结合相位处理机制与LSTM网络模型的海杂波抑制方法

本发明涉及对海杂波的抑制方法，更特别地说，是指一种结合相位处理机制与lstm(long short-term memory，长短期记忆网络)网络模型的海杂波抑制方法。本发明方法可以提高雷达的海面目标检测性能和提升目标成像质量等。

背景技术：

1、雷达在海洋环境中工作，接收的来自海面的后向散射信号通常被称为海杂波。海杂波常常严重限制了雷达对海面目标的检测能力。海面目标类型复杂，如舰船、导航浮标、海面上方的飞机导弹等，这些海面目标又都具有不同的雷达散射特征和运动学特征。同时，在存在岛屿、岛礁、浮冰等复杂的海洋背景下，海面目标会不同程度地表现出低可观测性，导致雷达对海面目标检测的难度增大。此外，在风速高、海浪大的中高海况下，海杂波的散射增强，海面目标信号容易被淹没在强海杂波下，海面回波中存在大量类似于海面目标的尖峰信号，使得杂波的建模变得异常复杂，严重影响雷达对海面目标的探测和监视性能。通过抑制雷达海杂波来提高信杂比，提高海面目标检测性能，因此雷达海杂波抑制具有重要的研究意义。

2、2019年6月第8卷第3期，《雷达学报》公开了题为“机载多功能海上监视雷达系统设计与关键技术研究”，作者蒋千、吴昊、王燕宁。机载多功能海上监视雷达包括机载雷达设备和显控/信息处理软件两部分(下文记为图1a)，机载雷达装入飞机平台，作为机载任务设备在数据传输分系统等支撑下执行侦察任务；显控/处理软件装入任务控制站，对机载雷达进行状态监测与控制，并接收通过数据传输分析图实时发送的侦察数据，并形成初步的态势显示，并将处理后的侦察信息发送至后端进行情报处理。

3、目前海杂波抑制的方法主要包括循环对消法、小波变换法、子空间分解法和基于神经网络模型方法。循环对消法就是基于实测的海杂波，用不同的正弦信号组合起来去逼近实测海杂波信号，根据实测海杂波来对这些正弦信号进行参数估计，用这些正弦信号组合出来的信号作为海杂波背景信号，与原回波进行对消处理实现海杂波的抑制。小波变换法是在小波域内根据海杂波信号和目标信号的不同特性采取相应的阈值处理实现海杂波的抑制，该方法不依赖于杂波的统计特性，对复杂的海杂波具有良好的适应性。子空间分解法是根据海杂波在子空间的聚集特性将雷达回波中的海杂波分离出去实现海杂波的抑制。基于神经网络模型方法是基于海杂波的混沌预测特性所提出的。海杂波的内在混沌动态变化规律可以被学习，因此可以用于预测和抑制海杂波。近年来，随着计算机性能的提升，深度学习技术在各行各业都得到了飞速发展，利用神经网络的高容错能力和任意精度逼近复杂的非线性关系的能力，可以用于预测不同海况下的海杂波。

4、目前基于神经网络模型预测海杂波时间信号的研究主要集中在海杂波的幅度预测上，但是预测的海杂波幅度难以用于海杂波的抑制，因为海杂波时间信号是复数信号，用海杂波幅度预测结果进行对消后的结果为实数信号，难以进行后续的成像校正等。也有的将海杂波时间序列的实部和虚部分离，分别输入神经网络模型得到对应的输出预测结果，将实部和虚部的预测结果进行重新组合得到输出的复数预测结果，这样做忽略了实部和虚部之间的相位信息。

技术实现思路

1、本发明提出一种结合相位处理机制与lstm网络模型的海杂波抑制方法，是利用海杂波的混沌特性与lstm网络模型的非线性映射特性；通过建立的基于相位处理机制的lstm网络模型，从看似随机的海杂波时序中掌握确定的混沌生成规律以实现海杂波预测；然后利用海杂波的相位特征提升海杂波预测精度，克服了现有的海杂波预测方法中相位特征信息被忽略的不足；最后将海杂波预测结果与原回波(雷达回波数据sarin)对消实现海杂波抑制。本发明采用lstm网络模型可以有效保留相位信息，有助于提高海杂波预测结果，进而提升海杂波的抑制效果。

