一种基于复值神经网络的多微弱目标下海杂波抑制方法

本发明涉及到复数图像的处理领域，具体的说是一种基于复值神经网络的多微弱目标下海杂波抑制方法。

背景技术：

1、雷达在海洋监测和海面目标检测任务中发挥着重要作用，海杂波作为一种后向散射回波严重影响具有低散射截面的弱目标信号检测，如新型隐身舰船、隐身飞机等。因此，许多研究聚焦于抑制海杂波从而有效提高目标信号强度。

2、传统信号处理方法的理论存在一定的局限性，比如空时自适应处理（stap）、奇异值分解（svd）等，其有效性严重依赖于对海杂波统计特性的先验假设（如高斯分布）或对环境参数的精确已知。但是在真实海洋环境中，海杂波的非高斯、非均匀特性使得这些方法的性能急剧下降。例如，基于svd的方法通过将较大的奇异值置零来抑制杂波，但在微弱目标场景下，目标能量可能远小于海杂波能量，导致目标信号被错误地当作海杂波一同消除，出现“目标误消”的严重问题；因此，这类方法本质上受限于线性变换的能力，难以处理复杂耦合的信号与杂波成分。

3、也有学者考虑采用深度学习强大的非线性拟合能力提供解决问题的新思路，但当前应用仍存在诸多困难：多数研究集中于生成对抗网络（gan）及其变体，但gan普遍存在训练不稳定、模式坍塌、可复现性差等固有缺陷。并且在有监督训练下，生成器容易学习到输入到输出的“恒等映射”，而非真正学会分离杂波，导致模型泛化能力差。更重要的是，这些深度学习模型大多是“黑箱”，其内部决策过程不透明，缺乏清晰的物理或理论解释，这极大地阻碍了其在要求高可靠性、高安全性的雷达系统中的实际部署与应用。

4、另外，雷达系统接收的原始回波是包含幅度和相位的复数信号（i/q数据）。而现有大多数的处理方法，尤其是深度学习方法，在处理时往往采取分离实虚部、或仅使用幅度信息的策略，这种处理方式人为地破坏了幅度和相位之间的内在联系，导致了关键相位信息的永久性丢失；而在信杂比（scr）极低的情况下，相位信息对于区分目标和杂波、精确重构目标形态至关重要，信息的损失是导致现有方法在微弱目标处理上性能不佳的根本原因之一。

技术实现思路

1、本发明的目的是提供一种基于复值神经网络的多微弱目标下海杂波抑制方法，能够实现海杂波有效抑制和微弱目标的精确重构。

2、本发明为实现上述技术目的所采用的技术方案为：一种基于复值神经网络的多微弱目标下海杂波抑制方法，包括如下步骤：

3、1）在实测海杂波数据中添加多个微弱目标形成训练数据集，训练数据集中的每个训练样本均为一幅复值图像，复值图像的横轴代表距离单元，纵轴代表脉冲索引，具体操作为；

4、2）以子空间对消法为基础，完成向残差学习的海杂波抑制方法的范式映射，得到深度学习的网络结构表达式；

5、3）构建网络结构中实现复值特征传递的复值卷积模块、复值relu模块、复值sigmoid模块和复值softmax模块；

6、4）依据步骤2）的网络结构表达式和步骤3）的复值模块，构造基于复值神经网络的海杂波抑制模型，该海杂波抑制模型中包括初始特征提取层、级联模块层和重建层；

7、5）构建复值huber损失函数，以优化海杂波抑制模型的反向传播误差，并训练构建的海杂波抑制模型；

8、6）构建海杂波抑制模型的性能评估指标，以判断海杂波抑制模型的性能是否达到预期，若未达到预期，则重复步骤4）-步骤6），直至海杂波抑制模型的性能达到预期，再利用达到预期的海杂波抑制模型对海杂波进行抑制。

9、作为上述基于复值神经网络的多微弱目标下海杂波抑制方法的一种优化方案，所述步骤1）的具体操作为：

10、1.1）设定单基地雷达，在一个相参处理间隔内发射n个相干脉冲，发射信号表示为：

11、；

12、式中，表示脉冲间隔，为线性调频信号，n的取值范围为0到n-1，表示第n个脉冲；

13、1.2）添加l个微弱目标，则回波信号解调后的基带信号表示为：

14、；

15、式中，表示载频参数，表示调频斜率，表示脉冲宽度，表示目标散射回波分布函数，设定为高斯分布，为初始双程时延，为虚数单位，表示时间变量，指单个脉冲持续时间内的时间，为第个目标的双程信号时延，为第个目标的多普勒频率；

