基于深度残差分离卷积网络的二次雷达信号去噪方法.pdf

《基于深度残差分离卷积网络的二次雷达信号去噪方法.pdf》由会员分享，可在线阅读，更多相关《基于深度残差分离卷积网络的二次雷达信号去噪方法.pdf（8页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010516985.9 (22)申请日 2020.06.09 (71)申请人 电子科技大学 地址 611731 四川省成都市高新西区西源 大道2006号 (72)发明人 沈晓峰都雪廖阔许天奇 (74)专利代理机构 成都点睛专利代理事务所 (普通合伙) 51232 代理人 孙一峰 (51)Int.Cl. G01S 13/78(2006.01) G01S 13/76(2006.01) G01S 13/91(2006.01) G01S 7/41(2006.01) G01S 7/2。

2、92(2006.01) (54)发明名称 基于深度残差分离卷积网络的二次雷达信 号去噪方法 (57)摘要 本发明属于雷达技术领域， 具体的说是一种 基于深度残差分离卷积网络的二次雷达信号去 噪处理方法。 本发明首先对二次雷达应答信号进 行预处理， 对数据进行数据集划分， 归一化和向 量化。 随后基于深度学习方法， 构建了一种深度 残差分离卷积神经网络， 包括浅层特征提取， 下 采样深层特征提取， 上采样特征融合三个部分。 采用深度残差连接的可分离卷积神经网络， 有效 提取二次雷达信号的深层特征。 最后将数据输入 网络中， 预测出二次雷达应答信号。 本发明在二 次雷达正常工作环境中具有很高的去噪。

3、性能， 能 够准确预测出二次雷达应答信号， 确保二次雷达 信号的正确解码译码。 权利要求书1页 说明书3页 附图3页 CN 111610518 A 2020.09.01 CN 111610518 A 1.基于深度残差分离卷积网络的二次雷达信号去噪方法， 其特征在于， 包括以下步骤： S1、 构造训练集： 将 解 调 后的 加入 高 斯白 噪 声的 二 次 雷 达 应 答 信 号 作 为 训练 数 据 集 ， 记 作 其中N代表信号样本数， K代表信号时间步长， 未加 入噪声的原始二次雷达应答信号作为标签， 记作 按比例划分为训练数据集和验证数据集； 将应答信号训练样本数据进行随机打乱， 对样本。

4、数据X和标签Y进行维度扩展， 形成形 式为(n， t， f)的3D张量， 其中n表示样本数目， t表示时间步长， f表示特征层数目； 对数据进行归一化， 将数据的所有特征映射到同一尺度之间， 得到训练集和验证集； S2、 构建深度残差分离卷积神经网络， 包括浅层特征提取部分、 下采样深层特征提取部 分和上采样特征融合部分； 所述浅层特征提取部分由两个串联的卷积层组成； 所述下采样深层特征提取部分由残差可分离单元构成， 分为两个部分， 第一部分包括 多个残差可分离单元和池化层， 池化层位于相邻的残差可分离单元之间， 第一层残差可分 离单元的输入为浅层特征提取部分的输出； 第二部分包括多个残差可分。

5、离单元， 第二部分 的第一层残差可分离单元的输入为第一部分最后一层残差可分离单元的输出， 且第二部分 的残差可分离单元与第一部分的残差可分离单元相对应进行残差连接， 即第一部分的第x 层残差可分离单元与第二部分的第n-x+1层残差可分离单元残差连接， n为第一部分和第二 部分的残差可分离单元数量； 所述上采样特征融合部分包括两个上采样层和三个卷积层， 两个上采样层和两个卷积 层依次交替连接， 经过两次上采样过程恢复时间步长， 并结合卷积神经网络进行特征融合， 最后一层卷积层的激活函数采用sigmoid； S3、 采用训练集对构建深度残差分离卷积神经网络进行训练， 并采用验证集对超参数 进行调整。

