[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

摘要

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。

主权项

1.一种基于深度学习的复杂噪声环境下的雷达信号恢复方法，包括下列步骤：(1)雷达仿真数据集的构建：选取动作捕捉数据库作为雷达仿真数据的来源，对人体的主要关节点进行椭球形建模，利用公式计算出人体各部分的雷达反射信号；对雷达反射信号中加入不同能量的高斯白噪声，并对信号进行短时傅立叶变换生成雷达时频图像，主信号淹没于噪声中的雷达图像和不含噪声的图像就构建成一个雷达时频图像对，构建出五种信噪比环境下的人体动作的雷达仿真数据集，分别为0dB，10dB，20dB，‑10dB，‑20dB，并挑选训练数据和测试数据；(2)实测雷达数据集的构建：利用超宽带雷达模块作为雷达传感器，连接两个定向天线进行实测雷达数据的采集，在室内高信噪比环境下对五个被测目标的七种运动状态：跑步、跳跃、行走、拳击、踱步、爬行以及站立进行多组采集。将采集的雷达信号进行短时傅立叶变换生成雷达时频图像，并加入不同能量的高斯白噪声，与原图构成实测雷达图像对，构建实测雷达数据集；(3)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，判别器的输入是由含噪声图像和不含噪声图像对连接而成的六通道图像，其输出是对图像对的判别标签，标签‘1’代表图像对中的不含噪声的雷达时频图像来自外部数据，标签‘0’代表图像对中不含噪声的雷达时频图像来自于生成器的输出；判别器旨在对输入图像进行正确判别：判断图像或图像对是来自于真实数据还算生成自生成器；生成器的输入是含有噪声的雷达图像，输出是经过处理后的雷达图像，处理后的图像中噪声成分减少，被测目标的运动信号被恢复出来，生成器旨在实现雷达信号的恢复，生成与真实数据相似的图像，以至于判别器无法做出正确判断；(4)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，每个训练周期按照随机顺序把所有雷达图像对依次输入到网络进行训练，每次数据的输入从训练数据集随机选取32个图像对进行输入，每次训练包含对判别器和生成器两部分的交替训练，实现两个网络的权重迭代更新，最终达到收敛，其中判别器的训练选取二元互熵损失函数作为目标函数进行优化，生成器的训练选取均方误差MSE和二元互熵损失函数进行加权平均作为目标函数进行优化；(5)利用生成对抗网络对实测雷达图像进行信号恢复。网络的训练完成后，将实测雷达数据集中挑选出的图像对输入到对抗生成网络中的生成器中，输出经过信号恢复的雷达图像，然后计算恢复图像与不含噪声的雷达图像之间的峰值信噪比衡量信号恢复效果。