CN117493758A - 构建glstm模型的方法以及glstm模型在海杂波抑制上的应用 - Google Patents
构建glstm模型的方法以及glstm模型在海杂波抑制上的应用 Download PDFInfo
- Publication number
- CN117493758A CN117493758A CN202311328149.8A CN202311328149A CN117493758A CN 117493758 A CN117493758 A CN 117493758A CN 202311328149 A CN202311328149 A CN 202311328149A CN 117493758 A CN117493758 A CN 117493758A
- Authority
- CN
- China
- Prior art keywords
- sea clutter
- distance
- time
- sequence
- glstm
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000001629 suppression Effects 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 81
- 238000010606 normalization Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims description 74
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 18
- 238000005311 autocorrelation function Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000007906 compression Methods 0.000 claims description 14
- 230000006835 compression Effects 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 12
- 238000011160 research Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000013144 data compression Methods 0.000 claims 2
- 238000009826 distribution Methods 0.000 abstract description 14
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 9
- 238000000354 decomposition reaction Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 208000001613 Gambling Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/06—Systems determining position data of a target
- G01S13/08—Systems for measuring distance only
- G01S13/10—Systems for measuring distance only using transmission of interrupted, pulse modulated waves
- G01S13/26—Systems for measuring distance only using transmission of interrupted, pulse modulated waves wherein the transmitted pulses use a frequency- or phase-modulated carrier wave
- G01S13/28—Systems for measuring distance only using transmission of interrupted, pulse modulated waves wherein the transmitted pulses use a frequency- or phase-modulated carrier wave with time compression of received pulses
-
- 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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
- G01S7/2923—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods
-
- 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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/295—Means for transforming co-ordinates or for evaluating data, e.g. using computers
-
- 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
- G01S7/414—Discriminating targets with respect to background clutter
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0475—Generative 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
