一种基于深度学习的高海况海杂波抑制方法

1.本发明涉及船舶雷达技术领域，更具体地，涉及一种基于深度学习的高海况海杂波抑制方法。


背景技术：

2.船舶雷达作为目前水上运输目标检测的关键设备，可以不受视觉限制，有效地帮助航行的船只避障避撞。然而，船舶雷达收到的回波信号会受到高海况海杂波的严重干扰，造成性能的严重下降。民用船只在高海况下很难检测到海上障碍物和其它船只，航行安全无法保障，可能造成十分严重的人员伤亡和经济损失。同时，如果发生紧急事故，船舶雷达也很难对遇险船只定位从而快速进行海上搜救。因此，在高海况条件下对雷达回波中的海杂波进行干扰抑制非常重要，在民用和军事领域都有重大的实际意义。
3.高海况海杂波的抑制方法主要存在以下两个方面的问题：一是在实测测量高海况海杂波数据方面，高海况海杂波的数据收集由于海域广、成本高等限制较为困难；另一个是在高海况海杂波模型建立方面，低海况时，海面背景比较均匀，利用传统的基于信号处理的杂波分布模型进行海杂波抑制可以取得较好的效果，但在高海况产生的强海杂波背景下，海面杂波分布具有复杂的随机性与突变性，杂波的建模和模型参数设置变得非常困难，海杂波的抑制效果较差。
4.目前的现有技术公开了一种海面监视雷达杂波智能抑制方法，应用于雷达目标探测领域，针对现有的海面杂波抑制技术难以应对复杂多变的海洋环境的问题；现有技术中的方法通过构建两路镜像对称的生成对抗网络，一路学习从原始杂波数据到杂波抑制后数据的映射，另一路反过来学习从杂波抑制后数据到原始杂波数据的映射，将两类数据集分别输入两路gan，通过两组生成器和对抗器的相互约束与对杂波抑制前后雷达数据的动态鉴别，最终得到具备海杂波抑制功能的杂波抑制网络；现有技术仅基于复合k分布模型构建海杂波数据集，缺乏实测海杂波数据，可能导致抑制模型的泛化性能不足；由于高海况海杂波数据缺乏，基于深度学习模型的海杂波抑制方法容易出现过拟合的问题，对于样本量有限、但需要使用强大模型的复杂任务，在训练集上的损失小，在验证集或测试集上的损失较大；现有的基于深度学习的海杂波抑制方法大都是在二维图像数据上进行海杂波的抑制，模型的抑制性能不足；因此，目前的现有技术由于复杂海况样本不充分和模型泛化性能不足存在对高海况海杂波抑制性能不佳的问题。


技术实现要素：

5.本发明为克服上述现有技术对高海况海杂波抑制性能不佳的缺陷，提供一种基于深度学习的高海况海杂波抑制方法，能够显著改善模型对于高海况海杂波的抑制性能。
6.为解决上述技术问题，本发明的技术方案如下：
7.一种基于深度学习的高海况海杂波抑制方法，包括以下步骤：
8.s1：获取实测海杂波数据集；
9.s2：根据所述实测海杂波数据集，获得模拟海杂波数据集和实测高海况海杂波数据集；
10.s3：将所述模拟海杂波数据集和实测高海况海杂波数据集输入预设的高海况海杂波生成神经网络模型中进行对抗训练，获得一次优化的高海况海杂波生成神经网络模型；
11.s4：利用所述一次优化的高海况海杂波生成神经网络模型，获得一维高海况海杂波数据集和二维高海况海杂波数据集；
12.s5：将所述一维高海况海杂波数据集和二维高海况海杂波数据集输入一次优化的高海况海杂波生成神经网络模型中进行对抗训练，获得二次优化的高海况海杂波生成神经网络模型；
13.s6：获取待抑制的高海况海杂波数据，利用所述二次优化的高海况海杂波生成神经网络模型对待抑制的高海况海杂波数据进行抑制。
14.优选地，所述步骤s2中，根据所述实测海杂波数据集，获得模拟海杂波数据集和实测高海况海杂波数据集的具体方法为：
15.s2.1：根据海况等级将所述实测海杂波数据集d划分为实测低海况海杂波数据集d
l
和实测高海况海杂波数据集dh；
16.s2.2：在实测低海况海杂波数据集d
l
上叠加若干种分布的模拟海杂波，获得模拟海杂波数据集ds。
17.优选地，所述步骤s3中，所述预设的高海况海杂波生成神经网络模型具体为：
18.所述预设的高海况海杂波生成神经网络模型包括高海况海杂波生成网络g和高海况海杂波判别网络d；
19.所述高海况海杂波生成网络g包括依次连接的维度初始化模块、海杂波编码模块、若干个可形变注意力转换模块和海杂波解码模块；
20.所述维度初始化模块包括依次连接的第一全连接层和第一reshape层；
21.所述海杂波编码模块包括依次连接的第一卷积层、第一批归一化层、第一激活层和下采样层；
22.每个所述可形变注意力转换模块包括依次连接的第一可形变卷积层、第二批归一化层、第二激活层、注意力层、加权乘积点和第一残差加和点；第二激活层的输出端还与加权乘积点的输入端连接，第一可形变卷积层的输入端还与第一残差加和点的输入端连接；
23.所述海杂波解码模块包括依次连接的上采样层、第三批归一化层、第三激活层、第二卷积层和第四激活层。
24.所述高海况海杂波判别网络d包括依次连接的若干个海杂波下采样模块、若干个谱归一化卷积模块、若干个可形变卷积模块和海杂波分类模块；
25.每个所述海杂波下采样模块包括依次连接的第三卷积层、第四批归一化层、第五激活层和第二残差加和点；且第三卷积层的输入端还与第二残差加和点的输入端连接；
