兵工学报 ›› 2023, Vol. 44 ›› Issue (2): 534-544.doi: 10.12382/bgxb.2021.0662
收稿日期:
2021-10-09
上线日期:
2022-06-09
通讯作者:
基金资助:
CHEN Peng*(), XU Zhen, CAO Zhenxin, WANG Zongxin
Received:
2021-10-09
Online:
2022-06-09
摘要:
为有效降低海杂波对海洋雷达的工作影响,研究海杂波的抑制问题,提出一种基于图特征学习的海杂波抑制算法。使用时频变换对雷达回波信号进行维度扩增,基于图嵌入处理深度挖掘图结构特征的思想,并依据海杂波和目标回波信号在时频谱中的不同结构特性,给出一种通过图嵌入进行信号节点特征向量构造的方法。区别于传统时域对消和子空间分解等方法,该方法可以通过时频谱中不同信号的节点分类实现海杂波的抑制。仿真与实测结果表明,该算法可以有效抑制雷达回波信号中的海杂波分量,提升雷达回波信号的信杂比,为海洋雷达进行海杂波的抑制提供了新的思路和途径。
中图分类号:
陈鹏, 许震, 曹振新, 王宗新. 基于图特征学习的海杂波抑制算法[J]. 兵工学报, 2023, 44(2): 534-544.
CHEN Peng, XU Zhen, CAO Zhenxin, WANG Zongxin. Graph Feature Learning-Based Sea Clutter Suppression Method[J]. Acta Armamentarii, 2023, 44(2): 534-544.
参数 | 取值 |
---|---|
目标回波信号中的目标个数K | {1,2,3} |
目标回波信号的多普勒频率分量fd/Hz | {50,75,100} |
形状参数$\hat{a}$ | 0.7435 |
尺度参数$\hat{v}$ | 2.3281 |
超参数p和q | p∈{1,2,4},q∈{0.25,0.50} |
节点特征向量的维度d | 128 |
随机游走的次数r | 10 |
分类参数n | {5,6,7} |
表1 仿真参数设置
Table 1 Simulation parameter setting
参数 | 取值 |
---|---|
目标回波信号中的目标个数K | {1,2,3} |
目标回波信号的多普勒频率分量fd/Hz | {50,75,100} |
形状参数$\hat{a}$ | 0.7435 |
尺度参数$\hat{v}$ | 2.3281 |
超参数p和q | p∈{1,2,4},q∈{0.25,0.50} |
节点特征向量的维度d | 128 |
随机游走的次数r | 10 |
分类参数n | {5,6,7} |
相似度 | 多普勒频率/Hz | ||||||
---|---|---|---|---|---|---|---|
50 | 75 | 100 | |||||
u1 | u2 | u1 | u2 | u1 | u2 | ||
{1,0.25} | 0.62 | 0.29 | 0.63 | 0.21 | 0.94 | 0.07 | |
{2,0.25} | 0.75 | 0.14 | 0.74 | 0.12 | 0.90 | 0.17 | |
{p,q} | {4,0.25} | 0.77 | 0.13 | 0.83 | 0.11 | 0.96 | 0.05 |
{1,0.50} | 0.65 | 0.22 | 0.69 | 0.20 | 0.73 | 0.18 | |
{2,0.50} | 0.69 | 0.21 | 0.72 | 0.18 | 0.83 | 0.15 | |
{4,0.50} | 0.75 | 0.25 | 0.80 | 0.17 | 0.87 | 0.14 |
表2 海杂波数据来源于仿真数据
Table 2 Sea clutter data comes from simulation data
相似度 | 多普勒频率/Hz | ||||||
---|---|---|---|---|---|---|---|
50 | 75 | 100 | |||||
u1 | u2 | u1 | u2 | u1 | u2 | ||
{1,0.25} | 0.62 | 0.29 | 0.63 | 0.21 | 0.94 | 0.07 | |
{2,0.25} | 0.75 | 0.14 | 0.74 | 0.12 | 0.90 | 0.17 | |
{p,q} | {4,0.25} | 0.77 | 0.13 | 0.83 | 0.11 | 0.96 | 0.05 |
{1,0.50} | 0.65 | 0.22 | 0.69 | 0.20 | 0.73 | 0.18 | |
{2,0.50} | 0.69 | 0.21 | 0.72 | 0.18 | 0.83 | 0.15 | |
{4,0.50} | 0.75 | 0.25 | 0.80 | 0.17 | 0.87 | 0.14 |
相似度 | 多普勒频率/Hz | ||||||
---|---|---|---|---|---|---|---|
50 | 75 | 100 | |||||
u1 | u2 | u1 | u2 | u1 | u2 | ||
{1,0.25} | 0.60 | 0.30 | 0.62 | 0.23 | 0.91 | 0.08 | |
{2,0.25} | 0.69 | 0.26 | 0.72 | 0.15 | 0.87 | 0.10 | |
{p,q} | {4,0.25} | 0.75 | 0.20 | 0.79 | 0.13 | 0.94 | 0.06 |
{1,0.50} | 0.64 | 0.25 | 0.62 | 0.29 | 0.72 | 0.20 | |
{2,0.50} | 0.67 | 0.23 | 0.70 | 0.20 | 0.82 | 0.16 | |
{4,0.50} | 0.71 | 0.22 | 0.79 | 0.19 | 0.75 | 0.21 |
表3 海杂波数据来源于实测数据
Table 3 Sea clutter data comes from measured data
相似度 | 多普勒频率/Hz | ||||||
---|---|---|---|---|---|---|---|
50 | 75 | 100 | |||||
u1 | u2 | u1 | u2 | u1 | u2 | ||
{1,0.25} | 0.60 | 0.30 | 0.62 | 0.23 | 0.91 | 0.08 | |
{2,0.25} | 0.69 | 0.26 | 0.72 | 0.15 | 0.87 | 0.10 | |
{p,q} | {4,0.25} | 0.75 | 0.20 | 0.79 | 0.13 | 0.94 | 0.06 |
{1,0.50} | 0.64 | 0.25 | 0.62 | 0.29 | 0.72 | 0.20 | |
{2,0.50} | 0.67 | 0.23 | 0.70 | 0.20 | 0.82 | 0.16 | |
{4,0.50} | 0.71 | 0.22 | 0.79 | 0.19 | 0.75 | 0.21 |
[1] |
任红霞. 雷达海杂波统计建模与仿真[D]. 青岛: 中国海洋大学, 2015.
