[发明专利]一种基于梯度加权生成对抗网络的非均匀海杂波抑制方法

说明书

本发明公开一种基于梯度加权生成对抗网络的非均匀海杂波抑制方法，应用于雷达信号杂波抑制技术领域，针对传统目标检测方法对漂浮小目标的检测存在明显的性能瓶颈的问题，本发明首先收集雷达对海的实测数据，对雷达原始回波信号的每一个脉冲进行信号预处理；然后生成对应信号模型的样本，加入样本集，将处理后的信号按照脉冲划分为训练集和测试集两部分；接着构建基于梯度罚函数加权生成对抗网络，然后训练集训练网络参数，得到网络模型；最后将测试集样本输入训练得到的网络模型中，网络输出抑制后的距离幅度图。采用本发明的方法能够很好的抑制非均匀海杂波，提取复杂杂波背景下的目标信息，在保留目标的同时能够有效地将杂波剔除。

技术领域

本发明属于雷达信号杂波抑制技术领域，特别涉及一种海杂波的抑制技术。

背景技术

在复杂场景下，无人机、隐身飞机等新型目标是现代雷达面临主要挑战，由于其极弱的雷达散射截面积、复杂高机动运动特性、以及遮掩在复杂地海杂波和干扰背景中，对复杂场景下弱小目标的检测是长期困扰现代雷达的难题，一直是雷达科学领域研究的热点和难点。

其中，海杂波背景下的雷达目标检测对民用和军事都有着重要的意义。随着海面目标的小型化和隐身化，海面慢速、漂浮小目标已经成为了雷达警戒的重点对象。关于此类小目标的检测一直以来都是海杂波背景下目标检测中的难题。通常，漂浮小目标的雷达散射横截面积(RCS)微弱，并且运动速度慢，常常在时域和频域均存在“超杂波检测”的困难。传统目标检测方法对漂浮小目标的检测存在明显的性能瓶颈。

国内外众多高校和研究机构进行了关于深度学习下的信号处理研究。2019年，清华大学将传统的经过多普勒处理后的R-D图，并不进行CFAR检测，反而输入他们构建的CNN检测器，通过构建的8层神经网络代替了CFAR进行检测(Wang L,Tang J,Liao Q.A studyon radar target detection based on deep neural networks[J].IEEE SensorsLetters,2019,3(3):1-4.)，在低信噪比下，效果提升显著。上面的方法是基于传统的神经网络构建，没有考虑更好的学习杂波的特性和训练网络的稳健性。

发明内容

为解决上述技术问题，本发明提出一种基于梯度罚函数加权生成对抗网络的非均匀海杂波抑制方法，利用神经网络强大的捕捉数据间的交互性，更好的将目标从杂波背景中提取出来，直接带来更高的信噪比增益，在抑制海杂波的同时保留了真实目标的信号强度。

本发明采用的技术方案为：一种基于梯度罚函数加权生成对抗网络的非均匀海杂波抑制方法，包括：首先预处理由实测采集的海杂波数据集，生成有目标的训练集和测试集，然后构建梯度罚函数加权生成对抗网络神经网络，其次利用生成的训练集对梯度罚函数加权生成对抗网络神经网络进行训练，最后将测试集输入训练好参数的梯度罚函数加权生成对抗网络神经网络，从而输出杂波抑制后的距离幅度图。

生成含有目标的训练集和测试集的过程为：

在海杂波场景下采集原始回波距离像，按照每一个脉冲对原始回波距离像进行匹配滤波卷积，匹配滤波卷积后的距离像，同时向前平移信号的点数后，得到的距离向幅度图；对所有距离向幅度图按照3:1进行划分，得到含有目标的训练集和含有目标的测试集。

本发明的有益效果：本发明的一种海杂波环境下基于梯度罚函数加权生成对抗网络的杂波抑制方法，该方法能利用神经网络强大的捕捉数据间的交互性，更好的将目标从杂波背景中提取出来，直接带来更高的信噪比增益，在抑制海杂波的同时保留了真实目标的信号强度。本发明构建的梯度罚函数加权生成对抗网络能很好的抑制非均匀海杂波，提取复杂杂波背景下的目标信息，在保留目标的同时能够有效地将杂波剔除，与输入的信号相比，能将信杂比提升3.7dB。

附图说明

图1为梯度罚函数加权生成对抗网络杂波抑制处理流程图。

图2为雷达原始回波脉冲距离图。