一种基于神经网络的雷达杂波抑制方法与流程

1.本发明属于雷达杂波抑制技术，具体涉及一种基于神经网络的雷达杂波抑制方法。


背景技术：

2.信号分选算法是雷达信号分选、识别和跟踪的核心技术之一。雷达信号分选算法根据不同雷达信号的差异性来实现雷达信号的识别与分离。随着对运动物体信号分选要求实时性的不断提升，接收回波中的杂波对运动物体分选实时性带来严重挑战，因此迫切需要一种高效与高准确性的杂波抑制算法。
3.传统杂波抑制方法多以杂波及目标具有的不同多普勒频率特征进行区分并加以抑制，这导致抑制结果中残留杂波点较多，虽对雷达信号分选实时性具有一定的提升作用，但对于运动物体分选的高实时性依旧无法满足相关需求。同时在强杂波环境中，使用传统杂波抑制算法也会使分选目标雷达信号的丢失率提高，导致目标漏检问题。
4.现有的基于深度学习方面的杂波抑制方法，大多利用卷积神经网络进行网络训练，从而实现抑制效果，但雷达信号数据区别于图像数据，雷达信号数据由于设备的限制其分辨率有一定极限，无法达到图像上的超分辨率级别，因此，在网络提取特征方面，用于雷达杂波特征的提取较为困难，导致抑制效果较差。


