一种基于深度学习的阵列稳健自适应波束形成方法

1.本发明涉及雷达阵列信号处理技术领域，更具体的，涉及一种基于深度学习的阵列稳健自适应波束形成方法。


背景技术：

2.在现代战争中，高性能雷达是不可或缺的高技术装备之一，同时早已深入我们的生活，例如民航飞机、气象雷达、倒车雷达等等。雷达利用电磁波在空间直线传播，并会被物体散射的特性，完成目标检测与参数估计。相控阵雷达是一种被广泛应用的雷达体制，它具有反应时间短、抗干扰能力强的特点。不同于传统机械扫描雷达靠天线本身的转动来实现波束扫描，相控阵雷达是利用数字系统来控制天线阵面上每个阵元的相位来实现波束指向的改变。
3.数字波束形成(dbf)是相控阵雷达特有的重要技术，它通过数字信号处理形成最大增益方向指向期望信号方向的接收波束，从而实现空域滤波，提高雷达信号处理的性能。但是雷达工作的空间电磁环境较为复杂，期望信号和干扰以及噪声通常共同存在，并且期望信号经常被淹没在大功率的噪声压制式干扰信号之中。为了解决这一问题，自适应数字波束形成(adbf)技术应运而生。adbf技术是自适应信号处理技术和dbf技术的有机结合，它利用算法得到一个自适应权矢量对阵列接收信号进行加权，从而控制相控阵雷达的波束形状。加权后的波束在期望信号方向形成最大增益，并在干扰位置方向形成深零陷，这可以极大的提高输出信干噪比(sinr)。最优权矢量计算所需要杂波协方差矩阵是未知的，因此需由杂波数据(训练样本)经最大似然估计得到。这意味着需要足够多训练样本才能保证adbf有效。
4.当相控阵雷达的先验信息准确无误差时，adbf的性能极为优越。然而，实际场景中往往存在着各种非理想因素，如期望信号的角度估计不准确、相控阵各阵元间存在相位、幅度和位置误差等，从而导致传统adbf技术性能受损。同时，新型有源电子干扰信号的功率或波形在时域快速变化，即信号在时域存在严重非平稳特性，导致用于估计回波协方差矩阵的平稳训练样本数严重不足，从而使得传统adbf方法性能急剧下降。因此，研究非理想情况下的稳健自适应波束(rbf)形成具有重大意义。
5.目前，rbf主要可以分为三大类。第一类是对角加载或者称为正则化技术，其核心思想是对估计的协方差矩阵增加一个单位矩阵乘上对角加载因子。在高斯环境下，噪声的协方差矩阵是一个单位阵，因此对角加载等效于将噪声功率统一校正到同一电平，从而消除了噪声发散对信号的影响，提高adbf的稳健性。然而，对角加载技术存在一个非常显著的缺点，其对角加载系数需要利用先验信息来人为设置，没有一个确定性的准则来指导。对角加载因子过小时对稳健性的改善微弱，对角加载因子过大时则会降低对干扰的抑制效果。第二类是基于特征子空间投影的rbf方法。该类方法的核心是将整个数据空间分成两个正交的子空间，即信号加干扰子空间和噪声子空间，然后将期望信号导向矢量投影至噪声子空间与信号加干扰子空间。由于两个子空间正交，误差分量就无法影响到最终的自适应权
矢量。但是在低信噪比情况下，噪声与信号或干扰的特征值差距不显著，难以准确划分出上述两个正交的子空间，最终导致该类方法的性能受限。第三类是基于凸优化理论的rbf，其中最具代表性的算法是最差性能优化算法。该算法将真实的期望信号导向矢量建模为一个估计的期望信号导向矢量与一个未知误差矢量之和，假设误差矢量在一个球不确定集中，并约束所有导向矢量均可无失真通过波束形成器，从而求解最优权矢量。该类方法可以看作对角加载技术的扩展，通过解优化问题给出对角加载量。但是，该类方法对模型的依赖性较强，其解的准确性与模型的选取直接相关，当信号参数大幅度变动时可能会出现严重的性能损失。
6.因此，要实现在实际非理想条件下对干扰的有效抑制，需要一种小样本需求、对各种误差稳健的数据驱动的adbf方法。


技术实现要素：

7.本发明为了解决以上现有技术存在的不足与缺陷的问题，提供了一种基于深度学习的阵列稳健自适应波束形成方法。
8.为实现上述本发明目的，采用的技术方案如下：
9.一种基于深度学习的阵列稳健自适应波束形成方法，所述的方法包括步骤如下：
10.s1：基于雷达系统参数，并考虑非理想因素，构建阵元级雷达回波模型，仿真生成小快拍下的估计回波协方差矩阵集；