26.所述谱归一化卷积模块包括依次连接的第四卷积层、谱归一化层和第六激活层；
27.所述可形变卷积模块包括依次连接的第二可形变卷积层和第七激活层；
28.所述海杂波分类模块包括依次连接的第二reshape层、第二全连接层和第八激活层。
29.优选地，所述步骤s3中，将所述模拟海杂波数据集和实测高海况海杂波数据集输
入预设的高海况海杂波生成神经网络模型中进行对抗训练，获得一次优化的高海况海杂波生成神经网络模型，具体方法为：
30.s3.1：将所述模拟海杂波数据集和实测高海况海杂波数据集的并集作为一维真实样本集x
real
，对所述一维真实样本集x
real
进行时频谱转换，获得二维真实样本集z
real
；
31.s3.2：分别构建满足高斯分布的一维噪声样本集x
noise
和满足高斯分布的二维噪声样本集z
noise
；
32.s3.3：分别设置第一网络参数θ
g1
和第二网络参数θ
g2
并赋值给高海况海杂波生成网络g，获得一维生成网络g1和二维生成网络g2，分别设置第三网络参数θ
d1
和第四网络参数θ
d2
并赋值给高海况海杂波判别网络d，获得一维判别网络d1和二维判别网络d2；
33.s3.4：对一维噪声样本集x
noise
进行随机采样，获得一维采样噪声样本集并输入一维生成网络g1中，获得一维生成样本集和对应的一维生成样本标签集将一维生成样本标签集中的元素值置为0；对一维真实样本集x
real
进行随机采样，获得一维采样真实样本集和对应的一维真实样本标签集将一维真实样本标签集中的元素值置为1；
34.对所述二维噪声样本集z
noise
和进行随机采样，获得二维采样噪声样本集并输入二维生成网络g2中，获得二维生成样本集和对应的二维生成样本标签集将二维生成样本标签集中的元素值置为0；对二维真实样本集z
real
进行随机采样，获得二维采样真实样本集和对应的二维真实样本标签集将二维真实样本标签集中的元素值置为1；
35.其中，b为采样的样本个数；
36.s3.5：利用所述一维生成样本集和一维采样真实样本集训练一维判别网络d1，并设置第一判别损失函数，对一维判别网络d1进行优化，获得更新后的第三网络参数θ
′
d1
和优化后的一维判别网络d
′1；
37.利用所述二维生成样本集和二维采样真实样本集训练二维判别网络d2，并设置第二判别损失函数，对二维判别网络d2进行优化，获得更新后的第四网络参数θ
′
d2
和优化后的二维判别网络d
′2；
38.s3.6：对所述一维噪声样本集x
noise
再次进行随机采样，获得一维二次采样噪声样本集将所述一维二次采样噪声样本集输入一维生成网络g1中，输出一维二次生成样本集和对应的一维二次生成样本标签集将一维二次生成样本标签集中的元素值置为1；
39.对所述二维噪声样本集z
noise
再次进行随机采样，获得二维二次采样噪声样本集将所述二维二次采样噪声样本集输入二维生成网络g2中，输出二维二次生成样本集和对应的二维二次生成样本标签集将二维二次生成样本标签集中
的元素值置为1；
40.s3.7：利用所述一维二次生成样本集训练一维生成网络g1，并设置第一生成损失函数，对一维生成网络g1进行优化，获得更新后的第一网络参数θ
′
g1
和优化后的一维生成网络g
′1；
41.利用所述二维二次生成样本集训练二维生成网络g2，并设置第二生成损失函数，对二维生成网络g2进行优化，获得更新后的第二网络参数θ
′
g2
和优化后的二维生成网络g
′2；
42.s3.8：利用优化后的一维生成网络g
′1、优化后的一维判别网络d
′1、优化后的二维生成网络g
′2和优化后的二维判别网络d
′2获得一次优化的高海况海杂波生成神经网络模型。
43.优选地，所述步骤s4中，利用所述一次优化的高海况海杂波生成神经网络模型，获得一维高海况海杂波数据集和二维高海况海杂波数据集，具体方法为：
44.将所述一维噪声样本集x
noise
输入优化后的一维生成网络g
′1获得一维高海况海杂波数据集d
a1
；
45.将所述二维噪声样本集z
noise
输入优化后的二维生成网络g
′2获得二维高海况海杂波数据集d
a2
。
46.优选地，所述步骤s5中，将所述一维高海况海杂波数据集和二维高海况海杂波数据集输入一次优化的高海况海杂波生成神经网络模型中进行对抗训练，获得二次优化的高海况海杂波生成神经网络模型，具体方法为：
47.s5.1：对所述实测低海况海杂波数据集d
l
进行时频谱转换，获得二维低海况海杂波样本集sz
real
；
48.s5.2：分别将更新后的第一网络参数θ
′
g1
和更新后的第二网络参数θ
′
g2
赋值给高海况海杂波生成网络g，获得一维二次生成网络sg1和二维二次生成网络sg2，分别将更新后的第三网络参数θ
′
d1
和第四网络参数θ
′
d2
赋值给高海况海杂波判别网络d，获得一维二次判别网络sd1和二维二次判别网络sd2；
49.s5.3：对所述一维高海况海杂波数据集d
a1
