CN109444840B - 一种基于机器学习的雷达杂波抑制方法 - Google Patents

Abstract

本发明公开了一种基于机器学习的雷达杂波抑制方法，实测数据产生包含杂波和目标的数据集作为输入数据，对输入数据进行预处理，初步处理后选取合适特征和初始权重进行加权，然后对其聚类，将聚为不同类别结果进行评价，再反馈到特征加权模块调整权值，直到找到评价指标最优的一组权重和聚类数。最佳聚类数中，一类为目标，其余类为不同类型杂波，可将实时雷达回波数据与之进行比较，实现杂波抑制，从而得到目标信号。相比于以往利用杂波图抑制杂波的方法，实现结构简单，实现成本低，效果更好，且具有很高的简捷性、实时性和通用性。

Description

一种基于机器学习的雷达杂波抑制方法

技术领域

本发明属于雷达信号处理技术领域，具体涉及一种基于机器学习的雷达杂波抑制方法。

背景技术

随着低空空域的逐步开放以及人们低空活动的日益增加,低空空域的交通状况越来越复杂,为了维持低空飞行秩序,保证低空飞行器安全,实施低空空域飞行器的监视,已经成为空管发展的必然趋势。而低慢小目标RCS小，速度慢，且信杂比低，回波易淹没在杂波中，具有“管控难、侦测难、处置难”等特点。另外，低慢小探测雷达不同于一般雷达，需要对超低空杂波进行处理，要在成片的杂波中很快的分辨出目标回波也是不容易的。由于出现大量的杂波，给雷达终端处理***带来很大的难度。故将杂波抑制是一个亟待解决的问题，对低慢小目标探测雷达来说至关重要。

目前，基于机器学***均值)，然后迭代的进行分配点和更新类簇中心点的步骤，直至类簇中心点的变化很小，或者达到指定的迭代次数。这种算法思想比较简单，但是初始的K值和初始类簇中心点的选组对于聚类效果影响较大，且该方法仅适用于球形分布数据。

发明内容

发明目的：本发明提供一种基于机器学习的雷达杂波抑制方法，实现结构简单，聚类效果好，实现成本低，具有很高的通用性和简捷性。

技术方案：本发明所述的一种基于机器学习的雷达杂波抑制方法，包括以下步骤：

(1)将通过生成对抗网络产生的包含杂波和目标的数据集作为输入数据，并对输入数据作归一化处理；

(2)选取合适特征，构建特征向量，并对其进行特征加权；

(3)对步骤(2)的特征向量进行快速聚类，将聚为不同类别结果进行评价；

(4)将步骤(3)的评价结果，反馈到步骤(2)，利用梯度下降法直到找到评价指标戴维森保丁指数最优的一组权重和聚类数。

步骤(2)所述特征主要包括距离、方位、俯仰、RCS、速度、差通道能量、保护通道。

步骤(2)所述的对初始权重进行加权通过以下公式实现：

其中，x_i是第i个数据的m维特征向量，x_i＝(x_i1,x_i2,···x_it,···x_im),i＝1,2,···,n。

所述步骤(3)包括以下步骤：

(31)给定用于确定截断距离d_c的参数t∈(0,1)，算距离d_ij，并令

d_ji＝d_ij,i＜j,i,j∈I_S

(32)确定聚类中心

并初始化数据点归类属性标记

具体为

(33)对非聚类中心数据点进行归类，按照ρ的值从大到小遍历；

(34)若n_c＞1，则将每个cluster中的数据点进一步分为cluster core和clusterhalo。

所述步骤(4)所述的戴维森保丁指数计算如下：

其中，||x_iW_i-x_jW_j||₂对应于簇C_i与簇C_j中心点的距离，avg(C)对应于簇C内样本间的平均距离，k为类别数。

有益效果：与现有技术相比，本发明的有益效果：1、本发明采用的快速聚类算法，相比于常用的K-means算法，只需要考虑点与点之间的距离，基于密度计算，且可以得到很好的非球形聚类效果，通过降低分辨率后的特征加权，也降低了计算复杂度；2、本发明实现结构简单，聚类效果更好，实现成本低，具有更好的通用性和简捷性。

