一种基于梯度加权生成对抗网络的非均匀海杂波抑制方法

1.本发明属于雷达信号杂波抑制技术领域，特别涉及一种海杂波的抑制技术。


背景技术：

2.在复杂场景下，无人机、隐身飞机等新型目标是现代雷达面临主要挑战，由于其极弱的雷达散射截面积、复杂高机动运动特性、以及遮掩在复杂地海杂波和干扰背景中，对复杂场景下弱小目标的检测是长期困扰现代雷达的难题，一直是雷达科学领域研究的热点和难点。
3.其中，海杂波背景下的雷达目标检测对民用和军事都有着重要的意义。随着海面目标的小型化和隐身化，海面慢速、漂浮小目标已经成为了雷达警戒的重点对象。关于此类小目标的检测一直以来都是海杂波背景下目标检测中的难题。通常，漂浮小目标的雷达散射横截面积(rcs)微弱，并且运动速度慢，常常在时域和频域均存在“超杂波检测”的困难。传统目标检测方法对漂浮小目标的检测存在明显的性能瓶颈。
4.国内外众多高校和研究机构进行了关于深度学习下的信号处理研究。2019年，清华大学将传统的经过多普勒处理后的r-d图，并不进行cfar检测，反而输入他们构建的cnn检测器，通过构建的8层神经网络代替了cfar进行检测(wang l,tang j,liao q.a study on radar target detection based on deep neural networks[j].ieee sensors letters,2019,3(3):1-4.)，在低信噪比下，效果提升显著。上面的方法是基于传统的神经网络构建，没有考虑更好的学习杂波的特性和训练网络的稳健性。


