[发明专利]一种基于多机器学习与层次化分类的电离层杂波识别方法

说明书

一种基于多机器学习与层次化分类的电离层杂波识别方法，涉及雷达信号处理技术领域，针对现有技术中不能精准地区分电离层杂波的问题，本申请提升了对不同类型杂波的识别准确率，并进一步扩充样本集，本申请在所用实测样本集上，在第一层中训练辅助分类器对未标注样本预测性能相较传统算法有较大改善，最大提升40％以上，缓解了样本数量不足的问题；对6类不同特性强电离层杂波样本识别达到88.47％的平均预测准确率，较传统算法提升50％以上。

技术领域

本发明涉及雷达信号处理技术领域，具体为一种基于多机器学习与层次化分类的电离层杂波识别方法。

背景技术

高频地波雷达HFSWR可实现海况遥感和超视距目标检测等功能，具有广泛的应用前景。但HFSWR面临着非常复杂的电磁环境，主要面临着海杂波和电离层杂波对雷达探测的影响。学者针对不同类型杂波提出不同原理抑制算法，以减少杂波所造成的影响，提高雷达的目标检测性能。

海杂波主要是由于HFSWR发射的高频电磁波与海面海浪的波长谐振并相互作用而产生的，由一阶、二阶以及较高阶分量组成。其中一阶分量所包含的海杂波能量占比最高，且其频率特性与所探测的舰船等目标的多普勒频率较为接近，对HFSWR的探测产生了严重影响。传统的杂波抑制算法以统计杂波的位置或估计杂波分布作为先验知识，然后构建相应的抑制算法处理区域内的杂波，在海杂波抑制中获得了良好的抑制效果。

电离层杂波的形成机理较为复杂，主要是由于除波束主瓣大部分沿海面绕射传播的发射信号外，少部分发射信号传播至空中，经过电离层的散射、折射、色散、多径效应等复杂作用后被接收机接收。由于电离层杂波主要取决于电离层中离子浓度等基本参数，这些参量的空变性和时变性较为剧烈，随经纬度、海拔存在结构性差异，且受昼夜、季节、太阳活动影响。传统抑制算法所需的先验信息不够充分，不足以精准地区分目标信号和电离层杂波，这会影响对该区域的抑制算法性能。进而可能损失或破坏目标回波信号，甚至将目标回波信号也误作杂波剔除。

发明内容

本发明的目的是：针对现有技术中不能精准地区分电离层杂波的问题，提出一种基于多机器学习与层次化分类的电离层杂波识别方法。

本发明为了解决上述技术问题采取的技术方案是：

一种基于多机器学习与层次化分类的电离层杂波识别方法，包括以下步骤：

步骤一：获取回波数据，并对回波数据进行特征提取，得到样本矩阵；

步骤二：针对样本矩阵进行拉依达准则检验，并对拉依达准则检验后的样本矩阵进行Z-score标准化；

步骤三：利用Z-score标准化后的样本矩阵训练层次分类模型，所述层次分类模型包括第一层分类器、第二层分类器以及第三层分类器，所述第一层分类器包括主分类器和辅助分类器；

所述主分类器用于识别样本矩阵中电离层杂波标签数据和非电离层杂波标签数据；

所述辅助分类器用于识别非电离层杂波标签数据中背景噪声标签数据和海杂波标签数据；

所述第二层分类器用于识别电离层杂波标签数据中弱电离层杂波标签数据和强电离层杂波标签数据；

所述第三层分类器用于识别强电离层杂波标签数据中不同特性强电离层杂波标签数据；

步骤四：利用训练好的层次分类模型进行电离层杂波识别。

进一步的，所述电离层杂波标签数据、背景噪声标签数据和海杂波标签数据通过RD谱图中的形态参数确定。

进一步的，所述不同特性强电离层杂波标签数据通过不同特性强电离层杂波在变换域上不同分布特性参数确定。

进一步的，所述主分类器、辅助分类器以及第三层分类器为CNN模型。

进一步的，所述CNN模型为TL-CNN模型，