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种构建GLSTM模型的方法以及GLSTM模型在海杂波抑制上的应用,所述GLSTM模型是生成器与LSTM网络的结合;训练DCGAN并提取生成器,结合LSTM网络与训练好的生成器得到GLSTM模型,固定生成器参数,用训练数据集训练得到GLSTM海杂波预测模型;在海杂波抑制过程中分为实部序列和虚部序列做归一化预处理。本发明利用海杂波的混沌特性和生成器的捕捉海杂波分布特征,采用GLSTM模型预测并抑制海杂波,为提升海杂波背景下的目标检测和识别性能提供新方法。
Description
技术领域
本发明涉及对海洋环境中海杂波的抑制方法,更特别地说,是指一种基于GLSTM模型的海杂波抑制方法。本发明将生成器与LSTM(Long Short-Term Memory,长短期记忆网络)网络的结合形成了GLSTM模型,称为“生成式长短期记忆网络模型”。
背景技术
雷达在海洋环境中工作,接收的来自海面的后向散射信号通常被称为海杂波。海杂波常常严重限制了雷达对海面目标的检测能力。2019年6月第8卷第3期,《雷达学报》公开了题为“机载多功能海上监视雷达系统设计与关键技术研究”,作者蒋千、吴昊、王燕宁。机载多功能海上监视雷达包括机载雷达设备和显控/信息处理软件两部分(下文记为图1),机载雷达装入飞机平台,作为机载任务设备在数据传输分系统等支撑下执行侦察任务;显控/处理软件装入任务控制站,对机载雷达进行状态监测与控制,并接收通过数据传输分析图实时发送的侦察数据,并形成初步的态势显示,并将处理后的侦察信息发送至后端进行情报处理。
在海洋环境中工作的雷达会遇到各种杂波的干扰,这些杂波类型纷繁复杂,有由陆地、岛礁、岛屿反射回来的地杂波,由雨、雪等气象现象反射回来的气象杂波,以及由海表面反射回来的海杂波等。其中,海杂波功率水平较高,常常严重影响雷达对舰船、导航浮标等海表面目标的探测。海杂波产生的物理机理十分复杂,影响因素复杂多变,如雷达参数(包括波段、分辨率、极化、波束宽度、带宽、脉冲重复频率等)、地理几何参数(包括平台高度、方位角等)、平台类型(包括岸基、机载等)、海洋环境参数(包括温度、浪高、浪向、风向、风速等)、海域(包括近海岸、浅海、深海等)等。这些因素之间相互联系,产生复杂海杂波特性;相较于地杂波,海杂波的空时变化特性也更为复杂,给海杂波背景下的目标检测带来很大的困难和挑战。海杂波在高分辨率、低擦地角、高海况条件下表现出非高斯、非线性及非平稳的统计特性,表现为类似目标的干扰信号(比如海尖峰),雷达难以辨别出目标信号与干扰信号,容易出现虚警和漏警。在强海杂波背景下,对慢速运动且雷达散射截面积较小的目标,雷达接收到的回波信号信杂比较低,不利于雷达对目标的探测,因此海杂波抑制具有重要的研究意义。
海杂波抑制方法的研究是雷达领域一个重要的研究方向,国内外学者通过对海杂波特性进行大量研究并提出许多海杂波抑制方法,这些海杂波抑制方法可分为对消法、子空间分解法和小波变换法和神经网络法。早期的海杂波抑制原理比较简单,主要集中于海杂波幅度分布建模研究,用实测海杂波数据估计模型参数,然后将原回波与用模型得到的海杂波进行对消实现海杂波抑制。子空间分解法根据杂波在子空间的聚集特性将海杂波与目标信号分离来实现海杂波抑制,分为特征值分解(Eigen Value Decomposition,EVD)方法和奇异值分解(Singular Value Decomposition,SVD)方法。短时傅里叶变换(Short-time Fourier Transform,STFT)、小波变换、Wigner-Ville分布(Wigner-VilleDistribution,WVD)等时频分析方法能描述信号频谱随时间的变化。其中,小波变换可对频域(或时域)信号做“变焦”分析以描述信号局部范围的时频变化特性,根据海杂波和目标信号在小波域的不同特性,用阈值处理分离实现海杂波抑制。Haykin S.等人研究发现海杂波信号符合混沌信号的很多特性,实测海杂波数据表明海杂波的相关维度有限、李雅普诺夫(Lyapunov)指数为正且短期可预测,基于Takens定理,Haykin建立了一个基于径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)的海杂波预测模型,该模型在未学习过的海杂波数据集上也表现的良好的海杂波预测性能。自此,人们开始研究一类新的海杂波抑制方法,利用海杂波的混沌短期可预测特性,从原回波去除预测的海杂波来抑制海杂波。近年来国内外学者将深度学习网络应用于雷达领域,其在杂波抑制、抗干扰、目标检测、目标识别跟踪等方面获得了比传统算法更好的效果。深度学习网络也能用于进一步挖掘海杂波的深层特征和精细信息,实现更精准的杂波样本挑选,提升海杂波抑制效果。
目前基于神经网络模型预测海杂波时间信号的研究主要集中在海杂波的幅度预测上,应用效果较好的是基于LSTM(Long Short-Term Memory,长短期记忆网络)网络模型进行海杂波预测,但是LSTM模型的非线性映射能力有限,限制了海杂波的预测精度,因此本发明提出的基于GLSTM模型的海杂波抑制方法结合了LSTM网络和生成器,提高了网络的非线性映射能力,有助于提高海杂波预测结果,进而提升海杂波的抑制效果。
发明内容
本发明的目的之一是提出一种构建GLSTM模型的方法,是将LSTM网络和DCGAN生成器的结合。通过训练DCGAN模型提取DCGAN生成器。
本发明的目的之二是将雷达回波数据在GLSTM模型中进行训练,得到GLSTM海杂波预测模型。在训练过程中,是利用海杂波的混沌特性与GLSTM模型的非线性映射特性;基于GLSTM模型从看似随机的海杂波时序中掌握确定的混沌生成规律以实现海杂波预测。
本发明的目的之三是GLSTM海杂波预测模型在机载多功能海上监视雷达系统上的应用。将海杂波预测结果与原回波对消实现海杂波抑制。GLSTM模型相比原LSTM模型一方面提升了模型非线性映射能力,另一方面提高了海杂波预测精度,达到提升海杂波抑制效果。
