CN113126038B - 高频地波雷达工作频率优选方法、***、存储介质及应用 - Google Patents

Abstract

本发明属于雷达技术领域，公开了一种高频地波雷达工作频率优选方法、***、存储介质及应用，通过获取频谱数据，采用二维OS算法和二重门限算法对频谱数据进行处理，得到抗冲击干扰处理的频谱信息；构建LSTM网络，并进行模型训练和预测偏差进行评价；选用二次曲线梯形窗，在整个频谱上滑动这个窗函数提取窗内平均功率谱和起伏度信息，计算滑窗总分，进而根据分数选出最佳工作频率。本发明中的频谱预测方案的改进增强了选频的实时性和准确性；通过LSTM模型预测时间序列，训练学习当前时刻的频谱信息而非简单的数据频移，使预测更接近真实值，大大增强了可靠性，通过二次曲线梯形窗进行滑窗选频，能有效躲开干扰频段。

Description

高频地波雷达工作频率优选方法、***、存储介质及应用

技术领域

本发明属于雷达技术领域，尤其涉及一种高频地波雷达工作频率优选方法、***、存储介质及应用。

背景技术

目前：高频地波雷达因其低成本、易维护，具有超视距、全天候等优点用于对海监测，但其工作频段(3～30MHz)电磁环境复杂，存在大量短波通信业务、电台干扰、冲击干扰、噪声，影响其工作性能。寻找适合其工作的“寂静频率”能有效提升雷达性能，故而寻求一种能为高频地波雷达推荐较优工作频率的方法。长短期记忆网络LSTM(Long Short-TermMemory)，是反馈神经网络的一种类型。循环神经网络(RNN)由于引入反馈机制，具备初步的记忆能力，但由于需要保留所有状态的信息，能处理的信息长度有限，且在反向传播更新权重时会出现梯度消失和梯度***的问题，长期记忆能力不足。而引入了输入门，输出门，遗忘门的长短期记忆网络(LSTM)，引入记忆单元，产生了梯度长时间持续流动的路径，并且自循环的权重也在每次迭代中进行更新。这样的设计可以避免横向深度导致的信息丢失，也解决了RNN模型在更新权重时容易产生的梯度消失问题。遗忘门通过删除记忆单元中的部分历史信息来控制信息的保存；输入门则对当前时刻和上一时刻的输出状态进行筛选，调节进入LSTM细胞的有用信息。这样的工作模式使基于长短期记忆网络模型的算法善于处理长序列数据，可实现时间序列预测。

雷达在实际工程应用中，采用的频谱预测方案多为当前平移预测模型。而这一模型是将当前时刻数据平移作为下一时刻的频谱数据。而高频地波雷达的工作环境复杂，虽然通过抗冲击干扰算法消除天电干扰，但是依然存在大量噪声和干扰，采用该方案直接将频谱平移将忽略复杂多变的电磁环境，无法达到实时监测的效果，影响选频的准确性。

滑窗选频方案实际采用的“多重门限-平均功率方案”是通过选取三道逐渐降低的门限来进行粗测选频，最终选取的频段位于干扰相对低的范围。采取三道门限一定程度上提高了准确度，但需要多次实验测试积累才能获取合适的门限参数，在复杂多变的电磁环境中，该方法缺乏一定的灵活性。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有的频谱预测方案忽略了复杂多变的电磁环境，无法达到实时监测的效果，影响选频的准确性。

(2)现有的滑窗选频方案需要多次实验测试积累才能获取合适的门限参数，灵活性低。

解决以上问题及缺陷的难度为：由于电磁环境复杂多变，若由当前监测到的频谱选择“寂静频率”应用到雷达，在频谱发生较大变化时，该“寂静频率”无法达到较好的效果。所以一个能根据现有频率信息有效预测下一时刻的频谱的方案是必要的。滑窗选频根据一定准则进行打分，选取的准则作为选频元素具有参考意义，且受小干扰的影响小。综上，需要寻找一种能由当前频谱信息有效预测下一时刻频谱，并且能依据一定选频原则筛选出最优频率的方案。

解决以上问题及缺陷的意义为：在复杂电磁环境中有效预测频谱，为后续寻找最优工作频率提供了较为准确的数据信息，可近似达到实时选频的效果。适宜的滑窗选频方案能高效利用频谱的特征信息寻找较优频率，在此优选频率上工作的雷达性能得到提升。

发明内容

针对现有技术存在的问题，本发明提供了一种高频地波雷达工作频率优选方法、***、存储介质及应用。

本发明是这样实现的，一种高频地波雷达工作频率优选方法、***、存储介质及应用包括：

步骤一，获取频谱数据：频监子***利用多路接收通道并行处理接收信号，分别对每个通道做傅里叶分析，然后将各通道分析结果合并，得到完整的频谱数据，将其作为抗冲击处理的频谱信息，提供后续处理的原始数据；

步骤二，抗冲击干扰处理：采用二维OS算法和二重门限算法对频谱数据进行处理，得到抗冲击干扰处理的频谱信息，消除了冲击干扰抬高全频段频谱的影响，为频谱预测提供了较为真实的频谱信息；