2、如图1所示本发明的一种结合相位处理机制与lstm网络模型的海杂波抑制方法，是内嵌在图1a的数据终端单元中。机载多功能海上监视雷达系统中的数据终端单元用于接收机载数据终端传输的雷达回波数据，记为sarin。在本发明中，将一部分的雷达回波数据sarin用于构造训练数据集，记为msar训练，另一部分的雷达回波数据sarin用于构造验证数据集，记为msar验证。

3、如图1所示，本发明的一种结合相位处理机制与lstm网络模型的海杂波抑制方法，该方法具体包括有构建lstm海杂波预测模型和基于lstm海杂波预测模型完成海杂波实时处理两个部分内容。

4、第一部分，在构建lstm海杂波预测模型过程中包括有以下步骤：

5、构建步骤一，对于实测的雷达回波数据进行距离脉冲压缩处理；

6、在数据终端单元中，首先存储实测雷达回波数据sarin，然后对所述的雷达回波数据sarin进行距离向脉冲压缩，压缩之后形成的二维数据，记为雷达回波－距离脉冲压缩数据d，采用矩阵形式表示为：

7、

8、na表示方位向脉冲点数。

9、nf表示距离向采样点数。

10、a1,1表示采集到的第1个方位时刻下的第1个距离向采样点。

11、a1,2表示采集到的第1个方位时刻下的第2个距离向采样点。

12、表示采集到的第1个方位时刻下的第nf个距离向采样点。

13、a2,1表示采集到的第2个方位时刻下的第1个距离向采样点。

14、a2,2表示采集到的第2个方位时刻下的第2个距离向采样点。

15、表示采集到的第2个方位时刻下的第nf个距离向采样点。

16、表示采集到的第na个方位时刻下的第1个距离向采样点。

17、表示采集到的第na个方位时刻下的第2个距离向采样点。

18、表示采集到的第na个方位时刻下的第nf个距离向采样点。

19、在本发明中，采用的距离向压缩回波逐距离单元归一化bk处理的方法为：

20、

21、k表示距离向采样点的标识号，满足k＝1,2,…,nf。

22、ak表示第k个距离单元内的一维海杂波脉冲序列

23、a1,k表示采集到的第1个方位时刻下的第k个距离向采样点。

24、a2,k表示采集到的第2个方位时刻下的第k个距离向采样点。

25、表示采集到的第na个方位时刻下的第k个距离向采样点。

26、abs(ak)表示对ak中所有采样点取模值。

27、max(abs(ak))表示ak中所有采样点取模值后的最大值。

28、在本发明中，对雷达回波－距离脉冲压缩数据d在归一化之后，使得雷达回波数据sarin中的所有距离向采样的幅度被集中到－1到1之间。

29、构建步骤二，选取一个海杂波强度较大且不受目标信号干扰的距离单元，作为被选一维－海杂波脉冲序列；

30、在本发明中，从所述的雷达回波－距离脉冲压缩数据d中选取一个海杂波强度较大且不受目标信号干扰的距离单元，若选取的为第s个距离单元，记为被选一维－海杂波脉冲序列sss；所述sss的序列形式表示为：

31、

32、a1,s表示采集到的第1个方位时刻下的第s个距离向采样点。

33、a2,s表示采集到的第2个方位时刻下的第s个距离向采样点。

34、表示采集到的第na个方位时刻下的第s个距离向采样点。

35、构建步骤三，用自相关函数法估计海杂波时间序列的延迟时间；

36、在本发明中，用于估计海杂波时间序列延迟时间的自相关函数r(τ)定义为：

37、

38、τ表示延迟时间。

39、n表示方位向采样点的标识号，满足n＝1,2,...,na。

40、an,s表示采集到的第n个方位时刻下的第s个距离向采样点。

41、an+τ,s表示采集到的第n+τ个方位时刻下的第s个距离向采样点。

42、表示an,s的共轭复数。

43、在本发明中，延迟时间τ是自相关函数r(τ)下降到初始值的1-1e时所对应的n的值。

44、在本发明中，采用公式(4)对被选一维－海杂波脉冲序列sss进行延迟时间计算，得到估计延迟时间time_sss。

45、构建步骤四，用cao算法估计海杂波时间序列的嵌入维数；

46、在本发明中，用于估计海杂波时间序列的嵌入维数的cao算法表示如下：

47、1)定义时间延迟向量：

48、ai,s,m＝{ai,s,ai+τ,s,…,ai+(m-1)τ,s}   (5)

