一种基于复值U-Net网络学习的非均匀杂波抑制方法

conv、cbn、跳跃连接层将降采样过程产生的特征图与升采样过程产生的特征图相连接，在提取高维度特征的同时保留低维度特征；最后使用1
×
1的cv-conv和cvsig激活函数来获取输出数据；
12.s4、采用步骤s2构造的训练集对步骤s3构建的基于复值u-net的杂波抑制网络进行训练；
13.s5、加权融合，对训练完成的基于复值u-net的杂波抑制网络输出结果的实部与虚部进行加权融合，得到最终的杂波抑制结果。
14.本发明的有益效果：本发明的一种基于复值u-net网络学习的非均匀杂波抑制方法，可实现强杂波下的有效抑制，同时具备非均匀杂波区下目标信息增强的能力；本发明采用复值的卷积块来提取信号的复特征；基于u-net的上下采样结构和跳跃连接层来融合多层级特征，来区分杂波和目标，可对低信杂比目标进行信息增强。因此，本发明具有适应性强、鲁棒性高的优势，可以应用到现役雷达装备中。
附图说明
15.图1为本实施例的处理流程图；
16.图2为训练样本和测试样本场景示意图；
17.其中，图2(a)为训练集，图2(b)为测试集a，图2(c)为测试集b；
18.图3为一个测试样本不同迭代过程的结果；
19.其中，图3(a)为输入数据，图3(b)为标签数据，图3(c)为误差收敛曲线，图3(d)为第1轮杂波抑制结果；图3(e)为第10轮杂波抑制结果，图3(f)为第20轮杂波抑制结果。
20.图4为单样本下复值u-net网络下不同信杂比的杂波抑制结果；
21.其中，图4(a)目标信杂比为2db，图4(b)为杂波抑制结果，图4(c)目标信杂比为8db，图4(d)为杂波抑制结果。
22.图5为测试集a下复值u-net网络与实值u-net网络的抑制结果对比；
23.其中，图5(a)输入数据，图5(b)为实值杂波抑制结果，图5(c)为复值杂波抑制结果。
24.图6为测试集b下复值u-net网络与实值u-net网络的抑制结果对比；
25.其中，图6(a)输入数据，图6(b)为实值杂波抑制结果，图6(c)为复值杂波抑制结果。
具体实施方式
26.为便于本领域技术人员理解本发明的技术内容，下面结合附图对本

技术实现要素：
进一步阐释。
27.本发明流程图如图1所示，其实现的具体步骤为：
28.步骤1：对雷达回波进行脉冲压缩预处理
29.考虑一个单基雷达发射q个脉冲探测目标，则这q个脉冲的回波构成的雷达回波信号可表示为s(t)：
30.31.其中，t表示时间，p(t)为线性调频信号，tr为脉冲重复间隔。
32.对获取的数据进行脉冲压缩处理。
33.步骤2：制作训练数据集
34.利用实测数据加仿真目标的手段，产生脉压后的数据作为训练集。仿真中目标数量设置为1-3的随机变量，目标位置随机分布在观测空间内，且信杂比分布在5-14db。
35.步骤3：构建基于复值u-net的杂波抑制网络
36.复值u-net网络是基于实值u-net网络改进而来的，实值网络仅仅只能获取雷达的幅度信息，忽略了雷达信号的相位信息。复值网络的输入为雷达的复信号数据，包含雷达的幅度和相位信息，网络结构如图1所示，该网络由一个降采样-升采样结构与跳跃连接组成。
37.降采样结构由重复的卷积核为3的复值卷积层(cv-conv)、复值批归一化层(cbn)、复值线性整流函数以及复值池化层(cmaxp)组成，在降采样过程中，输出的特征图分辨率逐渐降低，同时目标特征得到保留，背景杂波被逐步去除。上采样结构由卷积核为2的复值转置卷积层(cv-t-conv)以及重复的卷积核为3的复值卷积层(cv-conv)、复值批归一化层(cbn)、复值线性整流函数组成，经过转置卷积后，特征图分辨率得到提升。同时，跳跃连接层会将下采样过程产生的特征图与上采样过程产生的特征图相连接，可以在提取高维度特征的同时保留低维度特征。网络最后使用1
×
1的复值卷积层(cv-conv)和复值sigmoid(cvsig)激活函数来获取输出数据。不同网络层复值化的计算方式如下所示。
38.cv-conv的输出结果o具体计算公式为：
[0039][0040]
其中，w是复值卷积核，p是复值特征矩阵，p即雷达回波数据，*是卷积操作，和分别表示是矩阵的实部和虚部。
[0041]
cbn的输出结果具体计算公式为：
[0042][0043]
其中，o是复值矩阵，γ和β分别是可学习的尺度参数和平移参数，er和ei分别是矩阵o的实部和虚部的均值。v是o的协方差矩阵，具体计算形式为：
