[发明专利]一种基于深度学习的MIMO雷达波形设计方法

权利要求书

1.一种基于深度学习的MIMO雷达波形设计方法，包括以下步骤：

步骤1.构建神经网络模型

构建由输入层、特征层和输出层构成的自编码网络，其数学表达式如下：

其中，w和为神经网络的权矢量，b和为网络的偏置，f(·)表示激活函数；

所述输入层采用M×N个输入神经元，所述特征层采用K个特征层神经元，所述输出层M×N个输出神经元；所述自编码网络的输入为归一化的随机向量输出为归一化相位向量

步骤2.优化神经网络模型，

设置损失函数，采用Adam深度学习算法最小化损失函数，从而得到最优神经网络模型；所述损失函数为：

其中：

[l₁,l₂,l₃,l₄,l₅,l₆,l₇]为权重矢量；

表示信号自相关矩阵去掉第N行得到的矩阵，自相关矩阵为：A_m＝C_m(m)、C_m(m)表示矩阵C_m的第m列；

表示信号互相关矩阵：

E_m＝[C_m(1),...,C_m(m-1),C_m(m+1),...,C_m(M)]；

V_m＝τ_m-υ_m：

σ_m＝F*k_m,τ_m＝G*k_m,

H＝sin(Y)、H＝[h₁,...,h_m,...,h_M]，K＝cos(Y)、K＝[k₁,...,k_m,...,k_M]；

Y为相位矩阵：

mat(·)表示将序列整理为矩阵，

y_m＝[y_m(1),y_m(2),...,y_m(N)]^T表示第m根天线发射信号的相位序列；

表示神经网络模型输出：

表示为相位矩阵Y的相位扩展矩阵：

Y_-N表示删除相位矩阵Y第N行构造的矩阵、Y_-1表示删除相位矩阵Y第1行构造的矩阵，

0_(N-1)×M表示零矩阵；

m＝1,...,M、M为MIMO雷达阵元数，n＝1,...,N、N为阵元发射波形的子脉冲数；

步骤3.将最优神经网络模型的输出转换为相位矩阵Y，得到MIMO雷达波形。

2.一种基于深度学习的MIMO雷达波形设计方法，包括以下步骤：

步骤1.构建神经网络模型

构建深度残差网络：

所述深度残差网络由5个残差块以及输入层和输出层组成，输入层与输出层均由M×N个神经元组成，而残差块中的神经元个数均为128；所述深度残差网络输入为归一化的随机向量输出为归一化相位向量

步骤2.优化神经网络模型，

设置损失函数，采用Adam深度学习算法最小化损失函数，从而得到最优神经网络模型；所述损失函数为：

其中：

[l₁,l₂,l₃,l₄,l₅,l₆,l₇]为权重矢量；

表示信号自相关矩阵去掉第N行得到的矩阵，自相关矩阵为：A_m＝C_m(m)、C_m(m)表示矩阵C_m的第m列；

表示信号互相关矩阵：

E_m＝[C_m(1),...,C_m(m-1),C_m(m+1),...,C_m(M)]；

V_m＝τ_m-υ_m：

σ_m＝F*k_m,τ_m＝G*k_m,

H＝sin(Y)、H＝[h₁,...,h_m,...,h_M]，K＝cos(Y)、K＝[k₁,...,k_m,...,k_M]；

Y为相位矩阵：

mat(·)表示将序列整理为矩阵，

y_m＝[y_m(1),y_m(2),...,y_m(N)]^T表示第m根天线发射信号的相位序列；

表示神经网络模型输出：

表示为相位矩阵Y的相位扩展矩阵：

Y_-N表示删除相位矩阵Y第N行构造的矩阵、Y_-1表示删除相位矩阵Y第1行构造的矩阵，

0_(N-1)×M表示零矩阵；

m＝1,...,M、M为MIMO雷达阵元数，n＝1,...,N、N为阵元发射波形的子脉冲数；

步骤3.将最优神经网络模型的输出转换为相位矩阵Y，得到MIMO雷达波形。