[发明专利]基于二通道残差深度神经网络的二次雷达信号处理方法

说明书

本发明属于雷达技术领域，具体的说是一种基于二通道残差深度神经网络的二次雷达信号处理方法。本发明首先获取二次雷达应答信号样本数据并对数据集进行预处理。随后基于深度学习方法，构建了一种新型二通道残差深度神经网络。二通道残差深度神经网络由两个特征提取通道构成，每个通道进行多次残差相加，两个通道之间进行残差相连。将训练集和验证集输入，训练残差二通道深度网络，参数最佳时停止训练。最后将测试数据输入到网络中，预测出二次雷达应答信号。该网络模型可以减少信息损失，充分提取二次雷达信号的深层特征。本发明去噪性能优良，可准确预测出二次雷达时序信号，满足噪声抑制需求。

技术领域

本发明属于雷达技术领域，具体的说是一种基于二通道残差深度神经网络的二次雷达信号处理方法。

背景技术

二次雷达系统是国防以及国内民用航空主要的监视手段，在传输过程中会受到噪声的干扰，影响信号传输的清晰度，也导致了电波传输的稳定性和可靠性降低。传统去噪方法虽有效果，但还有噪声残留，影响信号检测。如今机器学习技术发展迅猛，作为机器学习的一个分支，深度学习和卷积神经网络在AlphaGo人机对弈和网络大数据分析等领域取得了巨大的成就。如何利用深度学习及CNN的强大功能去除信号噪声，是信号处理领域面临的课题之一。因此在近年兴起的机器学习，深度学习上进行探索，训练专用于适合二次雷达去除噪声的神经网络，具有重要的理论意义和实践意义。

发明内容

本发明的目的是基于深度学习算法，构造一种二通道残差深度神经网络，提供一种能够有效抑制噪声并二次雷达应答信号进行预测的方法。

本发明采用的技术方案是，基于二通道残差深度神经网络的二次雷达信号处理方法，包括以下步骤：

S1、构造训练集和验证集：

将加入高斯白噪声并经过解调后的二次雷达应答时序信号作为训练数据集，记作其中N代表信号样本数，Z代表信号时间步长，未加入噪声的原始二次雷达应答信号作为标签，记作按比例划分为训练数据集和验证数据集；

将应答信号训练样本数据进行随机打乱，对样本数据和标签进行维度扩展，形成形式为(n，t，g)的3D张量，其中n表示样本数目，t表示时间步长，g表示特征层数目；

对数据进行归一化，将数据的所有特征映射到同一尺度0-1之间，得到训练集和验证集；

S2、构建二通道残差深度神经网络，包括浅层特征提取部分、深层特征提取部分和上采样部分；

所述浅层特征提取部分包括两个串联的卷积核大小为1*3，数据张量尺寸均为(n,512,64)的卷积层；

所述深层特征提取部分包括并联的两个结构相同的支路，每个支路包含7个一维度卷积层，2个pooling池化层和3个残差相加连接层，7个一维度卷积层的数据张量尺寸依次为(n,512,128)、(n,512,128)、(n,256,256)、(n,256,256)、(n,128,128)、n,128,128)、(n,128,64)；数据每经过2个卷积神经单元进行一次残差相加，将前面的输出张量重新注入到下游数据流中，前两次残差相加后进行一次pool_size＝2的最大池化运算将训练参数数量下采样2倍，第三次残差相加后输入第7个卷积层，两个通道第7个卷积层的输出张量进行连接，构成深层特征提取部分的输出；两个通道之间在各自残差相加结点处进行残差相连，充分增强信号特征的提取，减少特征信息的损失；

所述上采样部分包括两个size＝2上采样层和三个卷积层，上采样层与卷积层交替连接，逐步恢复张量的时间步长为512，最后一层卷积层的卷积核尺寸为1*1，特征层数量为1，输出预测时序信号数据，张量尺寸为(n,512,1)；