如图2所示本发明的一种基于GLSTM模型的海杂波抑制方法,是内嵌在图1的数据终端单元中。数据终端单元用于接收机载数据终端传输的雷达回波数据,记为。在本发明中,将一部分的雷达回波数据/>用于构造训练数据集,记为/>,另一部分的雷达回波数据/>用于构造验证数据集,记为/>。
如图2所示,本发明的一种结合相位处理机制与LSTM网络模型的海杂波抑制方法,该方法具体包括有生成器建模、GLSTM海杂波预测建模和基于GLSTM海杂波预测模型完成海杂波实时处理(GLSTM模型应用)三个部分内容。
第一部分,训练DCGAN模型提取DCGAN生成器
GAN(Generative Adversarial Network,生成式对抗网络),生成对抗网络由一个生成器和一个判别器构成,生成器捕捉真实数据的潜在分布,并生成新的样本,判别器为二分类器,判断输入是真实数据还是生成的样本,生成器和判别器互相博弈学习使得生成器能够生成更接近真实数据的样本。参考2017.07,人民邮电出版社,作者:(美)伊恩·古德费洛著的《深度学习》第427-229页的内容。在GAN网络中增加设计了一个深度卷积层从而形成DCGAN(Deep Convolutional Generative Adversarial Network,卷积生成对抗网络)模型。
在本发明中,DCGAN模型如图6所示,具体的步骤为:
生成器步骤1,将实测的雷达回波数据进行距离脉冲压缩处理;
在本发明中,机载多功能海上监视雷达系统获取实测雷达回波数据,将所述的雷达回波数据/>进行距离向脉冲压缩之后形成的二维数据,记为雷达回波-距离脉冲压缩数据/>,采用矩阵形式可表示为
;
表示方位向脉冲点数。
表示距离向采样点数。
表示采集到的第1个方位时刻下的第1个距离向采样点。
表示采集到的第1个方位时刻下的第2个距离向采样点。
表示采集到的第1个方位时刻下的第/>个距离向采样点。
表示采集到的第2个方位时刻下的第1个距离向采样点。
表示采集到的第2个方位时刻下的第2个距离向采样点。
表示采集到的第2个方位时刻下的第/>个距离向采样点。
表示采集到的第/>个方位时刻下的第1个距离向采样点。
表示采集到的第/>个方位时刻下的第2个距离向采样点。
表示采集到的第/>个方位时刻下的第/>个距离向采样点。
由于获取的实测雷达回波数据通常是复数数据,因此距离向压缩回波逐距离单元归一化处理是将复数海杂波时间序列分为实部和虚部序列分别进行归一化,实部序列归一化/>处理方法为
;
表示距离向采样点的标识号,满足/>。
表示第/>个距离单元内的一维海杂波脉冲序列/>。
表示采集到的第1个方位时刻下的第/>个距离向采样点。
表示采集到的第2个方位时刻下的第/>个距离向采样点。
表示采集到的第/>个方位时刻下的第/>个距离向采样点。
表示对/>中所有采样点取实部。
表示/>中所有采样点取实部后的最小值。
表示/>中所有采样点取实部后的最大值。
在本发明中,虚部序列归一化处理方法为
;
表示对/>中所有采样点取虚部。
表示/>中所有采样点取虚部后的最小值。
表示/>中所有采样点取虚部后的最大值。
生成器步骤2,一维实部-海杂波脉冲序列的获取;
在本发明中,对雷达回波-距离脉冲压缩数据中的距离向进行实部序列获取,得到一维实部-海杂波脉冲序列/>。
生成器步骤3,一维虚部-海杂波脉冲序列的获取;
在本发明中,对雷达回波-距离脉冲压缩数据中的距离向进行虚部序列获取,得到一维虚部-海杂波脉冲序列/>。
生成器步骤4,用自相关函数法估计海杂波时间序列的延迟时间;
在本发明中,用于估计海杂波时间序列延迟时间的自相关函数,且
;
表示延迟时间。
n表示方位向采样点的标识号,满足。
表示采集到的第n个方位时刻下的第/>个距离向采样点。
表示采集到的第/>个方位时刻下的第/>个距离向采样点。
表示/>的共轭复数。
在本发明中,延迟时间是自相关函数/>下降到初始值的/>时所对应的n的值。
在本发明中,采用对一维实部-海杂波脉冲序列/>进行延迟时间计算,得到估计延迟时间/>。
在本发明中,采用对一维虚部-海杂波脉冲序列/>进行延迟时间计算,得到估计延迟时间/>。
生成器步骤5,用Cao算法估计海杂波时间序列的嵌入维数;
在本发明中,用于估计海杂波时间序列的嵌入维数的Cao算法表示如下:
1)定义时间延迟向量:
;
表示延迟时间。
表示需要估计的嵌入维数。
表示第/>个根据嵌入维数/>构建的时间延迟向量。
表示采集到的第/>个方位时刻下的第/>个距离向采样点。
表示采集到的第/>个方位时刻下的第/>个距离向采样点。
表示采集到的第/>个方位时刻下的第/>个距离向采样点。
2)决定嵌入维数的函数/>,且/>;
表示第/>个根据嵌入维数/>构建的时间延迟向量。
表示第/>个根据下一个嵌入维数/>构建的时间延迟向量。
表示第/>个根据嵌入维数/>构建的时间延迟向量。
表示第/>个根据下一个嵌入维数/>构建的时间延迟向量。
式中为一种Euclidian距离计算,该距离定义为
;
表示第/>个根据嵌入维数/>构建的时间延迟向量。依据则有/>,表示采集到的第/>个方位时刻下的第/>个距离向采样点,/>表示采集到的第个方位时刻下的第/>个距离向采样点,/>表示采集到的第/>个方位时刻下的第/>个距离向采样点。
表示第/>个根据嵌入维数/>构建的时间延迟向量。依据则有/>,表示采集到的第/>个方位时刻下的第/>个距离向采样点,/>表示采集到的第个方位时刻下的第/>个距离向采样点,/>表示采集到的第/>个方位时刻下的第/>个距离向采样点。
表示时间延迟向量/>的第/>个元素,/>为整数且取值范围满足。
表示时间延迟向量/>的第/>个元素,/>为整数且取值范围满足。
3)定义的均值为/>;
值决定于时间延迟/>和嵌入维数/>。
4)定义用于研究从/>变化到/>的函数为/>;
在本发明中,在增大到某个值/>时,再继续增加/>,函数值维持/>附近几乎不再变化,此时/>就是估计得到的最佳嵌入维数。
生成器步骤6,根据估计延迟时间和最佳嵌入维数,用一维实部-海杂波脉冲序列构造DCGAN训练数据集;