|
|
|
[2] |
丁鹭飞, 耿富录. 雷达原理[M]. 西安: 西安电子科技大学出版社, 2002.
|
|
|
[3] |
丁昊, 董云龙, 刘宁波, 等. 海杂波特性认知研究进展与展望[J]. 雷达学报, 2016, 5(5):499-516.
|
|
|
[4] |
姜星宇, 刘宁波, 丁昊, 等. 雷达海杂波时频谱特性分析[J]. 海军航空工程学院学报, 2019, 34(5):413-417.
|
|
|
[5] |
胡昌华, 夏启兵, 周涛, 等. 基于MATLAB的系统分析与设计-时频分析[M]. 西安: 西安电子科技大学出版社, 2002.
|
|
|
[6] |
马丽文, 张金鹏, 吴家骥, 等. 基于门控循环神经网络的海杂波幅度预测[J]. 电波科学学报, 2020, 35(2):257-263.
|
|
|
[7] |
何耀民, 何华锋, 徐永壮, 等. 基于反向传播神经网络的海杂波参数估计[J]. 兵工学报, 2019, 40(12):2473-2481.
doi: 10.3969/j.issn.1000-1093.2019.12.011 |
|
|
[8] |
许桂桂. 基于深度学习的海面弱目标探测技术研究[D]. 武汉: 华中科技大学, 2019.
|
|
|
[9] |
施赛楠, 董泽远, 杨静, 等. 基于时频图自主学习的海面小目标检测[J]. 系统工程与电子技术, 2021, 43(1):33-41.
|
|
|
[10] |
潘美艳, 孙俊, 杨予昊, 等. 基于Faster R-CNN网络的海面目标检测方法[J]. 现代雷达, 2021, 43(6):19-26.
|
|
|
[11] |
doi: 10.1109/LGRS.2017.2697458 URL |
[12] |
王龙岗, 岳显昌, 吴雄斌, 等. 基于奇异值分解的空域海杂波抑制算法[J]. 电波科学学报, 2021, 36(4):645-652.
|
|
|
[13] |
孙国政, 卞雷祥. 雷达杂波自适应抑制技术[J]. 雷达与对抗, 2011, 31(2):11-13.
|
|
|
[14] |
唐先慧, 李东, 粟嘉, 等. 基于AlexNet的自适应杂波智能抑制方法[J]. 信号处理, 2020, 36(12):2032-2042.
|
|
|
[15] |
doi: 10.1063/1.30584 URL |
[16] |
|
[17] |
|
[18] |
车转转. 海杂波中目标检测的时频方法研究[D]. 西安: 西安电子科技大学, 2014.
|
|
|
[19] |
|
[20] |
|
[21] |
杨晋吉, 胡波, 王欣明, 等. 一种知识图谱的排序学习个性化推荐算法[J]. 小型微型计算机系统, 2018, 39(11):2419-2423.
|
|
|
[22] |
雷雨. 用户属性信息推断方法的研究[D]. 哈尔滨: 哈尔滨工业大学, 2019.
|
|
|
[23] |
刘宇, 顾振杰, 韩红斌. 基于实测数据的海杂波建模方法[J]. 兵工自动化, 2019, 38(9):64-67.
|
|
|
[24] |
刘宁波, 丁昊, 黄勇, 等. X波段雷达对海探测试验与数据获取年度进展[J]. 雷达学报, 2021, 10(1):173-182.
|
|
|
[25] |
关泽文, 陈建文, 鲍拯. 一种改进的基于峰值信噪比-高阶奇异值分解的天波超视距雷达自适应海杂波抑制算法[J]. 电子与信息学报, 2019, 41(7):1743-1750.
|
|
[1] | 薛城, 顾怡鸣, 宫在晓, 李整林. 参数化时频分析在连续波有源探测中的应用[J]. 兵工学报, 2022, 43(7): 1655-1666. |
[2] | 王志鹏, 王星, 田元荣, 周一鹏. 基于压缩感知的辐射源信号数据级融合识别方法[J]. 兵工学报, 2017, 38(8): 1547-1554. |
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||