辅助训练网络中卷积层的核大小为3×3、通道数为2、步长为1。
4.根据权利要求1所述的干扰深度特征距离度量联合检测与抑制方法，其特征在于，训练数据集的生成过程包括：
获取未受到干扰的SAR回波信号；
针对所述未受到干扰的SAR回波信号中每一脉冲回波信号，执行以下操作：对所述脉冲回波信号进行短时傅里叶变换，并对变换结果的实部与虚部沿通道维进行拼接得到脉冲回波信号对应的时频谱；
所有脉冲回波信号对应的时频谱构成训练数据集。
5.根据权利要求1所述的干扰深度特征距离度量联合检测与抑制方法，其特征在于，利用训练数据集对所述轻量级卷积神经网络模型进行训练的过程包括：
构建由MSE损失函数、SSIM损失函数、特征收缩损失函数三部分组成的总体损失函数；其中，所述特征收缩损失函数根据所述特征超球面来计算；
利用所述训练数据集和所述总体损失函数对所述轻量级卷积神经网络模型进行训练得到训练好的轻量级卷积神经网络模型。
6.根据权利要求5所述的干扰深度特征距离度量联合检测与抑制方法，其特征在于，所述总体损失函数公式表示为：
Figure QLYQS_1
；
其中，
Figure QLYQS_22
表示总体损失函数，/>
Figure QLYQS_24
表示特征提取网络的输入数据，/>
Figure QLYQS_26
表示辅助训练网络输出的时频谱，/>
Figure QLYQS_3
表示特征提取网络输出的特征向量图，/>
Figure QLYQS_7
表示MSE损失函数，
Figure QLYQS_13
，/>
Figure QLYQS_17
表示特征向量图中特征向量个数，/>
Figure QLYQS_28
表示特征提取网络的输入数据/>
Figure QLYQS_40
中第/>
Figure QLYQS_41
个值，/>
Figure QLYQS_42
表示辅助训练网络输出的时频谱/>
Figure QLYQS_34
中第/>
Figure QLYQS_36
个值，/>
Figure QLYQS_37
表示SSIM损失函数，/>
Figure QLYQS_39
，
Figure QLYQS_15
表示输入数据/>
Figure QLYQS_16
中以/>
Figure QLYQS_23
为中心点的预设局部窗大小的局部时频谱，/>
Figure QLYQS_38
表示时频谱/>
Figure QLYQS_2
中以/>
Figure QLYQS_6
为中心点的预设局部窗大小的局部时频谱；/>
Figure QLYQS_11
和/>
Figure QLYQS_14
分别表示局部时频谱/>
Figure QLYQS_21
和局部时频谱/>
Figure QLYQS_25
的均值，/>
Figure QLYQS_27
和/>
Figure QLYQS_31
分别表示局部时频谱/>
Figure QLYQS_30
和局部时频谱/>
Figure QLYQS_32
的方差，/>
Figure QLYQS_33
表示局部时频谱/>
Figure QLYQS_35
和局部时频谱/>
Figure QLYQS_5
的协方差，/>
Figure QLYQS_9
和/>
Figure QLYQS_10
表示两个常数项，/>
Figure QLYQS_19
表示特征收缩损失函数，/>
Figure QLYQS_12
，/>
Figure QLYQS_18
表示特征超球面的半径，/>
Figure QLYQS_20