在本发明中,DCGAN训练数据集的构造方法为,(A)采用估计延迟时间/>和最佳嵌入维数/>将一维实部-海杂波脉冲序列/>分割为长度较短的短序列/>;(B)将短序列/>输入DCGAN模型中,输入DCGAN模型的海杂波时间序列长度满足/>,若单个距离单元的海杂波时间序列长度为/>,最多可以构造出/>个长度为/>的短序列。在构造过程中,每个短序列/>的后一个采样点值作为它对应的标签数据,因此单个距离单元所能构造出的训练集数最多为/>。
生成器步骤7,根据估计延迟时间和最佳嵌入维数,用一维虚部-海杂波脉冲序列构造DCGAN训练数据集;
在本发明中,DCGAN训练数据集的构造方法为,(A)采用估计延迟时间/>和最佳嵌入维数/>将一维虚部-海杂波脉冲序列/>分割为长度较短的短序列/>;(B)将短序列/>输入DCGAN模型中,输入DCGAN模型的海杂波时间序列长度满足/>,若单个距离单元的海杂波时间序列长度为/>,最多可以构造出/>个长度为/>的短序列。在构造过程中,每个短序列/>的后一个采样点值作为它对应的标签数据,因此单个距离单元所能构造出的训练集数最多为/>。
生成器步骤8,提取生成器;
在本发明中,用序列训练DCGAN模型,训练达到实部平衡后,提取训练好的实部-生成器/>。
在本发明中,用序列训练DCGAN模型,训练达到虚部平衡后,提取训练好的虚部-生成器/>。
生成器步骤9,生成GLSTM训练模型;
在本发明中,依据LSTM网络并结合实部-生成器,得到实部-GLSTM训练模型。
在本发明中,依据LSTM网络并结合虚部-生成器,得到虚部-GLSTM训练模型。
在本发明中,实部-GLSTM训练模型与虚部-GLSTM训练模型共同组成了GLSTM训练模型。
在本发明中,LSTM网络模型参考人民邮电出版社,作者:(美)伊恩·古德费洛著的《深度学习》第248-250页的内容。LSTM(convolutional long short-term memorynetwork,长短期记忆网络)在门控RNN的基础上添加了长期记忆单元,通过遗忘门、输入门和输出门控制时序信息的流动,通过反向传播更新网络的权重,学习长时依赖关系。使用tanh激活函数和Relu激活函数的RNN神经网络的学习步长过短且不稳定,而LSTM神经网络可以稳定学习多步时序关系。
本发明的生成器构造过程中是用训练数据集训练DCGAN模型,DCGAN模型由生成器和判别器组成(如图7所示),生成器和判别器经过对抗训练来完成海杂波分布特征的学习。生成器的输入为指定维度的随机向量,该向量维度与LSTM输出的隐藏特征向量维度保持一致,然后生成器生成的样本海杂波数据/>与实测的海杂波数据/>输入到判别器中,判别器输出对输入的数据判别为真实样本数据的判别概率/>。由于判别器的训练目标就是尽可能将输入的真假海杂波数据区分出来,也就是对于输入的真实海杂波数据的判别概率/>应尽可能接近1,对于生成器生成的样本海杂波数据的判别概率/>应尽可能接近0。而生成器的训练目标是生成更接近真实海杂波分布的数据来迷惑判别器,也就是使得判别器对生成的样本海杂波数据的判别概率/>尽可能接近1。生成器与判别器通过对抗训练,各自越来越强,最后训练达到平衡状态,此时判别器不能将生成器生成的数据与真实的海杂波数据区分出来,也就是说,生成器已经学习到了真实海杂波的分布特征,由生成器生成的数据分布已经很接近真实海杂波数据的分布。
第二部分,在构建GLSTM海杂波预测模型过程中包括有以下步骤:
构建步骤一,对于实测的雷达回波数据进行距离脉冲压缩处理;
在本发明中,机载多功能海上监视雷达系统获取实测雷达回波数据,将所述的雷达回波数据/>进行距离向脉冲压缩之后形成的二维数据,记为雷达回波-距离脉冲压缩数据/>。
由于获取的实测雷达回波数据通常是复数数据,因此距离向压缩回波逐距离单元归一化处理是将复数海杂波时间序列分为实部和虚部序列分别进行归一化,实部序列归一化/>,虚部序列归一化
。
构建步骤二,选取一个海杂波强度较大且不受目标信号干扰的距离单元,作为被选一维实部-海杂波脉冲序列;
在本发明中,从所述的雷达回波-距离脉冲压缩数据中选取一个海杂波强度较大且不受目标信号干扰的距离单元,若选取的为第/>个距离单元的实部回波数据,记为被选一维实部-海杂波脉冲序列/>;所述/>的序列形式表示为/>;
表示采集到实部的第1个方位时刻下的第/>个距离向采样点。
表示采集到实部的第2个方位时刻下的第/>个距离向采样点。
表示采集到实部的第/>个方位时刻下的第/>个距离向采样点。
构建步骤三,选取一个海杂波强度较大且不受目标信号干扰的距离单元,作为被选一维虚部-海杂波脉冲序列;
在本发明中,从所述的雷达回波-距离脉冲压缩数据中选取一个海杂波强度较大且不受目标信号干扰的距离单元,若选取的为第/>个距离单元的虚部回波数据,记为被选一维虚部-海杂波脉冲序列/>;所述/>的序列形式表示为/>;
表示采集到虚部的第1个方位时刻下的第/>个距离向采样点。
表示采集到虚部的第2个方位时刻下的第/>个距离向采样点。
表示采集到虚部的第/>个方位时刻下的第/>个距离向采样点。
构建步骤四,根据估计延迟时间和最佳嵌入维数,用一维实部-海杂波脉冲序列构造实部-训练数据集;
在本发明中,依据自相关函数法估计海杂波时间序列的延迟时间(即生成器步骤4)和依据Cao算法估计海杂波时间序列的嵌入维数/>(即生成器步骤5)对/>进行处理,得到用于构造实部-训练数据集/>。
构建步骤五,根据估计延迟时间和最佳嵌入维数,用一维虚部-海杂波脉冲序列构造虚部-训练数据集;
在本发明中,依据自相关函数法估计海杂波时间序列的延迟时间(即生成器步骤4)和依据Cao算法估计海杂波时间序列的嵌入维数/>(即生成器步骤5)对/>进行处理,得到用于构造虚部-训练数据集/>。
构建步骤六,生成GLSTM海杂波预测模型;
在本发明中,将实部-训练数据集在实部-GLSTM训练模型中进行训练,得到实部-GLSTM海杂波预测模型。
在本发明中,将虚部-训练数据集在虚部-GLSTM训练模型中进行训练,得到虚部-GLSTM海杂波预测模型。
在本发明中,实部-GLSTM海杂波预测模型和虚部-GLSTM海杂波预测模型共同组成了GLSTM海杂波预测模型。