49、τ表示延迟时间。

50、m表示需要估计的嵌入维数。

51、ai,s,m表示第i个根据嵌入维数m构建的时间延迟向量。

52、ai,s表示采集到的第i个方位时刻下的第s个距离向采样点。

53、ai+τ,s表示采集到的第i+τ个方位时刻下的第s个距离向采样点。

54、ai+(m-1)τ,s表示采集到的第i+(m-1)τ,s个方位时刻下的第s个距离向采样点。

55、2)决定嵌入维数m的函数x(i,m)：

56、

57、ai,s,m表示第i个根据嵌入维数m构建的时间延迟向量。

58、ai,s,m+1表示第i个根据下一个嵌入维数m+1构建的时间延迟向量。

59、ao(i,m),s,m表示第o(i,m)个根据嵌入维数m构建的时间延迟向量。

60、ao(i,m),s,m+1表示第o(i,m)个根据下一个嵌入维数m+1构建的时间延迟向量。

61、式中·为一种euclidian距离计算公式，该公式定义为：

62、

63、ap,s,m表示第p个根据嵌入维数m构建的时间延迟向量。依据公式(5)则有ap,s,m＝{ap,s,ap+τ,s,…,ap+(m-1)τ,s}，ap,s表示采集到的第p个方位时刻下的第s个距离向采样点，ap+τ,s表示采集到的第p+τ个方位时刻下的第s个距离向采样点，ap+(m-1)τ,s表示采集到的第p+(m-1)τ个方位时刻下的第s个距离向采样点。

64、aq,s,m表示第q个根据嵌入维数m构建的时间延迟向量。依据公式(5)则有aq,s,m＝{aq,s,aq+τ,s,…,aq+(m-1)τ,s}，aq,s表示采集到的第q个方位时刻下的第s个距离向采样点，aq+τ,s表示采集到的第q+τ个方位时刻下的第s个距离向采样点，aq+(m-1)τ,s表示采集到的第q+(m-1)τ个方位时刻下的第s个距离向采样点。

65、ap+wτ,s表示时间延迟向量ap,s,m的第w个元素，w为整数且取值范围满足0≤w≤m-1。

66、aq+wτ,s表示时间延迟向量aq,s,m的第w个元素，w为整数且取值范围满足0≤w≤m-1。

67、3)定义x(i,m)的均值为：

68、

69、e(m)值决定于时间延迟τ和嵌入维数m。

70、4)定义用于研究e(m)从m变化到m+1的函数：

71、

72、在本发明中，在m增大到某个值m0时，再继续增加m，函数值维持eσ(m0)附近几乎不再变化，此时m0+1就是估计得到的最佳嵌入维数。

73、构建步骤五，根据估计延迟时间和最佳嵌入维数，用被选一维－海杂波脉冲序列构造训练数据集；

74、在本发明中，训练数据集msar训练的构造方法为，(a)采用估计延迟时间time_sss和最佳嵌入维数m0+1将被选一维－海杂波脉冲序列sss分割为长度较短的短序列(b)将短序列输入lstm网络模型中，输入lstm网络的海杂波时间序列长度满足l≥mτ，若单个距离单元的海杂波时间序列长度为na，最多可以构造出na-mτ个长度为mτ的短序列。在构造过程中，每个短序列的后一个采样点值作为它对应的标签数据，因此单个距离单元所能构造出的训练集数最多为na-mτ。

75、在本发明中，lstm网络模型参考人民邮电出版社，作者:(美)伊恩·古德费洛著的《深度学习》第248－250页的内容。lstm(convolutional long short-term memorynetwork，长短期记忆网络)在门控rnn的基础上添加了长期记忆单元，通过遗忘门、输入门和输出门控制时序信息的流动，通过反向传播更新网络的权重，学习长时依赖关系。使用tanh激活函数和relu激活函数的rnn神经网络的学习步长过短且不稳定，而lstm神经网络可以稳定学习多步时序关系。