11.s2：基于卷积神经网络构建二级级联网络模型；将小快拍下的估计回波协方差矩阵集作为第一级网络的输入，并将第一级网络输出的确知回波协方差矩阵作为第一级网络的标签数据集；同时将确知回波协方差矩阵作为第二级网络的输入，并将确知回波协方差矩阵对应最小方差无失真权系数作为第二级网络的标签数据集；
12.s3：采用分级预训练和级联全网络微调的策略对二级级联网络模型进行训练；
13.s4：将雷达实际回波协方差矩阵集进行模数转换后，将其少量样本数据估计回波协方差矩阵输入训练好的二级级联网络模型进行处理，得到自适应权矢量；
14.s5：根据所得到的自适应权矢量对待检测距离门数据进行处理，实现对干扰的有效抑制；
15.s6：对抑制干扰和目标积累后的结果进行恒虚警处理，完成对运动目标的检测。
16.优选地，所述的非理想因素包括阵元同幅/相位误差、干扰数目、干扰来向和干噪比。
17.进一步地，仿真生成小快拍下的估计回波协方差矩阵集时，
18.考虑阵元幅度、相位误差满足复高斯分布，其方差选择限于当前阵列天线实际误差范围，其方差在[0,0.05]闭区间内随机设定；
[0019]
所述的干扰数目随机设定，取3个以内；
[0020]
所述的干噪比设定范围根据实际作战场景设定，取值为25db到35db范围；
[0021]
所述的干扰来向由[-70
°
,10
°
]∪[10
°
,70
°
]范围内以间隔1
°
随机选取。
[0022]
优选地，所述的最小方差无失真权系数，基于下述公式得到：
[0023]
w＝μr-1sꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0024]
其中，为归一化常数，(
·
)h表示共轭转置，(
·
)-1
表示矩阵的逆，s表示阵列目标空域导向矢量。
[0025]
优选地，步骤s3，具体训练如下：首先分开训练第一级网络和第二级网络，然后对级联的二级级联网络模型进行微调；在训练过程中使用adam优化器和gradual warm up来动态调整学习率，以提高收敛速率。
[0026]
优选地，其中第一级网络用于完成估计回波协方差矩阵集的估计，第二级网络实现估计回波协方差矩阵的求逆和与目标导向矢量的乘积运算过程，得到自适应权矢量。
[0027]
进一步地，所述的第一级网络的具体结构包括如下：一个输入尺寸为16*16的输入层，一个通道数为4的卷积块，两个通道数为16的卷积块，两个通道数为16的残差块，一个1*1卷积层顺序连接。
[0028]
再进一步地，所述的第二级网络的具体结构包括如下：一个输入尺寸为16*16的中间输入层、一个通道数为4的卷积块、一个通道数为16的卷积块、一个2*2的下采样层、两个通道数为16的残差块、一个线性展平层和一个输出尺度32*1的线性输出层顺序连接。
[0029]
一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时，实现所述的基于深度学习的阵列稳健自适应波束形成方法的步骤。
[0030]
一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时，实现所述的基于深度学习的阵列稳健自适应波束形成方法的步骤。
[0031]
本发明的有益效果如下：
[0032]
本发明利用当前深度学习技术可实现复杂非线性映射的优势，通过对相控阵多通道阵列雷达回波建模仿真所得到的估计回波协方差矩阵集合、确知回波协方差矩阵及准确自适应权矢量对所构建二级级联网络模型进行训练，训练时采用分段预训练和级联全网络微调的策略，并使用动态调整网络学习率以提高收敛性能，使其可实现样本需求量极少的端到端的rbf功能。网络训练完成后，将雷达实际观测数据中少量样本所估计的回波协方差矩阵输入至神经网络进行处理，进而在输出端得到准确自适应权矢量，从而实现对待检测距离门数据中干扰的有效抑制。本发明方案适用于阵列的自适应波束形成，具有样本需求少、误差稳健和工程实现简单的特点。
[0033]
需要注意的是，所发明方法中阵元级雷达回波建模、构建二级级联网络模型及二级级联网络模型训练环节均是离线处理，而后续实测数据神经网络处理、构造自适应权矢量、对待检测距离门数据处理和恒虚警检测部分为在线处理，因此所需运算量较小，更适用于实际工程应用。同时，所发明方法相比以前的rbf方法，在快拍数极少的情况下能表现出更好的干扰抑制性能，同时对幅度、相位误差具有一定的稳健性。该方法适用于多通道数字阵列系统，如相控阵雷达和智能天线等。