在本发明中,从训练平衡的DCGAN中获取训练好的DCGAN生成器,将LSTM网络与DCGAN生成器结合得到GLSTM训练模型。GLSTM训练模型中的LSTM网络学习输入的一维海杂波时间序列的时域变化特征,在初始时刻随机初始化特征向量和记忆单元状态,随着时间的推移,记忆单元存储当前输入状态,持续更新最新的输入信息并将其传递下去,最终输出隐藏特征向量,DCGAN生成器根据该特征向量解码输出海杂波预测值。
第三部分,应用GLSTM海杂波预测模型完成海杂波抑制过程中包括有以下步骤:
步骤A,实测的雷达回波数据进行距离向脉冲压缩处理;
在本发明中,机载多功能海上监视雷达系统获取实测雷达回波数据,将所述的雷达回波数据/>进行距离向脉冲压缩之后形成的二维数据,记为雷达回波-距离脉冲压缩数据/>。从/>中分别提取出实部雷达回波-距离脉冲压缩数据/>和虚部雷达回波-距离脉冲压缩数据/>。
步骤B,逐一对距离单元进行归一化;
在本发明中,依据自相关函数法估计海杂波时间序列的延迟时间(即生成器步骤4)和依据Cao算法估计海杂波时间序列的嵌入维数/>(即生成器步骤5)对/>进行处理,得到用于构造实部-验证数据集/>。/>
在本发明中,依据自相关函数法估计海杂波时间序列的延迟时间(即生成器步骤4)和依据Cao算法估计海杂波时间序列的嵌入维数/>(即生成器步骤5)对/>进行处理,得到用于构造虚部-验证数据集/>。
在本发明中,训练数据集(、/>)与验证数据集(/>、/>)的区别在于:所述的验证数据集所用的雷达回波数据不包含被选一维-海杂波脉冲序列(/>、/>)。
步骤C,运行GLSTM海杂波预测模型;
在本发明中,将实部-验证数据集输入实部-GLSTM海杂波预测模型中经处理后,得到实部-海杂波预测值/>。
在本发明中,将虚部-验证数据集输入虚部-GLSTM海杂波预测模型中经处理后,得到虚部-海杂波预测值/>。
在本发明中,将与/>结合,得到海杂波预测值/>。
步骤D,将海杂波预测值与原距离压缩回波进行对消实现海杂波的抑制;
在本发明中,海杂波预测值与原距离压缩回波/>进行对消,对消过程中,执行的是复数的差运算,如果原距离压缩回波中存在目标信号,那么将海杂波信号对消抑制后,结果中保留下来的信号就是目标信号。
与现有技术相比本发明基于GLSTM模型的海杂波抑制方法的优点在于:
本发明海杂波抑制方法中的GLSTM模型是生成器与LSTM网络的结合;训练DCGAN并提取生成器,结合LSTM网络与训练好的生成器得到GLSTM模型,固定生成器参数。
在本发明中,生成器在训练过程中通过学习的海杂波分布特征给GLSTM模型提供了更多描述海杂波的有效信息,解决了海杂波预测精度受限的问题。
现有的基于LSTM网络的海杂波抑制方法由于LSTM网络的非线性映射性能有限,限制了海杂波预测精度,本发明提出的GLSTM模型结合了LSTM网络与生成器,提升了网络模型的非线性映射能力,提高了海杂波预测精度,能够进一步提升海杂波抑制效果。
附图说明
图1是机载多功能海上监视雷达系统组成示意图。
图2是本发明基于GLSTM网络模型的海杂波抑制方法的原理框图。
图3是自相关函数法估计回波1时间延迟参数。
图4是自相关函数法估计回波2时间延迟参数。
图5是Cao算法估计回波1嵌入维数参数。
图6是Cao算法估计回波2嵌入维数参数。
图7是DCGAN训练示意图。
图8是GLSTM海杂波预测模型的输入输出。
图9是回波1海杂波抑制结果,子图(a)、(b)、(c)、(d)分别代表距离向压缩回波1,距离向压缩回波1成像结果,海杂波抑制结果。
图10是回波1海杂波抑制前后截面对比图(各距离单元第4000个脉冲处截面图)。
图11是回波2海杂波抑制结果,子图(a)、(b)、(c)、(d)分别代表距离向压缩回波2,距离向压缩回波2成像结果,海杂波抑制结果。
图12是回波2海杂波抑制前后截面对比图(各距离单元第2204个脉冲处截面图)。
具体实施方式
本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。下面结合附图对本发明的具体实施例做详细说明。
本实施例使用实测雷达对海探测数据,选用了两种距离压缩回波数据,它们的数据编号分别为20210106155330_01_staring和20210106172511_02_staring。回波1不含有目标信号,回波2在940-953、1482-1492、2140-2810距离单元内存在目标信号。这两种数据的相关参数(雷达回波数据)如下表所示:
采用本发明GLSTM海杂波预测模型进行的海杂波抑制方法的具体操作过程:
1、对采集的距离向压缩回波信号进行逐距离单元生成一维时间序列,且分为实部回波序列和虚部回波序列,再分别进行归一化预处理。
2、选取海杂波较强的一个距离向单元,这里对回波1选取的为第1距离向单元内的一维海杂波时间序列,对回波2选取的是第933距离向单元内的一维海杂波时间序列。
3、应用自相关函数法对所选取的海杂波时间序列估计时间延迟参数。对于回波1的时间延迟/>估计为5;对于回波2的时间延迟/>估计为3。对应的归一化自相关函数曲线如图3和图4所示。
4、应用Cao算法对所选取的海杂波时间序列估计嵌入维数参数,对于回波1,在/>大于9之后不再随着/>增加而变化,因此最佳嵌入维数参数估计为10;对于回波2,/>在/>大于13之后不再随着/>增加而变化,因此最佳嵌入维数参数估计为14。对应的/>曲线如图5和图6所示。
5、用估计得到的时间延迟参数和嵌入维数参数构建数据集。对于回波1,选取的海杂波时间序列长度为6940,所以能构建出6890个长度为50的短序列作为训练数据集,应用同样的构建方法,回波其余距离单元也构建出相应的验证数据集;对于回波2,选取的海杂波时间序列长度为4390,所以能构建出4348个长度为42的短序列作为训练数据集,回波其余距离单元也构建出相应的验证数据集。
6、图7为DCGAN训练示意图,网络超参数设置批处理大小为64,学习率设为0.0002,网络训练迭代次数为25,损失函数选用交叉熵损失函数。使用训练数据集训练DCGAN直至训练达到平衡,此时,判别器不能将生成器生成的数据与真实的海杂波数据区分出来,也就是说,DCGAN生成器已经学习到了真实海杂波的分布特征,由生成器生成的数据分布很接近真实海杂波数据分布。