表示特征向量图中第/>
Figure QLYQS_29
个特征向量，/>
Figure QLYQS_4
表示求转置操作，/>
Figure QLYQS_8
表示求最大值操作。
7.根据权利要求5所述的干扰深度特征距离度量联合检测与抑制方法，其特征在于，利用所述训练数据集和所述总体损失函数对所述轻量级卷积神经网络模型进行训练的过程，包括：
从所述训练数据集中随机取出若干训练数据；
将取出的所有训练数据输入所述轻量级卷积神经网络模型，分别得到所述特征提取网络输出的特征向量图和所述辅助训练网络输出的时频谱；
将取出的所有训练数据，以及对应输出的所述时频谱和所述特征向量图代入所述总体损失函数计算对应的损失值；
计算所述损失值对应所述轻量级卷积神经网络模型的网络参数及网络参数对应的梯度值，以及特征超球面的半径及半径对应的梯度值；
根据所述网络参数对应的梯度值更新所述轻量级卷积神经网络模型的网络参数，以及根据所述半径对应的梯度值更新所述特征超球面的半径；
重复上述训练过程，直至满足迭代收敛条件，得到训练好的轻量级卷积神经网络模型。
8.根据权利要求2所述的干扰深度特征距离度量联合检测与抑制方法，其特征在于，修改训练好的特征提取网络中第二个卷积层的步长，包括：
修改训练好的特征提取网络中第二个卷积层的步长为1。
9.根据权利要求1所述的干扰深度特征距离度量联合检测与抑制方法，其特征在于，利用修改后的特征提取网络计算干扰掩膜阈值，包括：
将所述训练数据集输入修改后的特征提取网络进行特征提取得到特征向量图；
计算该特征向量图中每个特征向量的模值，并从所有的模值中选择最大值对应的模值作为干扰掩膜阈值。
10.根据权利要求1所述的干扰深度特征距离度量联合检测与抑制方法，其特征在于，利用修改后的特征提取网络和所述干扰掩膜阈值对待处理的二维SAR回波信号进行干扰检测与抑制处理，包括：
针对待处理的二维SAR回波信号中每一待处理脉冲回波信号，执行以下操作：
对所述待处理脉冲回波信号进行短时傅里叶变换，并对变换结果的实部与虚部沿通道维拼接得待处理脉冲回波对应的时频谱；
利用修改后的特征提取网络对所述待处理脉冲回波对应的时频谱进行特征提取得到特征向量图，并对该特征向量图中每个特征向量计算其模值得到特征模值图；
利用所述干扰掩膜阈值对所述特征模值图进行分割得到干扰时频定位掩膜；
判断所述干扰时频定位掩膜中是否存在干扰，若存在，则将所述干扰时频定位掩膜与所述待处理脉冲回波对应的时频谱逐点相乘，对逐点相乘结果进行逆短时傅里叶变换得到干扰抑制后的待处理脉冲回波信号，若不存在，则对所述待处理脉冲回波对应的时频谱直接进行逆短时傅里叶变换得到干扰抑制后的待处理脉冲回波信号。
CN202310562271.5A 2023-05-18 2023-05-18 一种干扰深度特征距离度量联合检测与抑制方法 Active CN116299219B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310562271.5A CN116299219B (zh) 2023-05-18 2023-05-18 一种干扰深度特征距离度量联合检测与抑制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310562271.5A CN116299219B (zh) 2023-05-18 2023-05-18 一种干扰深度特征距离度量联合检测与抑制方法

