[发明专利]一种基于深度学习的高海况海杂波抑制方法

说明书

本发明提供一种基于深度学习的高海况海杂波抑制方法，涉及船舶雷达技术领域，包括：获取实测海杂波数据集；根据所述实测海杂波数据集，获得模拟海杂波数据集和实测高海况海杂波数据集，并输入预设的高海况海杂波生成神经网络模型中进行对抗训练；之后生成一维高海况海杂波数据集和二维高海况海杂波数据集并输入一次优化的高海况海杂波生成神经网络模型中进行二次对抗训练；利用二次优化的高海况海杂波生成神经网络模型对待抑制的高海况海杂波数据进行抑制；本发明提供的方法同时使用实测和仿真的海杂波数据对其进行建模，分别在一维和二维上对高海况海杂波进行抑制，能够提高模型的泛化性能和抑制性能。

技术领域

本发明涉及船舶雷达技术领域，更具体地，涉及一种基于深度学习的高海况海杂波抑制方法。

背景技术

船舶雷达作为目前水上运输目标检测的关键设备，可以不受视觉限制，有效地帮助航行的船只避障避撞。然而，船舶雷达收到的回波信号会受到高海况海杂波的严重干扰，造成性能的严重下降。民用船只在高海况下很难检测到海上障碍物和其它船只，航行安全无法保障，可能造成十分严重的人员伤亡和经济损失。同时，如果发生紧急事故，船舶雷达也很难对遇险船只定位从而快速进行海上搜救。因此，在高海况条件下对雷达回波中的海杂波进行干扰抑制非常重要，在民用和军事领域都有重大的实际意义。

高海况海杂波的抑制方法主要存在以下两个方面的问题：一是在实测测量高海况海杂波数据方面，高海况海杂波的数据收集由于海域广、成本高等限制较为困难；另一个是在高海况海杂波模型建立方面，低海况时，海面背景比较均匀，利用传统的基于信号处理的杂波分布模型进行海杂波抑制可以取得较好的效果，但在高海况产生的强海杂波背景下，海面杂波分布具有复杂的随机性与突变性，杂波的建模和模型参数设置变得非常困难，海杂波的抑制效果较差。

目前的现有技术公开了一种海面监视雷达杂波智能抑制方法，应用于雷达目标探测领域，针对现有的海面杂波抑制技术难以应对复杂多变的海洋环境的问题；现有技术中的方法通过构建两路镜像对称的生成对抗网络，一路学习从原始杂波数据到杂波抑制后数据的映射，另一路反过来学习从杂波抑制后数据到原始杂波数据的映射，将两类数据集分别输入两路GAN，通过两组生成器和对抗器的相互约束与对杂波抑制前后雷达数据的动态鉴别，最终得到具备海杂波抑制功能的杂波抑制网络；现有技术仅基于复合K分布模型构建海杂波数据集，缺乏实测海杂波数据，可能导致抑制模型的泛化性能不足；由于高海况海杂波数据缺乏，基于深度学习模型的海杂波抑制方法容易出现过拟合的问题，对于样本量有限、但需要使用强大模型的复杂任务，在训练集上的损失小，在验证集或测试集上的损失较大；现有的基于深度学习的海杂波抑制方法大都是在二维图像数据上进行海杂波的抑制，模型的抑制性能不足；因此，目前的现有技术由于复杂海况样本不充分和模型泛化性能不足存在对高海况海杂波抑制性能不佳的问题。

发明内容

本发明为克服上述现有技术对高海况海杂波抑制性能不佳的缺陷，提供一种基于深度学习的高海况海杂波抑制方法，能够显著改善模型对于高海况海杂波的抑制性能。

为解决上述技术问题，本发明的技术方案如下：

一种基于深度学习的高海况海杂波抑制方法，包括以下步骤：

S1：获取实测海杂波数据集；

S2：根据所述实测海杂波数据集，获得模拟海杂波数据集和实测高海况海杂波数据集；

S3：将所述模拟海杂波数据集和实测高海况海杂波数据集输入预设的高海况海杂波生成神经网络模型中进行对抗训练，获得一次优化的高海况海杂波生成神经网络模型；

S4：利用所述一次优化的高海况海杂波生成神经网络模型，获得一维高海况海杂波数据集和二维高海况海杂波数据集；

S5：将所述一维高海况海杂波数据集和二维高海况海杂波数据集输入一次优化的高海况海杂波生成神经网络模型中进行对抗训练，获得二次优化的高海况海杂波生成神经网络模型；