7、用构建的训练数据集训练GLSTM网络模型,LSTM层数设置为2,隐藏层节点数设置为32,批处理大小设为64,学习率设为0.0002,损失函数选用均方误差损失函数。图8表示了网络模型单次训练的输入和输出,网络的输入为构建的短序列,网络的输出为该短序列的下一时刻预测值,将网络输出预测值与输入对应的标签数据求均方误差并使网络朝着均方误差减少的方向进行优化直至网络训练结束,此时网络已经学习到海杂波的变化规律,具备海杂波预测能力。值得注意的是,实部和虚部序列是分别输入训练好的实部和虚部海杂波预测模型,预测输出的结果再重新组合为复数海杂波预测结果。
8、用验证数据集对训练好的GLSTM海杂波预测网络模型进行验证,输入验证数据,输出预测的海杂波。将海杂波预测结果与原回波进行对消,图9中(a)为距离压缩回波1,图9中(b)为距离压缩回波1成像结果,图9中(c)为实施海杂波抑制结果,图9中(d)海杂波抑制后成像结果,图10为海杂波抑制前后截面对比图;图11中(a)为距离压缩回波2,图11中(b)为距离压缩回波2成像结果,图11中(c)为实施海杂波抑制结果,图11中(d)海杂波抑制后成像结果,图12为海杂波抑制前后截面对比图。通过计算,海杂波抑制后回波1的海杂波能量降低了11.8136 dB,回波2的信杂比提高了5.5092 dB。实验结果表明基于GLSTM模型的海杂波抑制方法具有一定的实用性。
Claims (3)
1.一种构建GLSTM模型的方法,其特征在于包括有下列步骤:
生成器步骤1,实测的雷达回波数据进行距离向脉冲压缩处理;
对雷达回波数据进行距离向脉冲压缩之后形成的二维数据,记为雷达回波-距离脉冲压缩数据/>,采用矩阵形式可表示为
;
表示方位向脉冲点数;
表示距离向采样点数;
表示采集到的第1个方位时刻下的第1个距离向采样点;
表示采集到的第1个方位时刻下的第2个距离向采样点;
表示采集到的第1个方位时刻下的第/>个距离向采样点;
表示采集到的第2个方位时刻下的第1个距离向采样点;
表示采集到的第2个方位时刻下的第2个距离向采样点;
表示采集到的第2个方位时刻下的第/>个距离向采样点;
表示采集到的第/>个方位时刻下的第1个距离向采样点;
表示采集到的第/>个方位时刻下的第2个距离向采样点;
表示采集到的第/>个方位时刻下的第/>个距离向采样点;
由于获取的实测雷达回波数据通常是复数数据,因此距离向压缩回波逐距离单元归一化处理是将复数海杂波时间序列分为实部和虚部序列分别进行归一化;
实部序列归一化处理方法为
;
表示距离向采样点的标识号,满足/>;
表示第/>个距离单元内的一维海杂波脉冲序列/>;
表示采集到的第1个方位时刻下的第/>个距离向采样点;
表示采集到的第2个方位时刻下的第/>个距离向采样点;
表示采集到的第/>个方位时刻下的第/>个距离向采样点;
表示对/>中所有采样点取实部;
表示/>中所有采样点取实部后的最小值;
表示/>中所有采样点取实部后的最大值;
虚部序列归一化处理方法为
;
表示对/>中所有采样点取虚部;
表示/>中所有采样点取虚部后的最小值;
表示/>中所有采样点取虚部后的最大值;
生成器步骤2,一维实部-海杂波脉冲序列的获取;
对雷达回波-距离脉冲压缩数据中的距离向进行实部序列获取,得到一维实部-海杂波脉冲序列/>;
生成器步骤3,一维虚部-海杂波脉冲序列的获取;
对雷达回波-距离脉冲压缩数据中的距离向进行虚部序列获取,得到一维虚部-海杂波脉冲序列/>;
生成器步骤4,用自相关函数法估计海杂波时间序列的延迟时间;
用于估计海杂波时间序列延迟时间的自相关函数为,且
;
表示延迟时间;
n表示方位向采样点的标识号,满足;
表示采集到的第n个方位时刻下的第/>个距离向采样点;
表示采集到的第/>个方位时刻下的第/>个距离向采样点;
表示/>的共轭复数;
采用对一维实部-海杂波脉冲序列/>进行延迟时间计算,得到估计延迟时间/>;
采用对一维虚部-海杂波脉冲序列/>进行延迟时间计算,得到估计延迟时间/>;
生成器步骤5,用Cao算法估计海杂波时间序列的嵌入维数;
用于估计海杂波时间序列的嵌入维数的Cao算法表示如下:
1)定义时间延迟向量:
;
表示延迟时间;
表示需要估计的嵌入维数;
表示第/>个根据嵌入维数/>构建的时间延迟向量;
表示采集到的第/>个方位时刻下的第/>个距离向采样点;
表示采集到的第/>个方位时刻下的第/>个距离向采样点;
表示采集到的第/>个方位时刻下的第/>个距离向采样点;
2)决定嵌入维数的函数为/>,且
;
表示第/>个根据嵌入维数/>构建的时间延迟向量;
表示第/>个根据下一个嵌入维数/>构建的时间延迟向量;
表示第/>个根据嵌入维数/>构建的时间延迟向量;
表示第/>个根据下一个嵌入维数/>构建的时间延迟向量;
式中为一种Euclidian距离计算,该距离定义为
;
表示第/>个根据嵌入维数/>构建的时间延迟向量,依据则有/>,表示采集到的第/>个方位时刻下的第/>个距离向采样点,/>表示采集到的第个方位时刻下的第/>个距离向采样点,/>表示采集到的第/>个方位时刻下的第/>个距离向采样点;
表示第/>个根据嵌入维数/>构建的时间延迟向量,依据则有/>,表示采集到的第/>个方位时刻下的第/>个距离向采样点,/>表示采集到的第个方位时刻下的第/>个距离向采样点,/>表示采集到的第/>个方位时刻下的第/>个距离向采样点;
表示时间延迟向量/>的第/>个元素,/>为整数且取值范围满足;
表示时间延迟向量/>的第/>个元素,/>为整数且取值范围满足;
3)定义的均值为:
;
值决定于时间延迟/>和嵌入维数/>;
4)定义用于研究从/>变化到/>的函数为/>;
在增大到某个值/>时,再继续增加/>,函数值维持/>附近几乎不再变化,此时/>就是估计得到的最佳嵌入维数;
生成器步骤6,根据估计延迟时间和最佳嵌入维数,用一维实部-海杂波脉冲序列构造DCGAN训练数据集;
DCGAN训练数据集的构造方法为,(A)采用估计延迟时间/>和最佳嵌入维数/>将一维实部-海杂波脉冲序列/>分割为长度较短的短序列;(B)将短序列/>输入DCGAN模型中,输入DCGAN模型的海杂波时间序列长度满足/>,若单个距离单元的海杂波时间序列长度为/>,最多可以构造出/>个长度为/>的短序列;在构造过程中,每个短序列/>的后一个采样点值作为它对应的标签数据,因此单个距离单元所能构造出的训练集数最多为/>;