76、构建步骤六，用一对实数lstm网络实现相位处理机制，得到lstm海杂波预测模型；

77、在本发明中，用一对实数lstm网络实现相位处理机制，得到结合相位处理机制的lstm网络的海杂波预测模型：

78、

79、f代表lstm网络模型，f1和f2表示一对实数的lstm网络，z表示复数向量，a和b为复数向量z的实部和虚部，该实部和虚部分别输入这两个实数网络模型，然后用一种类似复数乘法运算法则的方式计算出结合相位处理机制的lstm网络模型的输出结果：

80、

81、第二部分，基于lstm海杂波预测模型完成海杂波实时处理过程中包括有以下步骤：

82、步骤a，对于实测的雷达回波数据进行距离脉冲压缩处理；

83、在本发明中，机载多功能海上监视雷达系统获取实测雷达回波数据sarin，将所述的雷达回波数据sarin进行距离向脉冲压缩之后形成的二维数据，记为雷达回波－距离脉冲压缩数据

84、在本发明中，对雷达回波－距离脉冲压缩数据d在归一化之后，使得雷达回波数据sarin中的所有距离向采样的幅度被集中到－1到1之间。

85、步骤b，逐一对距离单元进行归一化；

86、在本发明中，依据构建步骤三和构建步骤四对雷达回波－距离脉冲压缩数据d进行处理，得到用于构造验证数据集msar验证。

87、在本发明中，训练数据集msar训练与验证数据集msar验证的区别在于：所述的验证数据集msar验证所用的雷达回波数据不包含构建步骤二中的被选一维－海杂波脉冲序列sss。

88、步骤c，运行lstm海杂波预测模型；

89、在本发明中，将验证数据集msar验证输入lstm海杂波预测模型中，经处理后，得到下一时刻海杂波预测值该的序列表征为：

90、

91、f为lstm海杂波预测模型，是非线性映射函数。

92、v表示距离向采样点标识号，它的取值范围为1，2，…，nf(v≠s)。

93、{aj,v,aj+1,v,…,aj+(mτ-1),v}表示每次输入模型中的验证数据集中部分数据量。

94、aj,v表示采集的第j个方位时刻下的第v个距离向采样点。

95、aj+1,v表示采集的第j+1个方位时刻下的第v个距离向采样点。

96、aj+(mτ-1),v表示采集的第j+(mτ-1)个方位时刻下的第v个距离向采样点。

97、在本发明中，值为lstm海杂波预测模型的输出。

98、步骤d，将海杂波预测值与原距离压缩回波进行对消实现海杂波的抑制；

99、在本发明中，海杂波预测值与原距离压缩回波进行对消，由于海杂波的预测结果也是复数值，所以对消过程中，执行的是复数的差运算，如果原距离压缩回波中存在目标信号，那么将海杂波信号对消抑制后，结果中保留下来的信号就是目标信号。

100、本发明构造的lstm海杂波预测模型可以单独内嵌在机载多功能海上监视雷达系统的数据终端单元中，也可以内嵌在需要进行雷达回波数据仿真的处理设备上，比如电脑、数字处理设备等。

101、与现有技术相比，本发明结合相位处理机制与lstm网络模型的海杂波抑制方法的优点在于：

102、(1)利用海杂波脉冲序列的相位特征信息，给lstm网络模型提供的更多描述海杂波的有效信息，有利于lstm海杂波预测模型的训练以及应用lstm海杂波预测模型来提高海杂波预测精度。

103、(2)现有的大多数海杂波预测方法要不就是直接预测海杂波幅值，丢弃相位信息，要不就是将海杂波脉冲序列先做实虚分离再输入网络模型进行训练得到针对实部和虚部的海杂波预测模型，输出预测结果还需要进行重新组合为复数数据，对比本发明提出的lstm海杂波预测模型，该模型的输入和输出均为复数数据，海杂波的预测过程更为便捷，而且利用了海杂波的相位特征信息和幅值特征信息。

104、(3)复数数据训练得到的海杂波预测网络模型相比实虚分离方法的海杂波预测精度更高，进而在lstm海杂波预测模型中能提升海杂波的抑制效果。

105、(4)由于海杂波时间脉冲序列的相位特征信息与目标信号的相位特征存在明显差异，因此当一距离向回波数据内同时存在目标信号及海杂波信号，海杂波预测模型的预测误差会增大，通过设计合理的误差阈值，能够从变大的预测误差中检测出目标。