进行随机采样，获得一维海杂波样本将所述一维海杂波样本输入一维二次生成网络sg1中，获得一维抑制样本和对应的一维抑制样本标签集将一维抑制样本标签集中的元素值置为0；对实测低海况海杂波数据集d
l
进行随机采样，获得一维低海况样本和对应的一维低海况样本标签集将一维低海况样本标签集中的元素值置为1；
50.对所述二维高海况海杂波数据集d
a2
进行随机采样，获得二维海杂波样本将所述二维海杂波样本输入二维二次生成网络sg2中，获得二维抑制样本和对应的二维抑制样本标签集将二维抑制样本标签集中的元素值置为0；对二维低海况海杂波样本集sz
real
进行随机采样，获得二维低海况样本和对应的二维低海况样本标签集将二维低海况样本标签集中的元素值置为1；
51.其中，r为采样的样本个数；
52.s5.4：利用所述一维抑制样本和一维低海况样本训练一维二次判别网络sd1，并设置第三判别损失函数，对一维二次判别网络sd1进行优化，获得二次更新后的第三网络参数θ
″
d1
和优化后的一维二次判别网络sd
′1；
53.利用所述二维抑制样本和二维低海况样本训练二维二次判别网络sd2，并设置第四判别损失函数，对二维二次判别网络sd2进行优化，获得二次更新后的第四网络参数θ
″
d2
和优化后的二维二次判别网络sd
′2；
54.s5.5：对所述一维高海况海杂波数据集d
a1
再次进行随机采样，获得一维二次采样海杂波样本将所述一维二次采样海杂波样本输入一维二次生成网络sg1中，获得一维二次抑制样本和对应的一维二次抑制样本标签集将一维二次抑制样本标签集中的元素值置为1；
55.对所述二维高海况海杂波数据集d
a2
再次进行随机采样，获得二维二次采样海杂波样本将所述二维二次采样海杂波样本输入二维二次生成网络sg2中，输出二维二次抑制样本和对应的二维二次抑制样本标签集将二维二次抑制样本标签集中的元素值置为1；
56.s5.6：利用所述一维二次抑制样本训练一维二次生成网络sg1，并设置第三生成损失函数，对一维二次生成网络sg1进行优化，获得二次更新后的第一网络参数θ
″
g1
和优化后的一维二次生成网络sg
′1；
57.利用所述二维二次抑制样本训练二维二次生成网络sg2，并设置第四生成损失函数，对二维二次生成网络sg2进行优化，获得二次更新后的第二网络参数θ
″
g2
和优化后的二维二次生成网络sg
′2；
58.s5.7：利用优化后的一维二次生成网络sg
′1、优化后的一维二次判别网络sd
′1、优化后的二维二次生成网络sg
′2和优化后的二维二次判别网络sd
′2获得二次优化的高海况海杂波生成神经网络模型。
59.优选地，所述步骤s3.7和步骤s5.6中对生成网络进行训练的具体方法为：
60.利用所述一维二次生成样本集训练一维生成网络g1的具体方法为：
61.将一维二次生成样本集输入优化后的一维判别网络d
′1中，获得第一生成预测标签利用第一生成预测标签和一维二次生成样本标签集计算第一生成损失函数值，对一维生成网络g1进行优化，获得更新后的第一网络参数θ
′
g1
和优化后的一维生成网络g
′1；
62.利用所述二维二次生成样本集训练二维生成网络g2的具体方法为：
63.将二维二次生成样本集输入优化后的二维判别网络d
′2中，获得第二生成预测标签利用第二生成预测标签和二维二次生成样本标签集计算第二生成损失函数值，对二维生成网络g2进行优化，获得更新后的第二网络参数θ
′
g2
和优化后的二
维生成网络g
′2；
64.利用所述一维二次抑制样本训练一维二次生成网络sg1的具体方法为：
65.将一维二次抑制样本输入优化后的一维二次判别网络sd
′1中，获得第三生成预测标签利用第三生成预测标签和一维二次抑制样本标签集计算第三损失函数值，对一维二次生成网络sg1进行优化，获得二次更新后的第一网络参数θ
″
g1
和优化后的一维二次生成网络sg
′1；
66.利用所述二维二次抑制样本训练二维二次生成网络sg2的具体方法为：
67.将二维二次抑制样本输入优化后的二维二次判别网络sd
′2中，获得第四生成预测标签利用第四生成预测标签和二维二次抑制样本标签集计算第四生成损失函数值，对二维二次生成网络sg2进行优化，获得二次更新后的第二网络参数θ
″
g2
和优化后的二维二次生成网络sg
′2。
68.优选地，所述步骤s3.5和步骤s3.7中的损失函数具体为：
69.所述第一判别损失函数具体为：
[0070][0071]
其中，表示第一判别损失函数值，x
real
和x
noise
分别表示一维真实样本集x
real
和一维噪声样本集x
noise
中的数据，和分别表示一维真实样本数据和一维噪声样本数据分布函数的数学期望；
[0072]
所述第二判别损失函数具体为：
[0073][0074]
其中，表示第二判别损失函数值，z
real
和z
noise
分别代表二维真实样本集z
real
和二维噪声样本集z
noise
中的数据，和分别表示二维真实样本数据和二维噪声样本数据分布函数的数学期望；
[0075]