6、， 获得训练好的深度残差分离卷积神经网络， 损失函数采用均方误差MSE； S4、 将获得的二次雷达应答信号输入训练好的深度残差分离卷积神经网络， 即可获得 去噪后的二次雷达应答信号。 权利要求书 1/1 页 2 CN 111610518 A 2 基于深度残差分离卷积网络的二次雷达信号去噪方法 技术领域 0001 本发明属于雷达技术领域， 具体的说是一种深度残差分离卷积网络的二次雷达信 号去噪方法。 背景技术 0002 二次雷达在航空交通管制， 敌我识别和信标跟踪等很多方面都得到了广泛的应 用。 相比于一次雷达， 采用单脉冲技术的二次雷达可以更加准确的测量空中目标的距离和 方位， 通过对询问信号。

7、的应答而发现目标。 在实际情况中， 二次雷达的信号环境包括目标， 环境回波和人为的有源及无源干扰所产生的噪声干扰。 噪声叠加到有用信号上， 当发射功 率一定时， 传输损耗较大时， 信号变得相当微弱， 严重影响到信号接收的清晰度， 导致电波 传输的稳定性和可靠性降低， 极大影响应答信号的正确解码译码。 如今二次雷达应答信号 的处理基本上使用的都是传统的信号处理方法， 使用深度学习神经网络去噪的方法少之又 少。 发明内容 0003 本发明的目的是针对上述问题， 提出是一种深度残差分离卷积网络的二次雷达信 号去噪方法， 主要是基于深度学习算法， 构造一种深度残差分离卷积神经网络， 通过深度神 经网络。

8、的学习， 提取二次雷达信号的深层特征， 有效抑制二次雷达信号中的噪声。 0004 本发明采用的技术方案是， 基于深度残差分离卷积网络的二次雷达信号去噪方 法， 包括以下步骤： 0005 S1、 构造训练数据集： 0006 将解调后的加入高斯白噪声的二次雷达应答信号作为训练数据集， 记作 其中N代表信号样本数， K代表信号时间步长， 未加 入噪声的原始二次雷达应答信号作为标签， 记作 按比例划分为训练数据集和验证数据集； 0007 将应答信号训练样本数据进行随机打乱， 对样本数据X和标签Y进行维度扩展， 形 成形式为(n， t， f)的3D张量， 其中n表示样本数目， t表示时间步长， f表示特。

9、征层数目； 0008 对数据进行归一化， 将数据的所有特征映射到同一尺度(0-1)之间， 获得训练集和 验证集； 归一化公式： 0009 0010 S2、 构建深度残差分离卷积神经网络， 包括浅层特征提取部分、 下采样深层特征提 取部分和上采样特征融合部分； 0011 所述浅层特征提取部分由两个卷积网络叠加组成； 卷积神经网络在时间序列处理 上可以很好地提取特征。 卷积公式为： 说明书 1/3 页 3 CN 111610518 A 3 0012 yf( )g(x- )d 0013 所述下采样深层特征提取部分由残差可分离单元(SERE-Unit)构成， 分为两个部 分， 第一部分包括多个残差可分。

10、离单元和池化层， 池化层位于相邻的残差可分离单元之间， 第一层残差可分离单元的输入为浅层特征提取部分的输出； 第二部分包括多个残差可分离 单元， 第二部分的第一层残差可分离单元的输入为第一部分最后一层残差可分离单元的输 出， 且第二部分的残差可分离单元与第一部分的残差可分离单元相对应进行残差连接， 即 第一部分的第x层残差可分离单元与第二部分的第n-x+1层残差可分离单元残差连接， n为 第一部分和第二部分的残差可分离单元数量； 0014 残差可分离单元由深度可分离卷积的残差连接构成。 残差连接是将上一层的输出 张量与下一层的输出张量相加， 从而将前面的表示重新注入下流数据流中， 这有助于信息。

11、 处理流程中的信息损失。 深度可分离卷积对输入的每个通道分别执行空间卷积， 然后通过 逐点卷积(1*1卷积)将输出通道混合。 0015 深度特征提取的第一部分， 每经过一个SERE-Unit， 特征层增加为原来的两倍， 并 且连续两次池化进行下采样， 有效去除冗余参数。 第二部分， 特征层逐渐减半， 每经过一个 SERE-Unit， 和第一部分对应各个特征层进行残差连接。 0016 所述上采样特征融合部分包括两个上采样层和三个卷积层， 2个上采样层和2个卷 积层依次交替连接， 经过两次上采样过程恢复时间步长， 并结合卷积神经网络进行特征融 合， 最后一层卷积层的激活函数采用sigmoid； 0。

