[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

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。

技术领域

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

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

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。

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：

S1、构造训练数据集：

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(0-1)之间，获得训练集和验证集；归一化公式：

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：

y＝∑f(τ)g(x-τ)dτ

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；

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。