所述第一生成损失函数具体为：
[0076][0077]
其中，表示第一生成损失函数值，表示二次采样的一维噪声样本集中的数据，表示二次采样的一维噪声样本数据分布函数的数学期望；
[0078]
所述第二生成损失函数具体为：
[0079][0080]
其中，表示第二生成损失函数值，表示二次采样的二维噪声样
本集中的数据，表示二次采样的二维噪声样本数据分布函数的数学期望。
[0081]
优选地，所述步骤s5.4和步骤s5.6中的损失函数具体为：
[0082]
所述第三判别损失函数具体为：
[0083][0084]
其中，为第三判别损失函数值，sx
real
为实测低海况海杂波数据集sx
real
中的数据，d
a1
为一维高海况海杂波数据集d
a1
中的数据，和分别表示实测低海况海杂波数据和一维高海况海杂波数据分布函数的数学期望；
[0085]
所述第四判别损失函数具体为：
[0086][0087]
其中，为第四判别损失函数值，sz
real
为sz
real
中的二维低海况海杂波数据，d
a2
为d
a2
中的二维高海况海杂波数据，和分别表示二维低海况海杂波数据和二维高海况海杂波数据分布函数的数学期望；
[0088]
所述第三生成损失函数具体为：
[0089][0090]
其中，为第三生成损失函数值，代表数据集中的二次采样的一维高海况海杂波数据，表示二次采样的一维高海况海杂波数据分布函数的数学期望；
[0091]
所述第四生成损失函数具体为：
[0092][0093]
其中，为第四生成损失函数值，代表数据集中的二次采样的二维高海况海杂波数据，表示二次采样的二维高海况海杂波数据分布函数的数学期望。
[0094]
优选地，所述步骤s6中，获取待抑制的高海况海杂波数据，利用所述二次优化的高海况海杂波生成神经网络模型对待抑制的高海况海杂波数据进行抑制，具体方法为：
[0095]
s6.1：实测获取待抑制的高海况海杂波数据t0；
[0096]
s6.2：将所述待抑制的高海况海杂波数据t0输入优化后的一维二次生成网络sg
′1，获得一维抑制后的高海况海杂波数据t1；
[0097]
s6.3：将一维抑制后的高海况海杂波数据t1进行时频谱转换，获得二维高海况海杂波数据t2；
[0098]
s6.4：将二维高海况海杂波数据t2输入优化后的二维二次生成网络sg
′2进行二维
抑制，获得抑制后的高海况海杂波数据。
[0099]
与现有技术相比，本发明技术方案的有益效果是：
[0100]
本发明提供一种基于深度学习的高海况海杂波抑制方法，包括：获取实测海杂波数据集；根据所述实测海杂波数据集，获得模拟海杂波数据集和实测高海况海杂波数据集；将所述模拟海杂波数据集和实测高海况海杂波数据集输入预设的高海况海杂波生成神经网络模型中进行对抗训练，获得一次优化的高海况海杂波生成神经网络模型；利用所述一次优化的高海况海杂波生成神经网络模型，获得一维高海况海杂波数据集和二维高海况海杂波数据集；将所述一维高海况海杂波数据集和二维高海况海杂波数据集输入一次优化的高海况海杂波生成神经网络模型中进行对抗训练，获得二次优化的高海况海杂波生成神经网络模型；获取待抑制的高海况海杂波数据，利用所述二次优化的高海况海杂波生成神经网络模型对待抑制的高海况海杂波数据进行抑制；
[0101]
本方法同时考虑实测和模拟的海杂波数据，一方面减少实测高海况海杂波样本的需求，减少耗时耗力的实测数据获取过程；另一方面帮助模型全面的学习高海况海杂波的物理特性和统计分布特性，生成更加真实的高海况海杂波数据样本，建立泛化能力更强的海杂波模型；
[0102]
另外，本方法基于深度学习对高海况海杂波数据进行抑制，同时对高海况海杂波生成模型二次训练，能够为高海况海杂波抑制模型提供大量的拟合真实高海况海杂波数据分布的样本，并减少抑制模型学习过程中的过拟合问题；
[0103]
除此之外，本方法结合海杂波的一维特性和二维特性，在两个维度上进行海杂波的抑制，学习更加丰富的特征，提高复杂海况下目标的检测效率，显著提高了高海况海杂波的抑制效果。
附图说明
[0104]
图1为实施例1所提供的一种基于深度学习的高海况海杂波抑制方法流程图。
[0105]
图2为实施例2所提供的高海况海杂波生成网络g的结构图。
[0106]
图3为实施例2所提供的高海况海杂波判别网络d的结构图。
具体实施方式
[0107]
附图仅用于示例性说明，不能理解为对本专利的限制；
[0108]
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
[0109]
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0110]
下面结合附图和实施例对本发明的技术方案做进一步的说明。
[0111]
实施例1
[0112]
如图1所示，本实施例提供一种基于深度学习的高海况海杂波抑制方法，包括以下步骤：
[0113]
s1：获取实测海杂波数据集；
[0114]
s2：根据所述实测海杂波数据集，获得模拟海杂波数据集和实测高海况海杂波数
