[发明专利]基于深度学习的雷达抗主瓣干扰方法

权利要求书

1.一种基于深度学习的雷达抗主瓣干扰方法，其特征在于：所述的方法包括步骤如下：

S1：仿真构建不同主瓣干扰来向和不同信干噪比情况下的接收信号模型，并利用接收信号模型的协方差矩阵集合求取初始空间谱数据；将接收信号模型对应不同主瓣干扰来向和目标来向集合作为标签；

S2：构建神经网络，将步骤S1得到的初始空间谱数据作为神经网络的输入数据，将得到标签作为神经网络的输出数据，对神经网络进行训练直至收敛；

S3：将雷达阵列实际接收回波数据基于似然估计得到干扰协方差矩阵，然后经数学变换处理后得到初始空间谱；

S4：将步骤S3得到的初始空间谱输入步骤S2训练好的神经网络，得到雷达信号空间谱，从而实现主瓣干扰和目标在空域上的有效分离；

在步骤S4之后，可将雷达阵列实际接收回波数据中的各距离门输入步骤S2训练好的神经网络，得到目标的距离-方位域，再进行恒虚警检测处理，实现获得目标的距离和方位角信息；

P个接收信号模型的数学表达式如下：

其中，T表示转置，m表示接收信号经数字化后的时域离散点数，n(m)表示复高斯噪声矢量；θ_p表示第p个信号来向角；s_p表示第p个信号；N表示阵元的数量；

所述的神经网络采用深度卷积神经网络，其卷积层共4层，卷积窗口大小分别为23×16、13×8、7×3和3×1，激活函数选择ReLU函数：

ReLU(x1)＝max{x1,0}；

式中，x1表示任一自变量；

步骤S3，所述的雷达阵列实际接收回波数据均为经模数转换后存储数据，利用待检测距离门相邻距离门数据作为训练样本，基于似然估计得到干扰协方差矩阵并将转换为矢量协方差矩阵，然后将矢量协方差矩阵与空域导向矢量相乘得到初始空间谱；

所述的初始空间谱的表达式如下：

其中，表示矢量协方差矩阵集合，A_n＝[a(θ₁)a^H(θ₁)e_n,a(θ₂)a^H(θ₂)e_n,,…；a(θ_L)a^H(θ_L)e_n,]矢量协方差矩阵，e_n是第n个元素为1，其它元素为零的N×1维矢量；L为空间角度离散个数；表示将协方差矩阵矢量后的数据，y_n＝Re_n表示协方差矩阵第n列因素，R＝E{xx^H}，H表示共轭转置；E{}表示取期望，R表示回波数据的协方差矩阵。

2.根据权利要求1所述的基于深度学习的雷达抗主瓣干扰方法，其特征在于：步骤S1，具体地，基于阵列信号仿真模型，仿真不同主瓣干扰来向和不同信干噪比情况下的接收信号模型，将接收信号模型作为训练数据集；其中，所述的阵列信号仿真模型与真实阵列的参数一致。

3.根据权利要求2所述的基于深度学习的雷达抗主瓣干扰方法，其特征在于：不同主瓣干扰来向为主瓣干扰进入天线阵列方位由3dB波束主瓣处遍历至四分之一3dB波束主瓣处，即-7.5°～7.5°范围，角度间隔为0.1度。

4.根据权利要求3所述的基于深度学习的雷达抗主瓣干扰方法，其特征在于：信干噪比从-10dB以1dB间隔遍历至-40dB。