[发明专利]一种基于图卷积神经网络的自适应波束形成方法

说明书

本发明提供一种基于图卷积神经网络的自适应波束形成方法，将接收到的回波数据进行扩维和归一化后采用图卷积神经网络进行特征变换和降维，得到去耦合后的回波数据；建立并训练教师神经网络模型；建立并训练学生神经网络模型：将实际得到的回波数据和期望波束方向输入到学生神经网络模型中，形成期望合成的波束。本发明是为了解决回波量大难以处理并且回波之间耦合的问题，提出一种适用于雷达通信领域旁瓣抗干扰应用的基于图卷积神经网络的自适应波束形成方法，根据回波数据和期望合成方向应用图卷积神经网络模型对波束进行合成，并利用知识蒸馏技术进行压缩，是一种适用于回波信号中存在耦合的情况下的雷达通信领域中自适应波束形成算法。

技术领域

本发明涉及阵列信号处理技术领域，具体涉及一种基于图卷积神经网络的自适应波束形成方法。

背景技术

自适应波束形成技术是阵列信号处理的重要分支，其广泛应用于航天领域中的导航、飞行器测控和精确制导等的旁瓣抗干扰中，近年来已经成为新一代航天、雷达和通信领域的关键技术之一。自适应波束形成技术能够通过调整接收通道权系数有效地实现干扰抑制等功能，在航天、雷达、无线通信、声纳、地震勘测等系统中得到了广泛的应用。传统的自适应波束形成基于最大信噪比(SNR：Signal-to-Noise Ratio)、最小均方误差(MMSE：Minimum Mean Squared Error)和最小方差无失真响应(MVDR:Minimum VarianceDistortionless Response)等准则来设计波束形成器。但是当所得到的回波数据量增多时，传统的波束形成算法无法进行及时处理，并且接收到的回波信号之间存在耦合关系时，会导致波束形成的效果很差。

现有技术一：Bayu Suksmono A,Hirose A.Intelligent beamforming by usinga complex-valued neural network[J].Journal of Intelligent and Fuzzy Systems,2004,15(3-4):139-147.该文献中引入了多层感知机来替换传统的LMS算法的单层模型，在收敛速度上有所提升，但是依然采用的是迭代的方法，没有充分利用神经网络的非线性拟合能力。

现有技术二：Savitha R,Vigneswaran S,Suresh S,et al.Adaptivebeamforming using complex-valued Radial Basis Function neural networks[C]//Tencon IEEE Region 10Conference.2009.该文献中研究了利用径向基神经网络进行波束形成的方法，但是这种方法的神经网络训练过程较为复杂，需要进行额外的k-means聚类等操作，并且为了不使用更深层的神经网络引入了过多的人工先验假设。

现有技术三：冯晓宇,谢军伟,张晶,等.低快拍下模糊径向基神经网络波束形成算法[J].火力与指挥控制,2018(4).该文献中提出了在低快拍情况下利用径向基神经网络进行波束形成的方法，这种方法仅仅是对低快拍情况下的改进，并没有对径向基神经网络存在的问题进行解决。

目前亟需一种快速稳定的自适应波束形成方法。

发明内容

本发明是为了解决回波量大难以处理并且回波之间耦合的问题，提出一种适用于雷达通信领域旁瓣抗干扰应用的基于图卷积神经网络的自适应波束形成方法，根据回波数据和期望合成方向应用图卷积神经网络模型对波束进行合成，并利用知识蒸馏技术进行压缩，提出一种适用于回波信号中存在耦合的情况下的雷达通信领域中自适应波束形成算法。

本发明提供一种基于图卷积神经网络的自适应波束形成方法，包括如下步骤：

S1、去耦合：将接收到的回波数据X进行扩维和归一化后采用图卷积神经网络进行特征变换和降维，得到去耦合回波数据X_o；