据集；
[0115]
s3：将所述模拟海杂波数据集和实测高海况海杂波数据集输入预设的高海况海杂波生成神经网络模型中进行对抗训练，获得一次优化的高海况海杂波生成神经网络模型；
[0116]
s4：利用所述一次优化的高海况海杂波生成神经网络模型，获得一维高海况海杂波数据集和二维高海况海杂波数据集；
[0117]
s5：将所述一维高海况海杂波数据集和二维高海况海杂波数据集输入一次优化的高海况海杂波生成神经网络模型中进行对抗训练，获得二次优化的高海况海杂波生成神经网络模型；
[0118]
s6：获取待抑制的高海况海杂波数据，利用所述二次优化的高海况海杂波生成神经网络模型对待抑制的高海况海杂波数据进行抑制。
[0119]
在具体实施过程中，首先通过实测获取实测海杂波数据集，之后根据所述实测海杂波数据集，获得模拟海杂波数据集和实测高海况海杂波数据集；将所述模拟海杂波数据集和实测高海况海杂波数据集输入预设的高海况海杂波生成神经网络模型中进行对抗训练，获得一次优化的高海况海杂波生成神经网络模型；利用所述一次优化的高海况海杂波生成神经网络模型，获得一维高海况海杂波数据集和二维高海况海杂波数据集；将所述一维高海况海杂波数据集和二维高海况海杂波数据集输入一次优化的高海况海杂波生成神经网络模型中进行对抗训练，获得二次优化的高海况海杂波生成神经网络模型；最后获取待抑制的高海况海杂波数据，利用所述二次优化的高海况海杂波生成神经网络模型对待抑制的高海况海杂波数据进行抑制；
[0120]
本方法同时考虑实测和模拟的海杂波数据，一方面减少实测高海况海杂波样本的需求，减少耗时耗力的实测数据获取过程；另一方面帮助模型全面的学习高海况海杂波的物理特性和统计分布特性，生成更加真实的高海况海杂波数据样本，建立泛化能力更强的海杂波模型；另外，本方法基于深度学习对高海况海杂波数据进行抑制，同时对高海况海杂波生成模型二次训练，能够为高海况海杂波抑制模型提供大量的拟合真实高海况海杂波数据分布的样本，并减少抑制模型学习过程中的过拟合问题。
[0121]
实施例2
[0122]
本实施例提供一种基于深度学习的高海况海杂波抑制方法，包括以下步骤：
[0123]
s1：获取实测海杂波数据集；
[0124]
s2：根据所述实测海杂波数据集，获得模拟海杂波数据集和实测高海况海杂波数据集：
[0125]
s3：将所述模拟海杂波数据集和实测高海况海杂波数据集输入预设的高海况海杂波生成神经网络模型中进行对抗训练，获得一次优化的高海况海杂波生成神经网络模型；
[0126]
s4：利用所述一次优化的高海况海杂波生成神经网络模型，获得一维高海况海杂波数据集和二维高海况海杂波数据集；
[0127]
s5：将所述一维高海况海杂波数据集和二维高海况海杂波数据集输入一次优化的高海况海杂波生成神经网络模型中进行对抗训练，获得二次优化的高海况海杂波生成神经网络模型；
[0128]
s6：获取待抑制的高海况海杂波数据，利用所述二次优化的高海况海杂波生成神经网络模型对待抑制的高海况海杂波数据进行抑制。
[0129]
在具体实施过程中，首先通过实测获取500份实测海杂波数据并整合得到实测海杂波数据集d＝{d1,d2,
···
,d
500
}；
[0130]
根据数据收集时的海况等级a划分500份实测海杂波数据，并设置海况等级阈值a，如果a《a，则将实测海杂波数据划分到实测低海况海杂波数据集d
l
，否则，将实测海杂波数据划分到实测高海况海杂波数据集dh；本实施例中，a＝5，最终得到400份低海况海杂波数据和100份高海况海杂波数据集
[0131]
之后在实测低海况海杂波数据集d
l
中随机采样100个低海况海杂波数据样本，并分别叠加基于k分布、对数正态分布和韦布尔分布的3种模拟海杂波得到300份模拟海杂波数据
[0132]
本实施例预设有高海况海杂波生成神经网络模型，具体包括高海况海杂波生成网络g和高海况海杂波判别网络d；
[0133]
如图2所示，所述高海况海杂波生成网络g包括依次连接的维度初始化模块、海杂波编码模块、若干个可形变注意力转换模块和海杂波解码模块；
[0134]
所述维度初始化模块包括依次连接的第一全连接层和第一reshape层；
[0135]
所述海杂波编码模块包括依次连接的第一卷积层、第一批归一化层、第一激活层和下采样层；
[0136]
每个所述可形变注意力转换模块包括依次连接的第一可形变卷积层、第二批归一化层、第二激活层、注意力层、加权乘积点和第一残差加和点；第二激活层的输出端还与加权乘积点的输入端连接，第一可形变卷积层的输入端还与第一残差加和点的输入端连接；
[0137]
所述海杂波解码模块包括依次连接的上采样层、第三批归一化层、第三激活层、第二卷积层和第四激活层。
[0138]
如图3所示，所述高海况海杂波判别网络d包括依次连接的若干个海杂波下采样模块、若干个谱归一化卷积模块、若干个可形变卷积模块和海杂波分类模块；
[0139]
每个所述海杂波下采样模块包括依次连接的第三卷积层、第四批归一化层、第五激活层和第二残差加和点；且第三卷积层的输入端还与第二残差加和点的输入端连接；