生成器步骤7,根据估计延迟时间和最佳嵌入维数,用一维虚部-海杂波脉冲序列构造DCGAN训练数据集;
DCGAN训练数据集的构造方法为,(A)采用估计延迟时间/>和最佳嵌入维数/>将一维虚部-海杂波脉冲序列/>分割为长度较短的短序列;(B)将短序列/>输入DCGAN模型中,输入DCGAN模型的海杂波时间序列长度满足/>,若单个距离单元的海杂波时间序列长度为/>,最多可以构造出/>个长度为/>的短序列;在构造过程中,每个短序列/>的后一个采样点值作为它对应的标签数据,因此单个距离单元所能构造出的训练集数最多为/>;
生成器步骤8,提取生成器;
用序列训练DCGAN模型,训练达到实部平衡后,提取训练好的实部-生成器/>;
用序列训练DCGAN模型,训练达到虚部平衡后,提取训练好的虚部-生成器/>;
生成器步骤9,生成GLSTM训练模型;
依据LSTM网络并结合实部-生成器,得到实部-GLSTM训练模型;
依据LSTM网络并结合虚部-生成器,得到虚部-GLSTM训练模型;
实部-GLSTM训练模型与虚部-GLSTM训练模型共同组成了GLSTM训练模型。
2.在如权利要求1的GLSTM训练模型中进行雷达回波数据的训练方法,其特征在于构建GLSTM海杂波预测模型过程中包括有以下步骤:
构建步骤一,对于实测的雷达回波数据进行距离脉冲压缩处理;
对雷达回波数据进行距离向脉冲压缩之后形成的二维数据,记为雷达回波-距离脉冲压缩数据/>;
由于获取的实测雷达回波数据通常是复数数据,因此距离向压缩回波逐距离单元归一化处理是将复数海杂波时间序列分为实部和虚部序列分别进行归一化,实部序列归一化/>,虚部序列归一化
;
构建步骤二,选取一个海杂波强度较大且不受目标信号干扰的距离单元,作为被选一维实部-海杂波脉冲序列;
从雷达回波-距离脉冲压缩数据中选取一个海杂波强度较大且不受目标信号干扰的距离单元,若选取的为第/>个距离单元的实部回波数据,记为被选一维实部-海杂波脉冲序列/>;所述/>的序列形式表示为/>;
表示采集到实部的第1个方位时刻下的第/>个距离向采样点;
表示采集到实部的第2个方位时刻下的第/>个距离向采样点;
表示采集到实部的第/>个方位时刻下的第/>个距离向采样点;
构建步骤三,选取一个海杂波强度较大且不受目标信号干扰的距离单元,作为被选一维虚部-海杂波脉冲序列;
从雷达回波-距离脉冲压缩数据中选取一个海杂波强度较大且不受目标信号干扰的距离单元,若选取的为第/>个距离单元的虚部回波数据,记为被选一维虚部-海杂波脉冲序列/>;所述/>的序列形式表示为/>;
表示采集到虚部的第1个方位时刻下的第/>个距离向采样点;
表示采集到虚部的第2个方位时刻下的第/>个距离向采样点;
表示采集到虚部的第/>个方位时刻下的第/>个距离向采样点;
构建步骤四,根据估计延迟时间和最佳嵌入维数,用一维实部-海杂波脉冲序列构造实部-训练数据集;
依据自相关函数法估计海杂波时间序列的延迟时间和依据Cao算法估计海杂波时间序列的嵌入维数/>对/>进行处理,得到用于构造实部-训练数据集/>;
构建步骤五,根据估计延迟时间和最佳嵌入维数,用一维虚部-海杂波脉冲序列构造虚部-训练数据集;
依据自相关函数法估计海杂波时间序列的延迟时间和依据Cao算法估计海杂波时间序列的嵌入维数/>对/>进行处理,得到用于构造虚部-训练数据集/>;
构建步骤六,生成GLSTM海杂波预测模型;
将实部-训练数据集在实部-GLSTM训练模型中进行训练,得到实部-GLSTM海杂波预测模型;
将虚部-训练数据集在虚部-GLSTM训练模型中进行训练,得到虚部-GLSTM海杂波预测模型;
实部-GLSTM海杂波预测模型和虚部-GLSTM海杂波预测模型共同组成了GLSTM海杂波预测模型。
3.应用如权利要求2的GLSTM海杂波预测模型在机载多功能海上监视雷达系统上完成海杂波抑制的方法,其特征在于有下列步骤:
步骤A,实测的雷达回波数据进行距离向脉冲压缩处理;
对雷达回波数据进行距离向脉冲压缩之后形成的二维数据,记为雷达回波-距离脉冲压缩数据/>;从/>中分别提取出实部雷达回波-距离脉冲压缩数据/>和虚部雷达回波-距离脉冲压缩数据/>;
步骤B,逐一对距离单元进行归一化;
依据自相关函数法估计海杂波时间序列的延迟时间和依据Cao算法估计海杂波时间序列的嵌入维数/>对/>进行处理,得到用于构造实部-验证数据集/>;
依据自相关函数法估计海杂波时间序列的延迟时间和依据Cao算法估计海杂波时间序列的嵌入维数/>对/>进行处理,得到用于构造虚部-验证数据集/>;
步骤C,运行GLSTM海杂波预测模型;
将实部-验证数据集输入实部-GLSTM海杂波预测模型中经处理后,得到实部-海杂波预测值/>;
将虚部-验证数据集输入虚部-GLSTM海杂波预测模型中经处理后,得到虚部-海杂波预测值/>;
将与/>结合,得到海杂波预测值/>;
步骤D,将海杂波预测值与原距离压缩回波进行对消实现海杂波的抑制;
海杂波预测值与原距离压缩回波/>进行对消,对消过程中,执行的是复数的差运算,如果原距离压缩回波中存在目标信号,那么将海杂波信号对消抑制后,结果中保留下来的信号就是目标信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311328149.8A CN117493758A (zh) | 2023-10-13 | 2023-10-13 | 构建glstm模型的方法以及glstm模型在海杂波抑制上的应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311328149.8A CN117493758A (zh) | 2023-10-13 | 2023-10-13 | 构建glstm模型的方法以及glstm模型在海杂波抑制上的应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117493758A true CN117493758A (zh) | 2024-02-02 |