技术实现要素：

[0005]
为解决上述技术问题，本发明提出一种基于梯度罚函数加权生成对抗网络的非均匀海杂波抑制方法，利用神经网络强大的捕捉数据间的交互性，更好的将目标从杂波背景中提取出来，直接带来更高的信噪比增益，在抑制海杂波的同时保留了真实目标的信号强度。
[0006]
本发明采用的技术方案为：一种基于梯度罚函数加权生成对抗网络的非均匀海杂波抑制方法，包括：首先预处理由实测采集的海杂波数据集，生成有目标的训练集和测试集，然后构建梯度罚函数加权生成对抗网络神经网络，其次利用生成的训练集对梯度罚函数加权生成对抗网络神经网络进行训练，最后将测试集输入训练好参数的梯度罚函数加权生成对抗网络神经网络，从而输出杂波抑制后的距离幅度图。
[0007]
生成含有目标的训练集和测试集的过程为：
[0008]
在海杂波场景下采集原始回波距离像，按照每一个脉冲对原始回波距离像进行匹配滤波卷积，匹配滤波卷积后的距离像，同时向前平移信号的点数后，得到的距离向幅度图；对所有距离向幅度图按照3:1进行划分，得到含有目标的训练集和含有目标的测试集。
[0009]
本发明的有益效果：本发明的一种海杂波环境下基于梯度罚函数加权生成对抗网络的杂波抑制方法，该方法能利用神经网络强大的捕捉数据间的交互性，更好的将目标从
杂波背景中提取出来，直接带来更高的信噪比增益，在抑制海杂波的同时保留了真实目标的信号强度。本发明构建的梯度罚函数加权生成对抗网络能很好的抑制非均匀海杂波，提取复杂杂波背景下的目标信息，在保留目标的同时能够有效地将杂波剔除，与输入的信号相比，能将信杂比提升3.7db。
附图说明
[0010]
图1为梯度罚函数加权生成对抗网络杂波抑制处理流程图。
[0011]
图2为雷达原始回波脉冲距离图。
[0012]
图3为信号预处理后的距离幅度图。
[0013]
图4为加上目标后产生的样本信号。
[0014]
图5为梯度罚函数加权生成对抗网络的架构图。
[0015]
图6为杂波抑制前后效果图；
[0016]
其中，(a)是杂波抑制前效果图，(b)是杂波抑制后的结果。
[0017]
图7为最终测试集样本的信杂比统计图。
具体实施方式
[0018]
为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。
[0019]
结合图1，下面由海杂波实测数据给出本发明的具体实施方式。
[0020]
采集海杂波后的实测杂波数据图2所示，坐标系的横坐标表示采集的不同脉冲数量，纵坐标表示不同的距离单元，相邻两样点之间的距离间隔为5m，雷达的发射信号为中心频率x波段，频率范围在9.3～9.5ghz、带宽25mhz的线性调频信号，距离分辨率为6m，脉冲重复频率为3k。天线的极化方式为hh极化，水平波束宽度1.2
°
，天线垂直波束宽度为22
°
。
[0021]
本发明的处理步骤包括：
[0022]
步骤1：海杂波原始数据快时间单元预处理
[0023]
以对一组脉冲距离像的预处理过程为例，海杂波采集的原始回波距离像如图2所示。按照每一个脉冲(快时间单元)对原始回波信号进行匹配滤波卷积，卷积的点数为5249。卷积后的距离像，同时向前平移信号的点数后，得到的距离向幅度图如图3所示。
[0024]
利用已有的海军航空大学信息融合研究所发布的公开数据集20191008085830_staring.mat，向实测公开数据样本(即公开数据集20191008085830_staring.mat)中加入载频为9.4ghz，带宽为25m，采样率为60mhz的线性调频信号(lfm)，考虑m个脉冲构成一组回波信号，则这m个脉冲的原始回波信号模型为：
[0025][0026]
其中，发射信号模型为：
[0027][0028]
上式中，j代表虚数单位，rect是单位矩形窗信号，f0是载波频率，而式中的k表示线性调频信号的调频斜率，而信号的持续时间为-t≤t≤t。可以看到，式中的是矩形函数，为线性调频信号的复包络。
[0029]
按照每一个脉冲(快时间单元)对原始回波信号进行匹配滤波卷积，具体为：
[0030]
系统的冲激响应方式：
[0031][0032]
或h(t)＝αx
*
(t
m-t)
[0033]
上式中，ω代表傅里叶变换后的频率，α代表幅度常数因子，tm代表匹配滤波器的时延。x
*
(t)和x
*
(ω)分别为输入信号时域和频域的共轭复数，而h(ω)和h(t)分别为匹配滤波后输出信号的频域和时域信号。
[0034]
经过匹配滤波处理后，接收回波信号后，经过滤波器的输出信号y(t)的频谱(不加入杂波和噪声的情况)可以用y(ω)≈h(ω)x(ω)进行表示，式中x(ω)是输入的雷达回波信号波形的频谱，考虑存在某一时刻tm的信噪比是输出所有时刻中最大的，那么输出信号分量的功率在tm时刻可以表示为：
[0035][0036]
处理海军航空大学信息融合研究所发布的公开数据集20191008085830_staring.mat的每一个脉冲信号，均按单脉冲进行匹配滤波预处理，得到信号预处理后的数据集。
[0037]
步骤2：测试集和训练集样本产生
[0038]