[0140]
所述谱归一化卷积模块包括依次连接的第四卷积层、谱归一化层和第六激活层；
[0141]
所述可形变卷积模块包括依次连接的第二可形变卷积层和第七激活层；
[0142]
所述海杂波分类模块包括依次连接的第二reshape层、第二全连接层和第八激活层；
[0143]
将所述模拟海杂波数据集ds和实测高海况海杂波数据集dh输入预设的高海况海杂波生成神经网络模型中进行对抗训练，获得一次优化的高海况海杂波生成神经网络模型，具体方法为：
[0144]
s3.1：将所述模拟海杂波数据集ds和实测高海况海杂波数据集dh的并集作为一维真实样本集对所述一维真实样本集x
real
进行时频谱转换，获得二维真实样本集其中，短时傅里叶变换的计算公式为：
[0145]
[0146]
其中ω(t)是窗函数，x(t)是待转变的信号，x(t,ω)是ω(t-τ)x(τ)的傅里叶变换；
[0147]
s3.2：分别构建满足高斯分布的一维噪声样本集x
noise
和满足高斯分布的二维噪声样本集z
noise
，其中且且且
[0148]
s3.3：分别设置第一网络参数θ
g1
和第二网络参数θ
g2
并赋值给高海况海杂波生成网络g，获得一维生成网络g1和二维生成网络g2，分别设置第三网络参数θ
d1
和第四网络参数θ
d2
并赋值给高海况海杂波判别网络d，获得一维判别网络d1和二维判别网络d2，其中，θ
g1
,θ
d1
,θ
g2
,本实施例中，单次训练采样样本数b＝50；
[0149]
s3.4：对一维噪声样本集x
noise
进行随机采样，获得一维采样噪声样本集并输入一维生成网络g1中，获得一维生成样本集和对应的一维生成样本标签集和对应的一维生成样本标签集将一维生成样本标签集中的元素值置为0；对一维真实样本集x
real
进行随机采样，获得一维采样真实样本集和对应的一维真实样本标签集将一维真实样本标签集中的元素值置为1；对所述二维噪声样本集z
noise
和进行随机采样，获得二维采样噪声样本集并输入二维生成网络g2中，获得二维生成样本集和对应的二维生成样本标签集和对应的二维生成样本标签集将二维生成样本标签集中的元素值置为0；对二维真实样本集z
real
进行随机采样，获得二维采样真实样本集和对应的二维真实样本标签集将二维真实样本标签集中的元素值置为1；
[0150]
s3.5：利用所述一维生成样本集和一维采样真实样本集训练一维判别网络d1，并设置第一判别损失函数，对一维判别网络d1进行优化，获得更新后的第三网络参数θ
′
d1
和优化后的一维判别网络d
′1，具体为：
[0151]
将一维生成样本集和一维采样真实样本集输入一维判别网络d1中，输出第一判别预测标签集将一维生成样本标签集一维真实样本标签集和第一判别预测标签集输入第一判别损失函数计算第一判别损失，对一维判别网络d1进行优化，获得更新后的第三网络参数θ
′
d1
和优化后的一维判别网络d
′1，其中，第一判别损失函数具体为：
[0152][0153]
其中，表示第一判别损失函数值，x
real
和x
noise
分别表示一维真实样本
集x
real
和一维噪声样本集x
noise
中的数据，和分别表示一维真实样本数据和一维噪声样本数据分布函数的数学期望；
[0154]
利用所述二维生成样本集和二维采样真实样本集训练二维判别网络d2，并设置第二判别损失函数，对二维判别网络d2进行优化，获得更新后的第四网络参数θ
′
d2
和优化后的二维判别网络d
′2，具体为：
[0155]
将二维生成样本集和二维采样真实样本集输入二维判别网络d2中，输出第二判别预测标签集将二维生成样本标签集二维真实样本标签集和第二判别预测标签集输入第二判别损失函数计算第二判别损失，对二维判别网络d2进行优化，获得更新后的第四网络参数θ
′
d2
和优化后的二维判别网络d
′2，其中，第二判别损失函数具体为：
[0156][0157]
其中，表示第二判别损失函数值，z
real
和z
noise
分别代表二维真实样本集z
real
和二维噪声样本集z
noise
中的数据，和分别表示二维真实样本数据和二维噪声样本数据分布函数的数学期望；
[0158]
s3.6：对所述一维噪声样本集x
noise
再次进行随机采样，获得一维二次采样噪声样本集将所述一维二次采样噪声样本集输入一维生成网络g1中，输出一维二次生成样本集中，输出一维二次生成样本集和对应的一维二次生成样本标签集将一维二次生成样本标签集中的元素值置为1；
[0159]
对所述二维噪声样本集z
noise
再次进行随机采样，获得二维二次采样噪声样本集将所述二维二次采样噪声样本集输入二维生成网络g2中，输出二维二次生成样本集和对应的二维二次生成样本标签集生成样本标签集将二维二次生成样本标签集中的元素值置为1；
[0160]
s3.7：利用所述一维二次生成样本集训练一维生成网络g1，并设置第一生成损失函数，对一维生成网络g1进行优化，获得更新后的第一网络参数θ