步骤三，长短期记忆模型预测频谱：构建LSTM网络，并进行模型训练和预测偏差进行评价。LSTM门控结构使其能够在时间序列上平衡对序列时间维度上的短期和长期依赖，比当前预测模型的预测精度高，为滑窗选频模块提供了预测精度高的频谱信息；

步骤四，平均功率谱-方差选频方案滑窗选频：选用二次曲线梯形窗，在整个频谱上滑动这个窗函数提取窗内平均功率谱和起伏度信息，计算滑窗总分，进而根据分数选出最佳工作频率。考虑了频带及其两侧的电磁信息，在电磁环境多变的情形下能避开干扰频段提供优选频率供雷达选择。

进一步，步骤一中，每路接收通道具有不同的载波频率，从而覆盖整个频段。

进一步，步骤二中，所述抗冲击干扰处理具体包括：

(1)采用二维OS算法，先对每个时间批次数据在频率维上将各点按幅度大小排序找到噪声基底，之后在时间维上采用OS算法求出时频图的噪声基底；

(2)采用二重门限算法，设置幅度门限和脉宽门限判别出干扰脉冲，剔除受到冲击干扰的频监数据或者用相邻无干扰批次数据代替，然后拼接整合剩下的有效频谱数据，得到抗冲击干扰处理的频谱信息。

进一步，步骤三，所述长短期记忆模型预测频谱包括：

(1)数据准备，按批次读取频谱数据，同时将频谱数据分为训练集和测试集，再将数据归一化；

(2)构建LSTM网络，设置各层节点数，激活函数默认为sigmoid函数和tanh函数；

(3)初始化网络参数，设置遗忘率、学习率、神经元个数、最大迭代次数；

(4)模型训练及评价指标，采用Adam算法进行模型训练，使用均方根误差作为评价指标，衡量模型的预测偏差。均方根误差计算公式：

/>

其中

代表模型的预测值，x_i代表序列的真实值，n代表预测值个数。

进一步，所述长短期记忆模型的计算公式：

i_t＝sigmoid(W_i[x_t,h_t-1]+b_i)；

f_t＝sigmoid(W_f[x_t,h_t-1]+b_f)；

o_t＝sigmoid(W_o[x_t,h_t-1]+b_o)；

h_t＝o_t·tanh(c_t)；

在每个时间步t中，x_t为输入向量，c_t为细胞状态向量，h_t是根据c_t输出的隐藏状态向量，其中W_*表示权重矩阵，b_*是偏置向量，*∈{i,f,o,c}；sigmoid函数被用作输入门i_t、遗忘门f_t和输出门o_t的激活函数，取值范围为[0,1]之间，用于控制各个门输出信息的比例；

和h_t使用tanh函数作为激活函数。

进一步，所述平均功率谱-方差选频方案滑窗选频具体包括：

首先按照雷达接收通道带宽和解调信号带宽确定二次曲线梯形窗的宽度，在整个频谱数据上滑动这个设计好的滑窗，由打分公式进行滑窗打分，选出工作频段内最优的频率点。

进一步，选取滑窗的宽度和形状都匹配雷达接收通道的带宽以及解调信号的带宽，将平均功率和方差作为选频元素，表示一定累计时间窗内信息的平均幅度和偏离程度。

进一步，所述打分公式为：

x₁＝n_F1x_F1+n_F2x_F2；

式中m_F1，m_F2为比例系数，取m_F1＝20，m_F2＝5；C_MIN，V_MIN代表最小均方值；Faverage在x_F1公式中表示滑窗功率的平均值，在x_F2公式中表示为滑窗的方差值；x₁为滑窗总分值；x_F1为滑窗平均功率分值；x_F2为滑窗方差分值；n_F1为滑窗平均功率分值的比例系数，取0.7；n_F2为滑窗方差分值的比例系数，取0.3。

本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：

获取频谱数据：频监子***利用多路接收通道并行处理接收信号，分别对每个通道做傅里叶分析，将各通道分析结果合并，得到完整的频谱数据；

抗冲击干扰处理：采用二维OS算法和二重门限算法对频谱数据进行处理，得到抗冲击干扰处理的频谱信息；

长短期记忆模型预测频谱：构建LSTM网络，并进行模型训练和预测偏差评价；

平均功率谱-方差选频方案滑窗选频：选用二次曲线梯形窗，在整个频谱上滑动这个窗函数提取窗内平均功率谱和起伏度信息，计算滑窗总分，进而根据分数选出最佳工作频率。

本发明的另一目的在于提供一种用于所述的高频地波雷达工作频率优选方法的高频地波雷达工作频率优选***，所述高频地波雷达工作频率优选***包括：

频谱数据获取模块，用于利用多路接收通道并行处理接收信号，分别对每个通道做傅里叶分析，然后将各通道分析结果合并，得到完整的频谱数据；

抗冲击干扰处理模块，用于对频谱数据进行处理，得到抗冲击干扰处理的频谱信息；

LSTM网络模型预测频谱模块，用于构建LSTM网络，并进行模型训练和预测偏差进行评价；

滑窗选频模块，用于选取合适的窗函数，在整个频谱上滑动这个窗函数提取窗内平均功率谱和起伏度信息，计算滑窗总分，进而根据分数选出最佳工作频率。

本发明的另一目的在于提供一种高频地波雷达，所述高频地波雷达搭载所述的高频地波雷达工作频率优选***。

结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明中的频谱预测方案的改进增强了选频的实时性和准确性。通过LSTM模型预测时间序列，训练学***移预测模型的RMSE，发现相比于传统的预测方法，基于LSTM进行频谱预测使预测更接近真实值，大大增强了可靠性。

