[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

说明书

本发明提供了一种基于展开式深度网络的参数自学习干扰抑制方法，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，对时频谱数据矩阵进行子块分割处理，建立展开式深度网络，将训练集作为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，得到训练最优的模型；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。本发明对干扰进行有效的分离与信号重构，将原来的无监督分解问题转化为有监督的神经网络学习问题，使其迭代次数大大减少，并且算法超参数可以自适应求解得到，网络不再依赖大量数据集，也避免了小数据量下训练网络出现过拟合的可能性。

技术领域

本发明涉及信号处理领域，尤其是一种干扰抑制的方法。本发明在基于模型的迭代优化方法的基础上，引入深度展开概念，结合循环神经网络来实现迭代步骤的等效替代，并完成算法超参数的优化自学习，降低算法的复杂度，可以实现对信号中的射频干扰有效的提取和分离。

背景技术

近年来，雷达回波中的射频干扰问题日趋严重，对成像过程、图像解译、定量化遥感应用等产生了不利影响。当前干扰分离与重构方法的实现思路大多基于模型驱动，利用特定的物理先验知识约束和优化准则进行迭代搜索求解最优解。通常来说，此类迭代算法需人为设置一些超参数(例如矩阵秩、稀疏度等模型参数、正则化系数等)，以使算法在较少的迭代次数中即可达到最优解。但超参数的设定与寻优过程是一项困难且耗时的手动工作，比较依赖人工经验进行启发式搜索，且随着参数数量的增多，难度也成倍提升，往往需要数百甚至数千次迭代，无法满足射频干扰抑制的“高时效性”要求。对不同的场景数据往往需要调整不一样的参数，不具有较好的泛化性。即使有自动(在线)参数选择方法(例如，自适应步长选择方法)，其计算复杂度也较大，甚至超过优化问题本身的复杂性。

以深度学习为代表的人工智能方法能够获取目标深层本质特征信息，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的精细化特征表示，并已在射频干扰抑制方法中得到初步应用，取得了较不错的效果，是信号处理的重要发展趋势之一。但此类深度学习方法本质上依赖于大数据，是通过从训练样本中学习来近似有限的封闭形式的表达式来实现干扰抑制，更接近黑盒机制而缺乏可解释性。同时，模型参数非常多，对训练数据的数量与质量要求比较高，否则容易发生过拟合现象。

如何将传统模型驱动方法与数据驱动的方法相融合，提升干扰抑制方法性能，是研究的热点问题。普遍逼近定理指出，有限个神经元的单隐层前向网络可以逼近紧子集上的连续函数。如果能将迭代算法的每次迭代替换为深层神经网络中的一个层，然后连接几个这样的层，那么就有可能实现收敛性的显著改进。

发明内容

为了克服现有技术的不足，本发明提供一种基于展开式深度网络的参数自学习干扰抑制方法。在基于模型的迭代优化方法基础上，通过利用深度展开技术，可将原来的无监督分解问题转化为基于有监督神经网络的学习问题。通过这种变换，迭代次数大大减少，超参数也可以从数据中自主学习，无需手动设置，能够提高算法的效率与准确性。

本发明的基本思路是：干扰由于随时间快变，在不同方位回波中特征各不相同，具备稀疏性；而在相邻的方位回波中，场景回波数据变化较缓慢，具备低秩性。采用鲁棒主成分分析，通过无监督迭代优化将数据矩阵分解为低秩分量和稀疏分量，实现干扰与有用信号的分离。通过将迭代算法中的每一次迭代等效替代为神经网络的每一层，那么就可以把这类基于模型的求解算法转化为端对端的学习问题，迭代次数大大减少，超参数也可以从数据中自主学习，无需手动设置，能够提高算法的效率与准确性。

本发明解决其技术问题所采用的技术方案包括如下步骤：

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X∈￡^P×Q×N，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；