[发明专利]基于二通道残差深度神经网络的二次雷达信号处理方法

权利要求书

1.基于二通道残差深度网络的二次雷达信号处理方法，其特征在于，包括以下步骤：

S1、构造训练集和验证集：

将加入高斯白噪声并经过解调后的二次雷达应答时序信号作为训练数据集，记作其中N代表信号样本数，Z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，对样本数据和标签进行维度扩展，形成形式为(n，t，g)的3D张量，其中n表示样本数目，t表示时间步长，g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、构建二通道残差深度神经网络，依次包括浅层特征提取部分、深层特征提取部分和上采样部分；

所述浅层特征提取部分包括两个串联的卷积核大小为1*3，数据张量尺寸均为(n,512,64)的卷积层；

所述深层特征提取部分包括并联的两个结构相同的支路，每个支路包含7个一维度卷积层，2个pooling池化层和3个残差相加连接层，7个一维度卷积层的数据张量尺寸依次为(n,512,128)、(n,512,128)、(n,256,256)、(n,256,256)、(n,128,128)、n,128,128)、(n,128,64)；数据每经过2个卷积神经单元进行一次残差相加，将前面的输出张量重新注入到下游数据流中，前两次残差相加后进行一次pool_size＝2的最大池化运算将训练参数数量下采样2倍，第三次残差相加后输入第7个卷积层，两个通道第7个卷积层的输出张量进行连接，构成深层特征提取部分的输出；

所述上采样部分包括两个上采样层和三个卷积层，上采样层与卷积层交替连接，逐步恢复张量的时间步长为512，最后一层卷积层的卷积核尺寸为1*1，特征层数量为1，输出预测时序信号数据，张量尺寸为(n,512,1)；

S3、采用训练集对构建的二通道残差深度神经网络进行训练，并采用验证集对超参数进行调整；采用均方误差MSE作为回归预测的损失函数，使用回调函数查看训练模型的内在状态，当观测到验证损失不再改善，参数达到最佳时停止训练，保存模型参数，获得训练好的二通道残差深度神经网络；

S4、将获得的二次雷达应答信号输入训练好的二通道残差深度神经网络，即可获得噪声抑制处理后的二次雷达时序应答信号。