′
g1
和优化后的一维生成网络g
′1，具体为：
[0161]
将一维二次生成样本集输入优化后的一维判别网络d
′1中，获得第一生成预测标签利用第一生成预测标签和一维二次生成样本标签集计算第一生成损失函数值，对一维生成网络g1进行优化，获得更新后的第一网络参数θ
′
g1
和优化后的一维生成网络g
′1，其中，第一生成损失函数具体为：
[0162][0163]
其中，表示第一生成损失函数值，表示二次采样的一维噪声样本集中的数据，表示二次采样的一维噪声样本数据分布函数的数学期望；
[0164]
利用所述二维二次生成样本集训练二维生成网络g2，并设置第二生成损失函数，对二维生成网络g2进行优化，获得更新后的第二网络参数θ
′
g2
和优化后的二维生成网络g
′2，具体为：
[0165]
将二维二次生成样本集输入优化后的二维判别网络d
′2中，获得第二生成预测标签利用第二生成预测标签和二维二次生成样本标签集计算第二生成损失函数值，对二维生成网络g2进行优化，获得更新后的第二网络参数θ
′
g2
和优化后的二维生成网络g
′2，其中，第二生成损失函数具体为：
[0166][0167]
其中，表示第二生成损失函数值，表示二次采样的二维噪声样本集中的数据，表示二次采样的二维噪声样本数据分布函数的数学期望；
[0168]
s3.8：利用优化后的一维生成网络g
′1、优化后的一维判别网络d
′1、优化后的二维生成网络g
′2和优化后的二维判别网络d
′2获得一次优化的高海况海杂波生成神经网络模型。
[0169]
之后将所述一维噪声样本集x
noise
输入优化后的一维生成网络g
′1获得400份一维高海况海杂波数据
[0170]
将所述二维噪声样本集z
noise
输入优化后的二维生成网络g
′2获得400份二维高海况海杂波数据
[0171]
之后将所述一维高海况海杂波数据集d
a1
和二维高海况海杂波数据集d
a2
输入一次优化的高海况海杂波生成神经网络模型中进行对抗训练，获得二次优化的高海况海杂波生成神经网络模型，具体为：
[0172]
s5.1：对所述实测低海况海杂波数据集d
l
进行时频谱转换，获得二维低海况海杂波样本集sz
real
；
[0173]
s5.2：分别将更新后的第一网络参数θ
′
g1
和更新后的第二网络参数θ
′
g2
赋值给高海况海杂波生成网络g，获得一维二次生成网络sg1和二维二次生成网络sg2，分别将更新后的第三网络参数θ
′
d1
和第四网络参数θ
′
d2
赋值给高海况海杂波判别网络d，获得一维二次判别网络sd1和二维二次判别网络sd2，本实施例中，单次训练采样样本数c＝50；
[0174]
s5.3：对所述一维高海况海杂波数据集d
a1
进行随机采样，获得一维海杂波样本将所述一维海杂波样本输入一维二次生成网络sg1中，获得一维抑制样本和对应的一维抑制样本标签集将一维抑制样本标签集中的元素值置为0；对实测
低海况海杂波数据集d
l
进行随机采样，获得一维低海况样本和对应的一维低海况样本标签集和对应的一维低海况样本标签集将一维低海况样本标签集中的元素值置为1；
[0175]
对所述二维高海况海杂波数据集d
a2
进行随机采样，获得二维海杂波样本将所述二维海杂波样本输入二维二次生成网络sg2中，获得二维抑制样本和对应的二维抑制样本标签集将二维抑制样本标签集中的元素值置为0；对二维低海况海杂波样本集sz
real
进行随机采样，获得二维低海况样本和对应的二维低海况样本标签集和对应的二维低海况样本标签集将二维低海况样本标签集中的元素值置为1；
[0176]
s5.4：利用所述一维抑制样本和一维低海况样本训练一维二次判别网络sd1，并设置第三判别损失函数，对一维二次判别网络sd1进行优化，获得二次更新后的第三网络参数θ
″
d1
和优化后的一维二次判别网络sd
′1，具体为：
[0177]
将一维抑制样本和一维低海况样本输入一维二次判别网络sd1中，输出第三判别预测标签将一维抑制样本标签集一维低海况样本标签集和第三判别预测标签输入第三判别损失函数计算第三判别损失，对一维二次判别网络sd1进行优化，获得二次更新后的第三网络参数θ
″
d1
和优化后的一维二次判别网络sd
′1，其中，第三判别损失函数具体为：
[0178][0179]
其中，为第三判别损失函数值，sx
real
为实测低海况海杂波数据集sx
real
中的数据，d
a1
为一维高海况海杂波数据集d
a1
中的数据，和分别表示实测低海况海杂波数据和一维高海况海杂波数据分布函数的数学期望；
[0180]
利用所述二维抑制样本和二维低海况样本训练二维二次判别网络sd2，并设置第四判别损失函数，对二维二次判别网络sd2进行优化，获得二次更新后的第四网络参数θ
″
d2
和优化后的二维二次判别网络sd
′2，具体为：
[0181]
将二维抑制样本和二维低海况样本输入二维二次判别网络sd2中，输出第四判别预测标签集将二维抑制样本标签集二维低海况样本标签集和第四判别预测标签集输入第四判别损失函数计算第四判别损失，对二维二次判别网络sd2进行优化，获得二次更新后的第四网络参数θ