技术实现要素：

5.发明目的：本发明提供一种基于神经网络的雷达杂波抑制方法，以解决现有技术存在的以下问题：在强杂波环境中，实现实时、高准确性的杂波抑制；使用概率无向图模型反馈机制进行bp神经网络模型修正，提高模型预测的准确率；使用遗传算法优化bp网络，缩短训练时间、提高网络的识别精度。
6.技术方案：本发明的一种基于神经网络的雷达杂波抑制方法，包括以下步骤：步骤（1）、对采集到的雷达信号数据集进行数据处理得到雷达信号y，y = x + n，x表示雷达目标信号，n表示杂波信号；步骤（2）、将数据处理后的雷达信号y构建概率无向图模型，雷达信号y分解为最大团势的乘积，使用概率无向图将每个子集特征映射到无向图g(v,e)：无向图g(v,e)中节点表示为：步骤（3）、将概率无向图g(v,e)中的节点划分为训练集和验证集，使用训练集中的节点作为参数特征值输入特征值输入bp神经网络的输入层，并作为输入变量进入bp神经网络的输入层，然后使用遗传算法分别对输入层和隐藏层的输入特征值进行优化选择，筛选出最能反映输入与输出关系的雷达信号回波特征值，最后进行训练得到bp神经网络杂波抑制模型，bp神经网络杂波抑制模型输出层的输出变量包括杂波信号n和雷达目标信号x；步骤（4）、调节bp神经网络杂波抑制模型的参数（例如可以调节池化层、神经元个数或者训练次数等，具体根据每次拟合出的曲线进行调整），得到拟合程度最优的网络，通
过验证集中的数据来验证bp神经网络杂波抑制模型。
7.进一步地，所述步骤（1）中对雷达信号y进行信号处理的具体内容如下：步骤（1.1）、数据清洗在发射雷达信号前，采集取环境的杂信号作为噪底数据；对于获取到的相关雷达信号进行噪底数据比对消除，过滤环境中的杂信号，方便后续模型训练，提高训练精度；步骤（1.2）、标准化与归一化处理对清洗后的雷达信号数据进行z-score标准化处理，能够避免异常数据对lstm网络产生的影响；；其中，，；表示第k个数据值，表示数据平均值，表示所有数据的方差，表示第k个数据归一化的结果；标准化与归一化处理的雷达信号数据符合标准正态分布，即均值为0，标准差为1。
8.进一步地，所述步骤（2）的详细过程为：步骤（2.1）、将经过信号处理后的多普勒-距离频谱数据流作为实验数据，并进行数据预处理，将实验数据中大于零的点，记为-1，将实验数据中等于零的点，记为+1；和分别表示多普勒通道、距离单元和时间；步骤（2.2）、确定最大团能量函数中的参数值，循环遍历所有实验数据，对单独时间切片数据进行状态检测：若待最大团测点为+1，则跳过；若待最大团测点为-1，则先将初始状态设为+1，然后按式（1）计算新的能量函数，接着改变初始状态为-1并按式（1）计算新的能量函数；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式（1）式（1）成对马尔可夫性， u和v是无向图g中任意两个没有边连接的结点，节点u和节点v分别对应随机变量 和，其他所有的节点为o，对应的随机变量组是；步骤（2.3）、在每次遍历得到计算的和后，均判断两者之间的大小，若小于，说明该待最大团测点为目标概率更大，则更新初始状态为-1，相反地，若大于，说明该待最大团测点为杂波概率更大，则保留现有状态，接着进行下一点的计算判断；步骤（2.4）、不断循环步骤（2.2）和步骤（2.3），直至满足条件完成所有点的判断；步骤（2.5）、循环完成后，最终输出矩阵y=x，即目标信号所构成的轨迹集合。
9.进一步地，步骤（3）bp神经网络杂波抑制模型的输入特征值为雷达回波数据中的n个特征，由于这n个特征中可能包含冗余的特征值或并非相互独立的特征值，若全部作为输
入数据，会增加bp杂波抑制模型的计算量，延长建模时间，为了降低输入自变量的维度，基于二进制编码利用遗传算法对这些输入特征值进行优化选择，筛选出最能反映输入与输出关系的雷达信号回波特征值参与建模，具体方法为：将有效选取特征参数记为“1”，将无效选取特征参数记为“0”，开始前，随机选择n个序列串结构数据，构建初始种群；在父辈遗传给子辈种群中使用适应度函数来衡量各个特征参量接近最优解的优劣程度：；为个样本的网络输出值，为第个样本的期望输出值，为数据总样本数；通过子辈种群的适应度函数计算得到该子辈个体的累计概率为；选择染色体进行遗传时，使用随机生成数随机产生0到1之间的随机数α，若所产生的随机数，则选择第r个特征值遗传给其下一代；特征量遗传时，采用交叉操作，即两个父辈的经过筛选的固定数量的特征量互相交换，产生两个全新的经过变异的特征量，将这两个新特征量以此来作为神经元的选取。
10.进一步地，步骤（3）中使用k折线交叉验证法进行数据集循环使用，具体方法如下：将雷达信号数据集按照7：3进行随机划分，每次都将其中的70%数据作为训练集，其中的30%数据作为验证集，直到完成k次神经网络的训练。
11.最后计算k次求得分类的平均值，作为bp神经网络杂波抑制模型的真实分类率，具体公式如下：；是指每次求解出来的结果。
12.有益效果：与现有技术相比，本发明具有以下优点：（1）为解决传统杂波抑制方法所带来的残留杂波点较多问题，本发明采用bp神经网络进行模型训练。
13.（2）为解决现有bp 神经网络收敛速度慢、易陷入局部极值的问题， 本发明采用遗传算法优化bp网络，以缩短数据时间、提高识别精度，使网络避免局部最优值。