附图说明
[0034]
图1是本发明所述的基于深度学习的阵列稳健自适应波束形成方法的步骤流程图。
[0035]
图2是所述的第一级网络的结构示意图。
[0036]
图3是所述的第二级网络的结构示意图。
[0037]
图4是所述的卷积块、残差块的结构示意图。
具体实施方式
[0038]
下面结合附图和具体实施方式对本发明做详细描述。
[0039]
实施例1
[0040]
如图1所述，一种基于深度学习的阵列稳健自适应波束形成方法，所述的方法包括步骤如下：
[0041]
s1：基于雷达系统参数，并考虑非理想因素，构建阵元级雷达回波模型，仿真生成小快拍下的估计回波协方差矩阵集；
[0042]
s2：基于卷积神经网络构建二级级联网络模型；将小快拍下的估计回波协方差矩阵集作为第一级网络的输入，并将第一级网络输出的确知回波协方差矩阵作为第一级网络的标签数据集；同时将确知回波协方差矩阵作为第二级网络的输入，并将确知回波协方差矩阵对应最小方差无失真权系数作为第二级网络的标签数据集；
[0043]
s3：采用分级预训练和级联全网络微调的策略对二级级联网络模型进行训练；
[0044]
s4：将雷达实际回波协方差矩阵集进行模数转换后，将其少量样本数据估计回波协方差矩阵输入训练好的二级级联网络模型进行处理，得到自适应权矢量；
[0045]
s5：根据所得到的自适应权矢量对待检测距离门数据进行处理，实现对干扰的有效抑制；
[0046]
s6：对抑制干扰和目标积累后的结果进行恒虚警处理，完成对运动目标的检测。
[0047]
本发明利用当前深度学习技术可实现复杂非线性映射的优势，通过对相控阵多通道阵列雷达回波建模仿真所得到的估计回波协方差矩阵集合、确知回波协方差矩阵及准确自适应权矢量对所构建二级级联网络模型进行训练，训练时采用分段预训练和级联全网络微调的策略，并使用动态调整网络学习率以提高收敛性能，使其可实现样本需求量极少的端到端的rbf功能。网络训练完成后，将雷达实际观测数据中少量样本所估计的回波协方差矩阵输入至神经网络进行处理，进而在输出端得到准确自适应权矢量，从而实现对待检测距离门数据中干扰的有效抑制。本发明方案适用于阵列的自适应波束形成，具有样本需求少、误差稳健和工程实现简单的特点。
[0048]
需要注意的是，所发明方法中阵元级雷达回波建模、构建二级级联网络模型及二级级联网络模型训练环节均是离线处理，而后续实测数据神经网络处理、构造自适应权矢量、对待检测距离门数据处理和恒虚警检测部分为在线处理，因此所需运算量较小，更适用于实际工程应用。同时，所发明方法相比以前的rbf方法，在快拍数极少的情况下能表现出更好的干扰抑制性能，同时对幅度、相位误差具有一定的稳健性。该方法适用于多通道数字阵列系统，如相控阵雷达和智能天线等。
[0049]
在一个具体的实施例中，所述的非理想因素包括阵元同幅/相位误差、干扰数目、干扰来向和干噪比。
[0050]
本实施例中，仿真生成小快拍下考虑不同阵元误差、不同干噪比、不同干扰来向和不同干扰数目的估计回波协方差矩阵集时，
[0051]
考虑阵元幅度、相位误差满足复高斯分布，其方差选择限于当前阵列天线实际误
差范围，其方差在[0,0.05]闭区间内随机设定；
[0052]
所述的干扰数目随机设定，取3个以内，即干扰个数在0、1、2、3中随机选取；
[0053]
所述的干噪比设定范围根据实际作战场景设定，取值为25db到35db范围；
[0054]
所述的干扰来向由[-70
°
,10
°
]∪[10
°
,70
°
]范围内以间隔1
°
随机选取。
[0055]
在一个具体的实施例中，输入数据集和标签数据集的组织形式与网络的级联特性相关，本实施例利用待检测距离门相邻小快拍下的估计回波协方差矩阵集作为第一级网络的输入数据集，将该距离门对应确知协方差矩阵作为第一级网络的标签数据集；同时，将确知协方差矩阵对应最小方差无失真权系数(mvdr)作为第二级网络的标签数据集。
[0056]
所述的最小方差无失真权系数，基于下述公式得到：
[0057]