″
d2
和优化后的二维二次判别网络sd
′2，其中，第四判别损失函数具体为：
[0182][0183]
其中，为第四判别损失函数值，sz
real
为sz
real
中的二维低海况海杂波数据，d
a2
为d
a2
中的二维高海况海杂波数据，和分别表示二维低海况海杂波数据和二维高海况海杂波数据分布函数的数学期望；
[0184]
s5.5：对所述一维高海况海杂波数据集d
a1
再次进行随机采样，获得一维二次采样海杂波样本将所述一维二次采样海杂波样本输入一维二次生成网络sg1中，获得一维二次抑制样本中，获得一维二次抑制样本和对应的一维二次抑制样本标签集维二次抑制样本标签集将一维二次抑制样本标签集中的元素值置为1；
[0185]
对所述二维高海况海杂波数据集d
a2
再次进行随机采样，获得二维二次采样海杂波样本将所述二维二次采样海杂波样本输入二维二次生成网络sg2中，输出二维二次抑制样本和对应的二维二次抑制样本标签集将二维二次抑制样本标签集中的元素值置为1；
[0186]
s5.6：利用所述一维二次抑制样本训练一维二次生成网络sg1，并设置第三生成损失函数，对一维二次生成网络sg1进行优化，获得二次更新后的第一网络参数θ
″
g1
和优化后的一维二次生成网络sg
′1，具体为：
[0187]
将一维二次抑制样本输入优化后的一维二次判别网络sd
′1中，获得第三生成预测标签利用第三生成预测标签和一维二次抑制样本标签集计算第三损失函数值，对一维二次生成网络sg1进行优化，获得二次更新后的第一网络参数θ
″
g1
和优化后的一维二次生成网络sg
′1，其中，第三生成损失函数具体为：
[0188][0189]
其中，为第三生成损失函数值，代表数据集中的二次采样的一维高海况海杂波数据，表示二次采样的一维高海况海杂波数据分布函数的数学期望；
[0190]
利用所述二维二次抑制样本训练二维二次生成网络sg2，并设置第四生成损失函数，对二维二次生成网络sg2进行优化，获得二次更新后的第二网络参数θ
″
g2
和优化后的二维二次生成网络sg
′2，具体为：
[0191]
将二维二次抑制样本输入优化后的二维二次判别网络sd
′2中，获得第四生成预测标签利用第四生成预测标签和二维二次抑制样本标签集计算
第四生成损失函数值，对二维二次生成网络sg2进行优化，获得二次更新后的第二网络参数θ
″
g2
和优化后的二维二次生成网络sg
′2，其中，第四生成损失函数具体为：
[0192][0193]
其中，为第四生成损失函数值，代表数据集中的二次采样的二维高海况海杂波数据，表示二次采样的二维高海况海杂波数据分布函数的数学期望；
[0194]
s5.7：利用优化后的一维二次生成网络sg
′1、优化后的一维二次判别网络sd
′1、优化后的二维二次生成网络sg
′2和优化后的二维二次判别网络sd
′2获得二次优化的高海况海杂波生成神经网络模型；
[0195]
最后获取待抑制的高海况海杂波数据，利用所述二次优化的高海况海杂波生成神经网络模型对待抑制的高海况海杂波数据进行抑制，具体方法为：
[0196]
s6.1：实测获取待抑制的高海况海杂波数据t0；
[0197]
s6.2：将所述待抑制的高海况海杂波数据t0输入优化后的一维二次生成网络sg
′1，获得一维抑制后的高海况海杂波数据t1；
[0198]
s6.3：将一维抑制后的高海况海杂波数据t1进行时频谱转换，获得二维高海况海杂波数据t2；
[0199]
s6.4：将二维高海况海杂波数据t2输入优化后的二维二次生成网络sg
′2进行二维抑制，获得抑制后的高海况海杂波数据；
[0200]
本方法同时考虑实测和模拟的海杂波数据，一方面减少实测高海况海杂波样本的需求，减少耗时耗力的实测数据获取过程；另一方面帮助模型全面的学习高海况海杂波的物理特性和统计分布特性，生成更加真实的高海况海杂波数据样本，建立泛化能力更强的海杂波模型；另外，本方法基于深度学习对高海况海杂波数据进行抑制，同时对高海况海杂波生成模型二次训练，能够为高海况海杂波抑制模型提供大量的拟合真实高海况海杂波数据分布的样本，并减少抑制模型学习过程中的过拟合问题；除此之外，本方法结合海杂波的一维特性和二维特性，在两个维度上进行海杂波的抑制，学习更加丰富的特征，提高复杂海况下目标的检测效率，显著提高了高海况海杂波的抑制效果。
[0201]
相同或相似的标号对应相同或相似的部件；
[0202]
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
[0203]
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。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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。