16、1.3）将步骤1.2）中回波信号解调后的基带信号进行数字采样，得到离散脉冲回波矩阵，在海面场景下，设定海杂波信号为c，则受海杂波影响的目标信号表示为：

17、；

18、每个受海杂波影响的目标信号为单个样本，多个样本构成了训练数据集。

19、作为上述基于复值神经网络的多微弱目标下海杂波抑制方法的另一种优化方案，所述步骤2）的具体操作为：

20、2.1）设定训练数据集中的单个脉冲回波复值图像为，将其分解为：；

21、式中，为左奇异矩阵，为对角阵，对角元素为奇异值，为右奇异矩阵，为脉冲数量，为测距离单元数；

22、2.2）基于奇异值的大小，将左奇异向量张成的空间划分为信号子空间和杂波子空间，其中，信号子空间由前个左奇异向量张成，对应的基矩阵表示为，；杂波子空间由剩余的个左奇异向量张成，对应的基矩阵表示为，；

23、参数为可调节参数，称为子空间的秩，决定了信号子空间与干扰子空间的划分边界，依据奇异谱的分布特性来确定；

24、2.3）基于划分的杂波子空间，构建相应的正交投影算子，进而构造投影到杂波子空间的正交投影矩阵为，，为的转置；

25、2.4）基于子空间投影理论，通过从原始数据中减去其在噪声或杂波子空间的投影分量，得到抑制后的信号表示为：

26、；

27、将上式的抑制过程概括为：

28、，表示待抑制分量；

29、2.5）设定非纯海杂波分量中包含目标的相关残差为，则：

30、，表示纯海杂波信号分量；

31、2.6）构造一个非线性高维映射函数拟合待抑制分量，表示为：

32、；

33、式中，表示深度学习网络的主干，通过构造跳跃连接显式地约束网络模型的输入和输出，使网络符合预设的表达形式，即：

34、；

35、此时，得到深度学习的网络结构表达式。

36、作为上述基于复值神经网络的多微弱目标下海杂波抑制方法的另一种优化方案，所述步骤3）的具体操作为：

37、3.1）构建复值卷积模块，其表达式为：

38、；

39、式中，和分别表示取实部和取虚部，x表示输入的复值信号，j表示复数的虚数单位，cv为“complex-valued”的缩写，表示复数，conv是卷积英文“convolution”的标准缩写；

40、3.2）构建复值relu模块，其表达式为：

41、；

42、式中，表示实数relu函数；

43、3.3）构建复值sigmoid模块，其表达式为：

44、；

45、式中，表示哈达玛积，也称为逐元素乘积，表示标准的实值sigmoid激活函数；

46、3.4）构建复值softmax模块，其表达式为：

47、；

48、式中，表示标准的实值softmax函数。

49、作为上述基于复值神经网络的多微弱目标下海杂波抑制方法的另一种优化方案，所述步骤4）中，所述级联模块层由至少一个特征残差注意力模块构成，每个特征残差注意力模块由复值多尺度特征融合模块、复值增强残差模块和复值通道注意力模块组成，所述复值多尺度特征融合模块由并行复值深度可分离卷积和复值选择性内核特征融合构成。

50、作为上述基于复值神经网络的多微弱目标下海杂波抑制方法的另一种优化方案，所述步骤4）中，所述初始特征提取层包含复值卷积模块和复值relu模块；所述重建层为一个复值卷积层。

51、作为上述基于复值神经网络的多微弱目标下海杂波抑制方法的另一种优化方案，所述步骤4）的具体操作为：

52、4.1）设定含目标的脉冲回波复值图像先经过特征提取层得到初始特征：

53、；

54、表示初始特征提取层的卷积和非线性激活操作；

55、4.2）级联模块层中特征残差注意力模块的处理过程为：

56、4.2.1）将初始特征输入复值多尺度特征融合模块进行处理，具体操作为：

57、首先，初始特征经过并行的卷积核为3、5、7、9的复值深度可分离卷积获取多尺度特征，然后，从粗尺度到细尺度的特征进行两两融合，得到两个不同尺度信息、的特征图输入，再以逐元素求和方式实现多尺度特征初步融合得到特征图，h、w和c分别表示特征图的高度、宽度和通道数；

58、其次，通过全局平均池化得到通道统计量，经过卷积核为1的降维卷积层并依据通道缩减比例获取通道统计量的紧凑表示，为降维系数；

59、再次，通过卷积核为1的并行卷积层进行升维，从而输出两个特征描述符、；

60、最后，通过复值softmax产生注意力激活值、，进而得到融合多尺度特征图；

61、4.2.2）使融合多尺度特征图经过一个由两个3x3卷积和一个1x1卷积构成的复值增强残差模块，进一步提取局部信息得到增强特征图；

62、4.2.3）增强特征输入复值通道注意力模块进行处理，其操作为：

63、采用全局平均池化表示特征图的统计信息，并获取全局的上下文信息，引入软阈值收缩和复值cv-sigmoid函数实现门控机制并组成注意力模块，增强特征图经过注意力模块后得到注意力系数，再通过自适应缩放得到输出的特征，最后经过残差连接计算输出，与通道数相同；

