[发明专利]一种基于深度学习的复杂噪声环境下的雷达信号恢复方法

说明书

本发明涉及一种基于深度学习的复杂噪声环境下的雷达信号恢复方法，包括：雷达仿真数据集的构建；网络模型的构建：利用深度学习中的生成对抗网络实现噪声环境下的自适应雷达信号恢复，生成对抗网络由两个部分构成，分别是判别器和生成器，利用稠密连接卷积神经网络来构成判别器和生成器；生成对抗网络的训练：将五种信噪比环境下的五组仿真雷达时频图像进行混合，生成训练数据，对生成对抗网络进行训练；利用生成对抗网络对实测雷达图像进行信号恢复。

技术领域

本发明属于雷达图像处理、信号处理、域自适应与深度学习领域，涉及基于多普勒雷达数据的信号处理和人体探测等相关应用。

背景技术

微多普勒雷达在军事领域素来有着很广泛的用途，扮演着至关重要的角色。在雷达中，探测目标的运动速度通常是远远小于光速，因此认为电磁波来回传播距离为目标与雷达距离的两倍，雷达通过接收之前发出的电磁波的时间可以实现目标物体的测距；另外目标物体存在运动的情况下，根据多普勒效应可以计算出目标物体运动或者微动造成的多普勒频移，从而获得目标物体的速度信息。以上分析针对目标物体看作质点的情况，而当目标物体存在多个散点时，将产生不同的多普勒频移信号进行整合分析，就是微多普勒雷达的工作原理。

利用雷达信息进行探测和识别相比于利用视觉信息有着得天独厚的优势：利用雷达进行目标检测并不受光照和天气的影响，可以实现全天候二十四小时的监测；随着集成电路的发展雷达也越来越集成化和便携化；另外雷达信号可以穿透一定的遮挡，可以实现远距离检测，这些优势都是基于视觉的方法所不具备的。因此雷达逐渐被应用到越来越多的领域中去。譬如在军事领域中雷达可以实现全天候无死角敌情检测，在巷战中雷达可以实现穿墙检测敌人；在安保活动中雷达可以实现人群监控以及疑犯追踪；在民用领域中多普勒雷达还经常用于气象探测、车载行人检测以及人体动作识别等。

但是在实际的探测情况中，由于被测目标距离雷达较远，被测目标反射回波强度很弱，或者环境中存在较多的运动干扰，例如水浪、行人和风等，得到的雷达信号中往往包含许多噪声，这些噪声会将有用的被测目标的运动信号淹没。而基于多普勒雷达的应用大多依靠雷达时频图像，对其进行特征提取，包括谱图的上下包络、带宽以及躯干运动速度曲线等等，然后利用机器学习或深度学习算法对提取的特征进行分析，实现相关应用。主信号淹没于噪声中的的雷达时频图像会严重干扰雷达时频图像中有效特征的提取，对目标的分析和识别造成困难。

近几年深度学习在计算机视觉、数据科学以及模式识别等领域中掀起了研究热潮。深度学习利用人工神经网络(Artificial Neural Network，ANN)对问题进行复杂建模，并将网络中添加非线性单元以提高模型的泛化性能，网络利用反向回传(BackPropagation，BP)进行训练和优化。深度学习凭借其自动学习特征的能力在图像处理、图像分类以及目标检测等领域取得了显著成就。而随着深度学习领域的发展，越来越多新式网络被提出。生成对抗网络(Generative Adversarial Networks，GAN)是深度学习中的一种半监督学习的生成式模型，原理依赖博弈论中的二元零和博弈，通过两个子网络的对抗式的训练实现生成模型的建模，被广泛用于图像处理、图像风格转换和图像修复。而基于深度学习的算法需要大量多样化的训练数据的支撑，当前并没有公开的多普勒雷达数据库，因此实际雷达图像的应用受到了种种限制。

[1]Goodfellow I J,Pouget-Abadie J,Mirza M,et al.GenerativeAdversarial Networks[J].Advances in Neural Information Processing Systems,2014,3:2672-2680.

[2]Huang G,Liu Z,Laurens van der Maaten,et al.Densely ConnectedConvolutional Networks[J].2016.