14.（3）为大幅提高bp神经网络杂波抑制精度与网络训练速度，本发明使用概率无向图模型进行知识库构建，对bp神经网络进行数据反馈修正，辅助模型训练。
附图说明
15.图1为本发明中雷达杂波抑制bp神经网络模型结构；图2为本发明中雷达杂波抑制bp网络流程图；图3为实施例中原始雷达信号数据；图4为为采用传统杂波抑制算法的结果图；
图5为采用本发明技术方案的杂波抑制结果。
具体实施方式
16.下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
17.如图1和图2所示，本发明一种基于神经网络的雷达杂波抑制方法，其特征在于：包括以下步骤：步骤（1）、对采集到的雷达信号数据集进行数据处理得到雷达信号y，y = x + n，x表示雷达目标信号，n表示杂波信号；步骤（1.1）、数据清洗采集取环境的杂信号作为噪底数据，对于获取到的相关雷达信号进行噪底数据比对消除；步骤（1.2）、标准化与归一化处理对清洗后的雷达信号数据进行z-score标准化处理：
ꢀꢀ
；其中，，；表示第k个数据值，表示数据平均值，表示所有数据方差，表示第k个数据归一化的结果；步骤（2）、将信号处理后的雷达信号y构建概率无向图模型，雷达信号y分解为最大团势的乘积，使用概率无向图将每个子集特征映射到无向图g(v,e)：无向图g(v,e)中节点表示为：步骤（2.1）、将经过信号处理后的多普勒-距离频谱数据流作为实验数据，并进行数据预处理，将实验数据中大于零的点，记为-1，将实验数据中等于零的点，记为+1；和分别表示多普勒通道、距离单元和时间；步骤（2.2）、确定最大团能量函数中的参数值，循环遍历所有实验数据，对单独时间切片数据进行状态检测：若待最大团测点为+1，则跳过；若待最大团测点为-1，则先将初始状态设为+1，然后按式（1）计算新的能量函数，接着改变初始状态为-1并按式（1）计算新的能量函数；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式（1）式（1）成对马尔可夫性， u和v是无向图g中任意两个没有边连接的结点，节点u和节点v分别对应随机变量 和，其他所有的节点为o，对应的随机变量组是；
步骤（2.3）、在每次遍历得到计算的和后，均判断两者之间的大小，若小于，说明该待最大团测点为目标概率更大，则更新初始状态为-1，相反地，若大于，说明该待最大团测点为杂波概率更大，则保留现有状态，接着进行下一点的计算判断；步骤（2.4）、不断循环步骤（2.2）和步骤（2.3），直至满足条件完成所有点的判断；步骤（2.5）、循环完成后，最终输出矩阵y=x，即目标信号所构成的轨迹集合；步骤（3）、将概率无向图g(v,e)中的节点划分为训练集和验证集，使用训练集中的节点作为参数特征值输入特征值输入bp神经网络的输入层，并作为输入变量进入bp神经网络的输入层，然后使用遗传算法分别对输入层和隐藏层的输入特征值进行优化选择，筛选出最能反映输入与输出关系的雷达信号回波特征值，最后进行训练得到bp神经网络杂波抑制模型，bp神经网络杂波抑制模型输出层的输出变量包括杂波信号n和雷达目标信号x；步骤（4）、调节bp神经网络杂波抑制模型的参数，得到拟合程度最优的网络，通过验证集中的数据来验证bp神经网络杂波抑制模型。
18.在上述步骤（3）bp神经网络杂波抑制模型的输入特征值为雷达回波数据中的n个特征，基于二进制编码利用遗传算法对这些输入特征值进行优化选择，筛选出最能反映输入与输出关系的雷达信号回波特征值参与建模，具体方法为：将有效选取特征参数记为“1”，将无效选取特征参数记为“0”，开始前，随机选择n个序列串结构数据，构建初始种群；在父辈遗传给子辈种群中使用适应度函数来衡量各个特征参量接近最优解的优劣程度：；为个样本的网络输出值，为第个样本的期望输出值，为数据总样本数；通过子辈种群的适应度函数计算得到该子辈个体的累计概率为；选择染色体进行遗传时，使用随机生成数随机产生0到1之间的随机数α，若所产生的随机数，则选择第r个特征值遗传给其下一代；特征量遗传时，采用交叉操作，即两个父辈的经过筛选的固定数量的特征量互相交换，产生两个全新的经过变异的特征量，将这两个新特征量以此来作为神经元的选取。
19.本实施例使用k折线交叉验证法进行数据集循环使用，具体方法如下：将雷达信号数据集按照7：3进行随机划分，每次都将其中的70%数据作为训练集，其中的30%数据作为验证集，直到完成k次神经网络训练得到bp神经网络杂波抑制模型；最后计算k次求得分类的平均值，作为bp神经网络杂波抑制模型的真实分类率，具体公式如下：；是指每次求解出来的结果。
20.实施例1：本实施例，采用本发明技术方案和现有抑制技术方案对同一组雷达信号数据进行抑制处理，如图3至图5所示，本发明结合概率无向图模型、bp神经网络以及遗传算法进行雷达数据处理、训练bp神经网络杂波抑制模型以及对模型参数反馈修正。图3为未经过杂波抑制算法的原始数据三维可视图，图中轨迹线条标记的数据即为目标轨迹，其余坐标点均为杂波数据，可明显看出，目标轨迹埋没于杂波中，很难分辨出轨迹数据。图4为经过现有技术中mtd滤波器组处理后的数据，可看出目标轨迹相较于图3原始数据有了明显改善，但仍旧存在较多杂波数据，使目标轨迹无法识别。图5为使用本发明进行的杂波抑制后的三维可视图，可以很明显的看出，较图4而言，本专利所使用的算法后的数据，目标轨迹清晰可见，杂波抑制效果优于传统算法，即证明本发明杂波抑制效果明显好于现有技术。