Family
ID=89675359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311328149.8A Pending CN117493758A (zh) | 2023-10-13 | 2023-10-13 | 构建glstm模型的方法以及glstm模型在海杂波抑制上的应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117493758A (zh) |
-
2023
- 2023-10-13 CN CN202311328149.8A patent/CN117493758A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | False-alarm-controllable radar detection for marine target based on multi features fusion via CNNs | |
Yang et al. | Dense people counting using IR-UWB radar with a hybrid feature extraction method | |
Shui et al. | Tri-feature-based detection of floating small targets in sea clutter | |
Wang et al. | Deep learning-based UAV detection in pulse-Doppler radar | |
Kim et al. | Human activity classification based on micro-Doppler signatures using a support vector machine | |
CN101470194A (zh) | 一种水雷目标的识别方法 | |
Leung | Applying chaos to radar detection in an ocean environment: an experimental study | |
CN110501683B (zh) | 一种基于四维数据特征的海陆杂波分类方法 | |
KR102275960B1 (ko) | 딥러닝 기반의 레이다 표적 탐지 시스템 및 그 방법 | |
CN113640768B (zh) | 一种基于小波变换的低分辨雷达目标识别方法 | |
CN108387880A (zh) | 一种基于多尺度有向Lyapunov指数的海杂波背景下弱小目标检测方法 | |
Bi et al. | Adaptive target extraction method in sea clutter based on fractional fourier filtering | |
Du et al. | Detection of multi‐people micro‐motions based on range–velocity–time points | |
Guo et al. | Fast Dual Tri-feature-based Detection of Small Targets in Sea Clutter by Using Median Normalized Doppler Amplitude Spectra | |
Wen et al. | Modeling of correlated complex sea clutter using unsupervised phase retrieval | |
Liu et al. | An anti‐jamming method in multistatic radar system based on convolutional neural network | |
Pan et al. | Ship detection using online update of clutter map based on fuzzy statistics and spatial property | |
CN117493758A (zh) | 构建glstm模型的方法以及glstm模型在海杂波抑制上的应用 | |
Yuan | A time-frequency feature fusion algorithm based on neural network for HRRP | |
CN114594463A (zh) | 一种基于组合凸包的海面小目标特征检测方法 | |
Chen et al. | Adaptive detection in compound-Gaussian clutter with inverse Gaussian texture | |
Sarikaya et al. | Sea-land classification using radar clutter statistics for shore-based surveillance radars | |
Kang et al. | Aircraft classification method based on the kurtosis–skewness feature and wavelet decomposition and linear discriminant analysis | |
Qiu et al. | Using ship radiated noise spectrum feature for data association in underwater target tracking | |
Gong et al. | Lightcnn: A compact cnn for moving maritime targets detection |
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 |