12、017 S3、 采用训练集对构建深度残差分离卷积神经网络进行训练， 并采用验证集对超 参数进行调整， 获得训练好的深度残差分离卷积神经网络， 损失函数采用均方误差MSE， 公 式为： 0018 0019 其中y 代表预测值， y代表真实值， 即求一个batch中n个样本输出和期望输出的差 的平方的平均值； 0020 S4、 将获得的二次雷达应答信号输入训练好的深度残差分离卷积神经网络， 即可 获得去噪后的二次雷达应答信号。 0021 本发明的有益效果为， 该方法在雷达正常工作环境中具有很高的去噪性能， 能够 准确预测出二次雷达应答信号。 信噪比为5dB时， 正确率可达94， 信噪比高于10db。

13、时， 正确 率达到99.95以上。 附图说明 0022 图1为深度残差分离卷积网络模型结构示意图； 0023 图2为深度可分离卷积结构示意图； 0024 图3为残差可分离单元(SERE-Unit)示意图； 0025 图4为基于深度残差分离卷积网络的二次雷达信号处理流程图。 说明书 2/3 页 4 CN 111610518 A 4 具体实施方式 0026 下面结合附图和实施例对本发明的技术方案做进一步详细描述： 0027 实施例 0028 第一步： 数据预处理： 0029 将加入信噪比SNR5的高斯白噪声的二次雷达应答信号作为训练数据集， 未加入 噪声的应答信号作为训练标签。 数据总数为6000。

14、0。 0030 数据集以(0.6,0.2,0.2)的比例划分为训练集， 验证集， 测试集。 0031 将应答信号训练样本数据进行随机打乱， 对批量数据进行维度扩展， 形成带有时 间轴的3D张量(samples,timesteps,features)。 0032 对训练数据进行归一化。 0033 第二步： 构建深度残差可分离神经网络： 0034 图1为深度残差可分离网络模型结构示意图， 包括浅层特征提取， 下采样深层特征 提取， 上采样特征融合三个部分。 0035 浅层特征提取部分， 由两个卷积神经网络CNN构成， 可以学习到二次雷达应答信号 的浅层特征。 0036 下采样深层特征提取部分， 由。

15、残差可分离单元(SERE-Unit)的深度残差来连接构 成。 残差可分离单元由深度可分离卷积的残差连接构成。 图2为深度可分离卷积的结构示意 图。 深度可分离卷积对输入的每个通道分别执行空间卷积， 然后通过逐点卷积(1*1卷积)将 输出通道混合。 连续两次池化进行下采样， 有效去除冗余参数。 后半部分特征层逐渐减半， 每经过一个SERE-Unit， 和上半部分对应各个特征层进行残差连接。 0037 上采样特征融合部分。 经过两次上采样过程恢复时间步长， 并结合卷积神经网络 进行特征融合。 最后一层的激活函数采用sigmoid。 0038 第三步： 网络训练及性能优化： 0039 将训练数据输入。

16、构建的深度残差可分离网络中， 损失函数采用均方误差MSE,初始 学习率设为0.0001， batchsize4,训练网络使得损失函数最小， 保存网络。 0040 第四步： 二次雷达应答信号预测： 0041 将测试数据输入到训练好的网络中， 输出预测信号。 0042 使用SNR-5,SNR0,SNR5,SNR10,SNR15,SNR20各种不同噪声环境的二 次雷达应答信号数据进行大量实验， 测试得到本发明具有很高的去噪性能， 能够准确预测 出二次雷达应答信号。 信噪比为5dB时， 正确率可达94， 信噪比高于10db时， 正确率达到 99.95以上。 说明书 3/3 页 5 CN 111610518 A 5 图1 说明书附图 1/3 页 6 CN 111610518 A 6 图2 图3 说明书附图 2/3 页 7 CN 111610518 A 7 图4 说明书附图 3/3 页 8 CN 111610518 A 8 。