[发明专利]基于深度四通道网络的二次雷达信号处理方法

说明书

本发明属于雷达技术领域，具体的说是一种基于深度四通道网络的二次雷达信号去噪处理方法。具体方案为：首先准备二次雷达应答信号数据集，并进行数据集划分和数据集预处理。随后基于深度学习构建了一种新型深度四通道神经网络，由四个神经支路并联构成。四个通路可将学习到的不同深层信号特征进行充分融合，减少特征损失。最后将二次雷达测试数据输入深度四通道神经网络中，对噪声进行抑制。预测出时序应答信号。本发明具有很高的去噪性能，满足二次雷达接收应答信号时进行噪声抑制的需求。

技术领域

本发明属于雷达技术领域，具体的说是一种基于深度四通道网络的二次雷达信号处理方法。

背景技术

二次雷达是由询问雷达和应答雷达所组成的无线电电子测位和辨认系统。询问雷达发射电磁波，应答雷达接收到询问电磁波后被触发，发射应答电磁波，询问雷达根据接收到的应答电磁而工作，实现识辨和测位。二次雷达的询问雷达和目标上的应答雷达之间按主动扫描询问和被动应答配合工作。询问雷达一般固定在地面，其扫描波束的脉冲用询问信号编码，应答雷达的应答脉冲带有自身代号的编码。询问脉冲和应答脉冲的载波频率是不同的，因而可防止误收发射波。

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。地面设备从空间接收回来的信号不可能只含有有用信号，在传输过程中，会有各种噪声与有用信号混在一起，噪声与信号并存于信道中，对传输来说是有害的，它的存在使模拟信号发生失真，数字信号发生误码，数据传输率也受影响。因此，抑制二次雷达信号中的杂波噪声信号对二次雷达信号的正确解码尤为重要。

发明内容

本发明的目的是基于深度学习算法，构造一种深度四通道神经网络，提供一种能够有效抑制二次雷达应答信号中噪声的方法。

本发明采用的技术方案是，基于深度四通道网络的二次雷达信号处理方法，包括以下步骤：

S1、构造训练集和验证集：

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，公式：将数据的所有特征映射到同一尺度0-1之间，得到训练集和验证集；

S2、构建深度四通道神经网络，包括初步特征提取部分、深层特征提取部分和上采样部分；

所述初步特征提取部分包括两个串联的卷积核尺寸为1*3，特征层数目均为64的宽卷积神经网络；

所述深层特征提取部分包括并联的四个结构相同的支路，每个支路由5个卷积层和2个池化层构成，5个卷积层的特征层数量由小变大，再由大变小，依次为64，128，256，512和64，每经两个卷积层进行一次池化操作，避免参数数量过大和冗余，每条支路输出参数尺寸为(n,128,64)，四条支路的输出融合在一起作为深层特征提取部分的输出，由于每个支路的参数即学习到的特征不完全相同，四个支路相互融合，减少处理流程中的特征损失；

所述上采样部分包括2个上采样层和3个卷积层，2个上采样层和2个卷积层依次交替连接，将深层特征提取部分输出的数据尺寸进行恢复，由于深层特征提取部分的两次池化，将时间步长缩短为128，因此连接两个上采样层，将数据尺寸恢复为(n,128,64)，最后连接特征层数目为1，卷积核尺寸为1*1的卷积层，激活函数采用sigmoid；