附图说明

图1为本发明的流程图

图2基于密度的新型聚类算法流程图；

图3数据点的γ值分布情况；

图4DBI随聚类数的变化情况。

具体实施方式

下面结合附图对本发明作进一步详细描述。

本发明提供一种基于机器学习的雷达杂波抑制方法，如图1所示。

1、将通过生成对抗网络产生的包含杂波和目标的数据集作为输入数据，并对输入数据作归一化处理。

实测数据既包含杂波也包含目标，将其作为真实的数据集，利用生成网络造出“假”数据集，并通过判别网络来判别是真实数据集还是假样本集，最终的输出效果是判别网络给出结果是一个接近0.5的值，说明“假”数据集已经十分贴合真实数据集了。故可以用其产生大量“假”数据集，作为本***输入数据。对输入数据作归一化处理。

2、选取合适特征，构建特征向量，并对其进行特征加权

特征在于选取距离、方位、俯仰、RCS、速度、差通道能量、保护通道作为特征向量。在特征加权模块中，对于给定的数据集S＝{x₁,x₂,···,x_i,···,x_n}，其中，x_i是描述第i个数据的m维特征向量，x_i＝(x_i1,x_i2,···x_it,···x_im),i＝1,2,···,n。数据集中数据点本身等于x_i的个数与数据点总数的比值反映了该数据点的统计分布情况，所以基于特征加权的计算方法为：

利用以上公式可将特征空间分为不同的特征单元，每个单元具有不同的权重。假设将特征空间分为s个单元

对应的权值为

I_S＝{1,2,···,s}为相应的指标集。

3、对其进行快速聚类，将聚为不同类别结果进行评价

聚类的核心在于该算法是基于密度的，对于每个数据点x_i，提出两个变量—数据点i所在位置的局部密度ρ_i和到更高密度点的最短距离δ_i。这两个量都只取决于两个数据点x_i和x_j之间的距离d_ij，在本方法中，需要计算数据点的两两距离，对于大样本的数据集来说，计算成本较高，但特征加权使得数据量减少，降低了计算复杂度，基于特征加权的数据点距离计算表示如下：

对于任一数据点x_i，选取高斯核的局部密度ρ_i计算方式如下：

d_c为截断距离，需事先指定，局部密度表示所有样本点中(不含i点)和i点距离在d_c之内的样本点的数量，与x_i距离小于d_c的数据点越多，ρ_i的值越大。最短距离δ_i表示比i点密度高的所有点中最近的距离，对应的点也被称为最近邻点，定义如下：

进一步的可以将其转换为如下形式：设

表示

的降序排列下标，即

的计算公式为

这样可以保证在ρ值相同的情况下，经降序排列后，只将排在最前面的数据点作为聚类中心。聚类中心同时具有较大的ρ值和δ值，原聚类算法中画出ρ和δ的二维决策图。在本方法中，考量这两个值的乘积即γ_i＝ρ_iδ_i，i∈I_S，取较大的数据点作为聚类中心。故先对γ降序排序并以下标为横轴，值为纵轴画在二维坐标平面内。显然，值越大越有可能是聚类中心，故从非聚类中心到聚类中心有一个明显的跳跃，用数值检测可以判断出来，避免人为的选取中心。具体步骤，如图2所示，主要分为聚类预处理即选取聚类中心和聚类算法实施。为描述方便，先引入一些记号作为算法实施步骤的基础，待聚类的数据集

包含n_c个cluster。

聚类中心的对应编号，即

是第j个cluster的中心。

数据点归类标记，即c_i表示S中第i个数据归属于第c_i个cluster。

S距离最远的两个数据点的距离。

表示中所有局部密度比大的数据点中与距离最近的数据点的编号，定义

cluster core和cluster halo，前者局部密度较大，对应cluster的核心部分；后者的局部密度较小，对应cluster的边缘部分。算法具体实施步骤如下。

