[发明专利]基于展开式深度网络的参数自学习干扰抑制方法

权利要求书

1.一种基于展开式深度网络的参数自学习干扰抑制方法，其特征在于包括下述步骤：

步骤1：依次对含干扰的原始回波信号进行短时傅里叶变换，得到时频谱数据矩阵其中P,Q分别为单次方位回波时频谱的时间单元数与频率单元数，N为方位回波数目；

步骤2：对时频谱数据矩阵进行子块分割处理，得到K*N个大小为p×q的子块数据矩阵，其中K＝PQ/pq，将所有K*N个子块数据矩阵向量化处理，并拼接得到大小为pq×1的时频谱子块数据矩阵分别构造训练集、验证集和测试集；

步骤3：建立展开式深度网络；

对时频谱子块数据矩阵进行雷达干扰抑制，表示为如下极值问题进行求解：

其中||·||_*是核范数，||·||_1,2是l_1,2范数，H₁和H₂是测量矩阵，是满足低秩条件的有用信号时频谱子块数据矩阵，是满足稀疏条件的干扰时频谱子块数据矩阵；

优化问题采用软阈值迭代算法进行迭代求解，第k次迭代的求解公式如下：

其中，是奇异值阈值算子，L_f是二次项的Lipschitz常数，是软阈值，软阈值的值与超参数λ₁和λ₂相关，L^k是第k次迭代后得到的有用信号时频谱子块数据矩阵，S^k是第k次迭代后得到的干扰时频谱子块数据矩阵；L^k+1是第k+1次迭代后得到的有用信号时频谱子块数据矩阵，S^k+1是第k+1次迭代后得到的干扰时频谱子块数据矩阵；

采用展开式深度网络等效替代迭代步骤，改进后的迭代求解更新公式如下：

其中P₁,P₂,P₃,P₄,P₅,P₆是卷积核；

步骤4：将训练集作为步骤3所述展开式深度网络的输入进行训练，同时代入验证集进行模型评价，当损失函数参数使验证集的损失函数最小均方误差收敛不再变化时，即为训练最优的模型；将测试集输入到训练最优的模型里对干扰回波矩阵进行识别与分析。

2.根据权利要求1所述的一种基于展开式深度网络的参数自学习干扰抑制方法，其特征在于：

所述步骤2中，将K*N个时频谱子块数据矩阵D分别构造为训练集和验证集，并另外构造一个测试集，且测试集和验证集的数量相同。

3.根据权利要求1所述的一种基于展开式深度网络的参数自学习干扰抑制方法，其特征在于：

所述展开式深度网络包括K1个5×5卷积层、K2个3×3的卷积层。