[发明专利]基于深度残差分离卷积网络的二次雷达信号去噪方法

权利要求书

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和池化层构成，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，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。