[0044][0045]
其中，cov(
·
,
·
)是协方差运算。
[0046]
激活函数的具体计算形式为：
[0047][0048]
其中，relu(
·
)是线性整流函数。
[0049]
cmaxp具体计算形式为：
[0050]
[0051]
其中，h是复值池化层cmaxp输入的复值特征图，h即激活函数的输出结果，maxp(
·
)是最大池化运算。
[0052]
cvsig的输出结果y具体计算形式为：
[0053][0054]
其中，j表示虚数，j2＝-1，x是复值sigmoid层的输入复值特征图，x即网络最后一层卷积的输出结果。
[0055]
步骤4：网络训练
[0056]
步骤4-1：网络中所有层参数初始化为高斯分布的随机数；
[0057]
步骤4-2：将训练数据集中训练样本依次输入构建好的基于复值u-net的杂波抑制网络，根据初始化的网络参数进行前向传播，计算每层输出结果；
[0058]
步骤4-3：采用二元交叉熵的损失函数计算计算输出结果与标签的误差，表达式如下：
[0059][0060]
其中，l为标签，b为batchsize，n为数据的长度。
[0061]
步骤4-4：采用adam优化算法进行误差反向传播，并更新网络中所有卷积层参数；
[0062]
步骤4-5：重复进行步骤4-2至步骤4-4，直到达到预设的最大迭代次数200，然后选择其中误差值最小的模型作为后续测试集的模型。
[0063]
步骤5：将网络最后一层输出结果中的实部虚部进行加权融合，得到复值u-net的杂波抑制输出结果，即计算形式为：
[0064][0065]
本发明的效果通过以下仿真与实验验证进一步说明：
[0066]
实验结果：
[0067]
仿真中利用雷达学报提供的2019年第一期海杂波数据作为背景杂波，其中扫描模式下的数据20191012110735_10_scanning为训练集，共有4077个训练样本，如图2(a)所示。利用扫描模式下的数据20191012110757_19_scanning和20200819134901_01_scanning分别作为测试集a和b的背景杂波，样本数分别为4076和351。其中，测试集b为云雨天气下所采集的数据，用于验证模型的泛化性，测试集数据如图2(b)和(c)所示。
[0068]
随机挑选了一个样本来展示网络训练迭代过程，图3(a)为经过预处理后输入到复值u-net网络的数据，图3(b)为标签即目标所在位置。如图3(c)的误差收敛曲线所示，可以发现，网络在第20轮得到了快速收敛，并且从如图3(d)-(f)可以看到目标的信号从第1轮到第20轮，逐渐得到了提升。这里选择迭代200轮次后，误差最小的模型作为后续的测试模型。
[0069]
单样本测试结果如图4(a)和(c)所示，经过杂波抑制处理后，可以发现信杂比为2db和8db的样本，输出信杂比均有明显改善，如图4(b)和(d)所示。而且当目标湮没在杂波中时，目标信号仍然可以得到提升。
[0070]
为了更好的对比复值u-net与实值u-net的泛化性，利用两个不同实测数据集进行
测试，测试集a和b的结果分别如图5和图6所示。其中，(a)表示输入数据，(b)表示实值u-net抑制结果，(c)表示复值u-net抑制结果。
[0071]
测试a结果如下，测试集a的输入数据平均杂波功率为-27.21db，通过实值u-net进行杂波抑制后，杂波平均功率被抑制到-51.97db；而复值u-net可以抑制到-60.03db。测试集a统计结果显示，与实值u-net相比，复值u-net对scr增益可以增加9.92db。
[0072]
测试b结果如下，测试集b的输入数据平均杂波功率为-19.78db，通过实值u-net进行杂波抑制后，杂波平均功率被抑制到-48.72db；而复值u-net可以抑制到-60.97db，抑制效果更佳。测试集b统计结果显示，与实值u-net相比，复值u-net对scr增益可以增加13.04db。
[0073]
通过以上实验结果说明，本发明通过提取复信号的特征，构建复值u-net的杂波抑制网络，实现了非均匀杂波环境下目标信号增强，相比于实值u-net对目标信杂比增益，可提升约9db。
[0074]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。