(1)初始化及预处理：给定用于确定截断距离d_c的参数t∈(0,1)；计算距离d_ij，并令d_ji＝d_ij,i＜j,i,j∈I_S；确定截断距离d_c；计算

并生成其降序排列

计算

和

并对γ值降序排列，以序号-值为横纵坐标画在二维平面内，如图3所示。

(2)确定聚类中心

并初始化数据点归类属性标记

具体为

(3)对非聚类中心数据点进行归类，按照ρ的值从大到小遍历。

(4)若n_c＞1，则将每个cluster中的数据点进一步分为cluster core和clusterhalo。初始化标记h_i＝0，i∈I_S；为每一个cluster生成一个平均局部密度上限

标识cluster halo。

4、将步骤3的评价结果，反馈到步骤2，利用梯度下降法直到找到评价指标DBI最优的一组权重和聚类数。

实施聚类算法后用戴维森保丁指数(Davies-Bouldin Index,DBI)指标需对其结果进行评价，将其作为目标优化函数，并反馈到特征加权模块，利用梯度下降法迭代的更新权重值，直至找出最优的权重和类别数。DBI计算如下：

其中，||x_iW_i-x_jW_j||₂对应于簇C_i与簇C_j中心点的距离，avg(C)对应于簇C内样本间的平均距离，k为类别数。最佳聚类数中，一类为目标，其余类为不同类型杂波，实时雷达回波数据与之进行比较，实现杂波抑制，从而得到目标信号。DBI的值越小，聚类效果越优。如图4所示，DBI随着聚类数的变化情况，可以看出，聚类数为3时，DBI最小，效果最佳。

因此本发明提出的杂波抑制方法无需采集杂波图实现对消，具有实现结构简单，聚类效果更好，实现成本低的优势，具有很高的通用性和简捷性。

Claims (4)

1.一种基于机器学习的雷达杂波抑制方法，其特征在于，包括以下步骤：

(1)将通过生成对抗网络产生的包含杂波和目标的数据集作为输入数据，并对输入数据作归一化处理；

(2)选取合适特征，构建特征向量，并对其进行特征加权；

(3)对步骤(2)的特征向量进行快速聚类，将聚为不同类别结果进行评价；

(4)将步骤(3)的评价结果，反馈到步骤(2)，利用梯度下降法直到找到评价指标戴维森保丁指数最优的一组权重和聚类数；

所述步骤(3)包括以下步骤：

(31)基于特征加权的数据点距离计算两个数据点x_i和x_j之间的距离d_ij，并令d_ji＝d_ij,i＜j,i,j∈I_S：

(32)确定聚类中心

并初始化数据点归类属性标记

具体为：

(33)对于任一数据点x_i，选取高斯核的局部密度ρ_i，对非聚类中心数据点进行归类，按照局部密度ρ的值从大到小遍历，ρ_i计算方式如下：

其中，d_c为截断距离；

(34)n_c为cluster的个数，若n_c＞1，则将每个cluster中的数据点进一步分为clustercore和cluster halo。

2.根据权利要求1所述的一种基于机器学习的雷达杂波抑制方法，其特征在于，步骤(2)所述特征主要包括距离、方位、俯仰、RCS、速度、差通道能量、保护通道。

3.根据权利要求1所述的一种基于机器学习的雷达杂波抑制方法，其特征在于，步骤(2)所述的进行特征加权通过以下公式实现：

其中，x_i是第i个数据的m维特征向量，x_i＝(x_i1,x_i2,…x_it,…x_im),i＝1,2,…,n。

4.根据权利要求1所述的一种基于机器学习的雷达杂波抑制方法，其特征在于，所述步骤(4)所述的戴维森保丁指数计算如下：

其中，||x_iW_i-x_jW_j||₂对应于簇C_i与簇C_j中心点的距离，avg(C)对应于簇C内样本间的平均距离，k为类别数。

Images