将经过步骤1处理后的数据集，按照单脉冲进行划分，以每一个脉冲数据作为一个样本单位。对于每一个样本中的脉冲信号，都产生4个不同位置的目标信号x(t)，同样按步骤1的方式信号预处理，将x(t)经过匹配滤波卷积后，加入步骤1产生的预处理后的数据集。对于将经过处理后的所有距离像样本进行划分，75％的样本集用于训练集t1，25％的样本被划分为测试集t2，且保持t1和t2每一个样本中产生目标的数量相同，如图4所示。
[0039]
步骤3：构造梯度罚函数加权生成对抗网络
[0040]
利用卷积上采样层、卷积下采样层、relu输出层、wasserst距离损失函数构成的生成器和patch的鉴别器构成梯度罚函数加权生成对抗网络。wasserst距离计算的方法为：
[0041][0042]
上式中，是代表真实数据的概率分布，而代表网络生成数据的概率分布，即为度量两个概率分布的度量函数。而γ代表真实数据和真实数据的联合情况，表示γ的联合分布，其边缘分布就是和x和y分布代表观测的真实数据和网
络生成器产生的数据，e
(x,y)～γ
代表在真实数据和生成数据下的数学期望函数。inf代表函数度量的下确界，因此，度量计算的是函数下确界。
[0043]
类似的，通过wasserst距离可以构建生成器和鉴别器的损失函数，由kantorovich-rubinstein对偶性：
[0044][0045]
上式中，代表真实数据x的数学期望函数，代表生成数据y的数学期望函数，sup代表函数的上确界，而f(x)和f(y)分别代表真实数据x和生成数据y的概率密度函数。||f||
l
代表概率密度对应的l范数的值，其中l是一个常数。
[0046]
因此，通过上式的推导，可以构建出梯度罚函数加权生成对抗网络，损失函数如下式，最后一项则为梯度罚函数：
[0047][0048]
上式中，d(y)和d(x)分别是网络生成和真实数据的值，λ是一个常数，而是对网络生成数据的梯度，|| ||2是算子二范数。则为在真实数据概率分布下，生成数据概率分布下的损失函数值。
[0049]
由上式可得，损失函数的值受限于最后一项的梯度因子，梯度罚函数限制了损失函数的分布，从而约束了网络参数训练，使得网络训练更容易收敛于最优参数点。
[0050]
构造上采样和下采样卷积生成器网络a，a由一个输入向量，4个下采样卷积层，5个上采样转置卷积层，4个池化层构成，并且每层卷积后有一层leakyrelu激活函数用于非线性拟合数据，神经网络的结构模型如图5所示。在每个样本输入网络前，做一次裁剪以适应网络的大小，裁剪后的距离单元为1
×
4096大小。
[0051]
第1层：输入层，其大小为2的整数次幂，即1
×1×
4096；
[0052]
第2层：第一个下卷积层，卷积核为11
×1×
64，步长为5，输出特征卷积的通道数为64；
[0053]
第3层：最大池化层，池化卷积核的大小为1
×8×
8；
[0054]
第4层：第二个下卷积层，卷积核为7
×
64
×
128，步长为3，输出特征卷积的通道数为128；
[0055]
第5层：最大池化层，池化卷积核的大小为1
×4×
4；
[0056]
第6层：第三个下卷积层，卷积核为3
×
128
×
256，步长为1，输出特征卷积的通道数为256；
[0057]
第7层：最大池化层，池化卷积核的大小为1
×4×
4；
[0058]
第8层：第四个下卷积层，卷积核为3
×
256
×
512，步长为1，输出特征卷积的通道数为512；
[0059]
第9层：最大池化层，池化卷积核的大小为1
×4×
4；
[0060]
第10层：第五个下卷积层，卷积核为3
×
512
×
1024，步长为1，输出特征卷积的通道数为1024；
[0061]
第11、12、13、14层是转置卷积层，步长分别为4、4、4、8，卷积的尺寸分别为1024
×
512、512
×
256、256
×
128、128
×
64。
[0062]
leakyrelu激活函数作用于每一层的卷积后，用于提供非线性拟合能力，使神经网络能应对不同复杂程度的数据信息。
[0063]
步骤4：训练梯度罚函数加权生成对抗网络
[0064]
在利用损失函数训练的过程中，我们将采取wasserstein距离进行两个分布之间的度量，其具有良好的性质，在判决器最优的情况下，足够连续可导。参数ω限制在一个紧度量集中，利用lipschitz连续作为约束，转化为求函数最大值问题。
[0065]
将步骤2产生的训练集，输入生成对抗网络，以为目标函数，采用动量梯度下降法训练网络参数以最小化目标函数。动量的学习步长和动量参数分别设置0.0001和0.8，迭代次数为t＝12000，batch size设置为50。经过t轮迭代后，得到训练好的网络模型。
[0066]
步骤5：测试梯度罚函数加权生成对抗网络的抑制效果
[0067]
用做好的测试集样本输入训练好的海杂波抑制梯度罚函数加权生成对抗网络神经网络模型，由网络前向传播输出抑制后的结果，如图6所示，其中(a)是杂波抑制前，(b)是杂波抑制后的结果。经过统计不同样本的输入、输出信杂比，得到平均信杂比增益为3.7db，增益的中位数为4.4db，如图7所示。
[0068]
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。