w＝μr-1sꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0058]
其中，为归一化常数，(
·
)h表示共轭转置，(
·
)-1
表示矩阵的逆，s表示阵列目标空域导向矢量。
[0059]
在一个具体的实施例中，步骤s3，具体训练如下：首先分开训练第一级网络和第二级网络，然后对级联的二级级联网络模型进行微调；在训练过程中使用adam优化器和gradual warm up来动态调整学习率，以提高收敛速率。
[0060]
在一个具体的实施例中，其中第一级网络用于完成估计回波协方差矩阵集的估计，第二级网络实现估计回波协方差矩阵的求逆和与目标导向矢量的乘积运算过程，得到自适应权矢量。
[0061]
所述的第一级网络、第二级网络均为卷积神经网络，且两个网络为级联关系，可分开进行训练，最后再进行整个网络微调，最终实现由输入小快拍所估计回波协方差矩阵到最小方差无失真权系数的非线性映射
[0062]
在一个具体的实施例中，如图2所示，所述的第一级网络的具体结构包括如下：一个输入尺寸为16*16的输入层，一个通道数为4的卷积块，两个通道数为16的卷积块，两个通道数为16的残差块，一个1*1卷积层顺序连接。
[0063]
在一个具体的实施例中，如图3所示，所述的第二级网络的具体结构包括如下：一个输入尺寸为16*16的中间输入层、一个通道数为4的卷积块、一个通道数为16的卷积块、一个2*2的下采样层、两个通道数为16的残差块、一个线性展平层和一个输出尺度32*1的线性输出层顺序连接。
[0064]
如图4所示，其中所述的卷积块有一个3*3卷积层、一个批归一化层和一个激活函数层顺序连接而成；所述的残差块则是在卷积块的基础上增加了一个残差连接；其中，激活函数选择relu函数：
[0065]
relu(x)＝max{x,0}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0066]
其中，max{
·
}为最大值函数，取x与0两个值之间的最大值。
[0067]
在一个具体的实施例中，基于输入和输出数据集对二级级联网络模型进行训练，训练设定批尺寸为256，两级的分别预训练和最后的统一微调都训练200次，训练过程中使用adam优化器和gradual warm up来动态调整学习率，初始学习率为0.001，warm up步长为5，间隔为0.002。
[0068]
在一个具体的实施例中，雷达实际回波协方差矩阵集中取少量相邻样本估计回波
协方差矩阵，样本数典型值一般为4～8个。本实施例将n路雷达实际回波协方差矩阵集分别进行模数转换，实现接收数据的数字化并进行存储。
[0069]
本实施例取待检测距离门左右相邻共4个距离门数据作为训练样本经似然估计得到协方差矩阵，将所估计回波协方差矩阵输入至二级级联网络模型，在二级级联网络模型输出端得到自适应权矢量。
[0070]
利用所得自适应权矢量作用于回波各距离门数据，实现对数据中干扰的抑制和对目标的相参积累。具体利用输出自适应权矢量与阵列接收待检测距离门数据共轭相乘，实现对干扰的抑制和对目标的相参积累。
[0071]
最后对自适应处理后的数据进行恒虚警处理，完成对雷达运动目标的检测处理。所述的恒虚警处理可选择已有经典恒虚警处理算法进行处理。
[0072]
实施例2
[0073]
一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时，实现如实施例1所述的基于深度学习的阵列稳健自适应波束形成方法的步骤。
[0074]
其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器。
[0075]
实施例3
[0076]
一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时，实现如实施例1所述的基于深度学习的阵列稳健自适应波束形成方法的步骤。
[0077]
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0078]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。