64、4.3）将最后一个复值卷积层作为重建层，使初始特征与经过级联模块层处理输出的特征进行组合，得到网络输出的抑制海杂波后的信号表达式：

65、；

66、式中，表示重建层的卷积操作；至此，完成海杂波抑制模型的构建。

67、作为上述基于复值神经网络的多微弱目标下海杂波抑制方法的另一种优化方案，当级联模块层具有两个或两个以上的特征残差注意力模块时，将第一个特征残差注意力模块的输出作为下一个特征残差注意力模块的输入，重复执行上述步骤4.2）的操作，即完成级联模块层对数据的处理。

68、作为上述基于复值神经网络的多微弱目标下海杂波抑制方法的另一种优化方案，所述步骤5）的具体操作为：

69、5.1）海杂波抑制模型接收含有海杂波的雷达信号，并输出一个预测的无海杂波信号；

70、5.2）构建复值huber损失函数以优化海杂波抑制模型的反向传播误差，具体操作为：

71、先构建复值huber损失函数，并通过该复值huber损失函数计算出预测的无海杂波信号与实测无海杂波信号之间的总体误差，得到一个量化当前海杂波抑制模型性能的总损失值；

72、所述复值huber损失函数的计算表达式如下：

73、；

74、；

75、式中，表示总损失，表示单个样本中第k个数据的损失，k表示单个样本中数据点的索引，为脉冲回波复值图像中的复值元素总数，为信号标签和海杂波抑制模型的输出结果复数张量元素差值的模，信号标签是指实测无海杂波的纯信号，为实数阈值参数；

76、5.3）以步骤5.2）计算得到的总损失值指导海杂波抑制模型的反向传播过程，并计算出微调海杂波抑制模型内的所有参数；

77、5.4）使用adam优化器根据步骤5.3）的计算结果更新海杂波抑制模型的参数，使海杂波抑制模型在下一次预测时产生的损失更小；

78、5.5）重复步骤5.1）-步骤5.4）的过程，使海杂波抑制模型完成训练。

79、作为上述基于复值神经网络的多微弱目标下海杂波抑制方法的另一种优化方案，所述步骤6）的具体操作为：

80、6.1）设定输入信杂比scrin与输出信杂比scrout计算方式，单位db，计算公式如下：

81、；

82、；

83、式中，表示取最大值操作，和分别表示输入数据和对应海杂波抑制模型的输出数据中，目标所在距离单元内的功率最大值，表示单个样本中目标数量，和分别表示输入数据和对应海杂波抑制模型的输出数据中，目标所在距离单元周围海杂波功率的均值；

84、6.2）设定信杂比改善因子的计算公式，信杂比改善因子表示输出信号的信杂比相较于输入信号信杂比的提升幅度，单位db，公式如下：

85、；

86、6.3）设定输入信号为，则杂波功率估计函数的计算公式为：

87、；

88、式中，表示保护单元参数，表示参考单元参数，表示所估计范围内信号元素总数；

89、6.4）构造用于评估微弱目标重构失真率的指标，即目标信号失真率，其具体操作为：

90、6.4.1）确保计算范围内只存在一个目标，计算出目标周围距离单元的脉冲功率最大值，公式如下：

91、；

92、式中，表示自变量最大值，返回使输出最大结果的自变量，表示距离单元阈值参数，表示第个脉冲在距离单元的脉冲功率；

93、6.4.2）判断脉冲功率最大值所在距离单元是否等于目标距离单元，公式如下：

94、；

95、式中，为判决函数；

96、6.4.3）计算重建目标信号失真率，其计算公式为：

97、；

98、式中，为相干处理间隔的脉冲数，为单个样本内第个目标最大功率所在距离单元的判决结果，表示单个样本中目标数量，通过计算tsdr值能够有效评估海杂波抑制模型重建目标在距离单元内的偏移程度；

99、6.5）将tsdr值作为比例系数与输入信杂比scrin、输出信杂比scrout结合，得到失真校正输出信杂比dc-scrout和失真校正信杂比改善因子dcif-scr，计算公式如下：

100、；

101、；

102、6.6）使用tsdr、dc-scrout和dcif-scr协同评估海杂波抑制模型的性能，若海杂波抑制模型的性能指标未能达到预期标准，则重复执行步骤4）-步骤6），直至海杂波抑制模型的性能满足应用要求为止；

103、6.7）利用达到预期的海杂波抑制模型对海杂波进行抑制。

104、与现有技术相比，本发明具有如下有益效果：

105、1）由于实际的雷达回波具有i、q两个通道分量，常用复数表示，为充分利用复数特性，本发明实现了复值特征图的前向传播，增强信号数据的特征提取，有利于保证弱目标精准重构，能够有效提高面向海面场景的目标检测等下游任务性能；

106、2）本发明通过建立子空间对消抑制方法到残差学习网络范式的理论关联，增强网络结构的可解释性，单阶段模块化设计可通过增加模块数量提高性能，缓解梯度消失问题，相较于现有方法具有更好的可复现和可解释性；

107、3）本发明针对海杂波的非均匀特性，通过融合不同感受野的多尺度特征，结合注意力机制引导网络进行特征学习，提升了网络分离海杂波与目标特征的能力，多级残差结构则增强了低频目标特征的前向传播，能够更精准的还原微弱目标。