Publications (2)

Publication Number Publication Date
CN116299219A true CN116299219A (zh) 2023-06-23
CN116299219B CN116299219B (zh) 2023-08-01

Family

ID=86803569

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310562271.5A Active CN116299219B (zh) 2023-05-18 2023-05-18 一种干扰深度特征距离度量联合检测与抑制方法

Country Status (1)

Country Link
CN (1) CN116299219B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116540190A (zh) * 2023-07-06 2023-08-04 西安电子科技大学 一种端到端的自监督智能干扰抑制方法、装置及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200341109A1 (en) * 2019-03-14 2020-10-29 Infineon Technologies Ag Fmcw radar with interference signal suppression using artificial neural network
US20210241097A1 (en) * 2019-11-07 2021-08-05 Canon Kabushiki Kaisha Method and Apparatus for training an object recognition model
DE102020132159A1 (de) * 2020-12-03 2022-06-09 HELLA GmbH & Co. KGaA Verfahren für ein Training eines Autoencoders zur Reduzierung von Störungen bei einem Radarsystem
CN114781457A (zh) * 2022-04-29 2022-07-22 西安电子科技大学 基于自动编码器的时频域干扰抑制方法
US20220291329A1 (en) * 2019-11-28 2022-09-15 HELLA GmbH & Co. KGaA Method for identifying interference in a radar system
CN115097398A (zh) * 2022-07-01 2022-09-23 西安电子科技大学 基于跨域信号低损恢复网络的雷达抗干扰信号恢复方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200341109A1 (en) * 2019-03-14 2020-10-29 Infineon Technologies Ag Fmcw radar with interference signal suppression using artificial neural network
US20210241097A1 (en) * 2019-11-07 2021-08-05 Canon Kabushiki Kaisha Method and Apparatus for training an object recognition model
US20220291329A1 (en) * 2019-11-28 2022-09-15 HELLA GmbH & Co. KGaA Method for identifying interference in a radar system
DE102020132159A1 (de) * 2020-12-03 2022-06-09 HELLA GmbH & Co. KGaA Verfahren für ein Training eines Autoencoders zur Reduzierung von Störungen bei einem Radarsystem
CN114781457A (zh) * 2022-04-29 2022-07-22 西安电子科技大学 基于自动编码器的时频域干扰抑制方法
CN115097398A (zh) * 2022-07-01 2022-09-23 西安电子科技大学 基于跨域信号低损恢复网络的雷达抗干扰信号恢复方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
WEIWEI FAN: "Interference Mitigation for Synthetic Aperture Radar Using Deep Learning", 2019 6TH ASIA-PACIFIC CONFERENCE ON SYNTHETIC APERTURE RADAR (APSAR) *
刘国满，聂旭娜: "一种基于卷积神经网络的雷达干扰识别算法", 北京理工大学学报 *
唐陈, 王峰: "基于卷积神经网络的雷达干扰识别技术研究", 中国电子科学研究院学报 *
胡伏原;李林燕;尚欣茹;沈军宇;戴永良;: "基于卷积神经网络的目标检测算法综述", 苏州科技大学学报(自然科学版), no. 02 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116540190A (zh) * 2023-07-06 2023-08-04 西安电子科技大学 一种端到端的自监督智能干扰抑制方法、装置及电子设备

Also Published As

Publication number Publication date
CN116299219B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN110378844B (zh) 基于循环多尺度生成对抗网络的图像盲去运动模糊方法
CN110796625B (zh) 一种基于组稀疏表示和加权全变分的图像压缩感知重构方法
Yin et al. Highly accurate image reconstruction for multimodal noise suppression using semisupervised learning on big data
CN111260620B (zh) 图像异常检测方法、装置和电子设备
CN116299219B (zh) 一种干扰深度特征距离度量联合检测与抑制方法
CN112884671B (zh) 一种基于无监督生成对抗网络的模糊图像复原方法
CN114429151A (zh) 一种基于深度残差网络的大地电磁信号识别与重建方法及其系统
CN113256508A (zh) 一种改进的小波变换与卷积神经网络图像去噪声的方法
Li et al. Signal denoising with random refined orthogonal matching pursuit
CN115628863A (zh) 一种基于参数优化变分模态分解的流体管道泄漏检测方法
CN114283088A (zh) 低剂量ct图像降噪方法及装置
CN113204051B (zh) 一种基于变分模态分解的低秩张量地震数据去噪方法
CN117290788B (zh) 一种基于改进小波变换算法的配电网故障辨识方法及系统
Cao et al. Sparse representation of classified patches for CS-MRI reconstruction
CN109558857B (zh) 一种混沌信号降噪方法
CN116754213A (zh) 一种基于强噪声背景下的电动闸阀故障诊断方法、装置及设备
CN116257737A (zh) 基于自动编码器的新型输电线路高频故障信号降噪方法
CN114722854A (zh) 一种电力设备电流信号降噪方法及装置
Xu A new low-rank sparse image denoising algorithm based on non-local self-similarity
Ming et al. Partial discharge de-noising based on hybrid particle swarm optimization SWT adaptive threshold
Lin et al. A self-supervised denoising method based on deep noise estimation
Jena An approach to image denoising using manifold approximation without clean images
CN116719085B (zh) 一种地震记录高分辨率处理方法、装置、设备及存储介质
CN114662045B (zh) 基于框架集的p阶张量深度学习的多维地震数据去噪方法
Yan et al. Denoising framework based on external prior guided rotational clustering

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