本发明中的二次曲线梯形窗依据“平均功率谱-方差选频方案”进行滑窗选频，选择平均功率和方差作为指标评估，较全面地反映了频谱信息，二次曲线梯形窗也能有效躲开干扰频段。

对比矩形窗、梯形窗和二次曲线梯形窗的选频仿真结果，发现矩形窗打分时，两侧边界存在频率的尖峰，电磁环境多变，这些尖峰频率可能会影响雷达的探测威力。梯形窗和二次曲线梯形窗不仅能体现频带内的数据信息，还能兼顾两侧的电磁环境信息。相比于梯形窗，采用二次曲线梯形窗进行选频对小干扰的判别和躲避效果都更加优秀。

本发明提供了LSTM与当前平移预测结果的均方根误差对比图验证了LSTM模型预测方案的优越性；另外对比矩形窗与二次曲线梯形窗滑窗选频的结果，发现二次曲线梯形窗考虑了频带两侧信息，在复杂电磁环境下适应性更高。纠正了长短期记忆模型的原理图中的错误。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的高频地波雷达工作频率优选方法的流程图。

图2是本发明实施例提供的长短期记忆模型的原理图。

图3为本发明实施例提供的进行滑窗选频的示意图。

图4为本发明实施例提供的获取的含冲击干扰频谱数据图。

图5为本发明实施例提供的采用抗冲击干扰算法剔除冲击数据后的频谱图。

图6为本发明实施例提供的在实际应用中获取实测数据的“时间-频率-功率谱”图。

图7为本发明实施例提供的长短期记忆模型预测结果的均方根误差图。

图8为本发明实施例提供的当前平移模型预测结果的均方根误差图。

图9为本发明实施例提供的长短期记忆模型与当前平移模型预测结果的均方根误差对比图。

图10为本发明实施例提供的二次曲线梯形窗的函数结构图。

图11为本发明实施例提供的矩形窗的函数结构图。

图12为本发明实施例提供的矩形窗选频示意图。

图13为本发明实施例提供的二次曲线梯形窗选频示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种高频地波雷达工作频率优选方法、***、存储介质及应用，下面结合附图对本发明作详细的描述。

如图1所示，本发明实施例提供的高频地波雷达工作频率优选方法包括：

S101，获取频谱数据：频监子***利用多路接收通道并行处理接收信号，分别对每个通道做傅里叶分析，然后将各通道分析结果合并，得到完整的频谱数据；

S102，抗冲击干扰处理：采用二维OS算法和二重门限算法对频谱数据进行处理，得到抗冲击干扰处理的频谱信息；

S103，长短期记忆模型预测频谱：构建LSTM网络，并进行模型训练和预测偏差评价；

S104，平均功率谱-方差选频方案滑窗选频：在整个频谱上滑动二次曲线梯形窗，提取窗内平均功率谱和起伏度信息，根据打分方案选出最佳工作频率。

本发明提供的高频地波雷达工作频率优选方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的高频地波雷达工作频率优选方法仅仅是一个具体实施例而已。

下面结合附图对本发明的技术方案作进一步的描述。

1、如图2所示，长短期记忆模型(LSTM)的原理框架图，引入输入门、输出门、遗忘门来控制时序信息的记忆和遗忘。在每个时间步t中，x_t为输入向量，c_t为细胞状态向量，h_t是根据c_t输出的隐藏状态向量，其中W_*表示权重矩阵，b_*是偏置向量，*∈{i,f,o,c}。sigmoid函数被用作输入门i_t、遗忘门f_t和输出门o_t的激活函数，取值范围为[0,1]之间，用于控制各个门输出信息的比例；

和h_t通常使用双曲正切tanh函数作为激活函数。下列公式为LSTM的计算公式：

(1)i_t＝sigmoid(W_i[x_t,h_t-1]+b_i)；

(2)f_t＝sigmoid(W_f[x_t,h_t-1]+b_f)；

(3)o_t＝sigmoid(W_o[x_t,h_t-1]+b_o)；

(4)

(5)

(6)h_t＝o_t·tanh(c_t)；

本发明通过建立LSTM网络，设置各层节点数、遗忘率，学习率，神经元个数，最大迭代次数。将抗冲击干扰处理后的频谱信息中的一部分作为训练集输入到LSTM网络中进行学习，将另一部分作为预测集预测频谱。

2、平均功率谱-方差选频方案选频

图3为滑窗选频示意图，滑窗选频的原理是选取合适的窗函数，按照一定的准则打分，由分数选取最佳的工作频率。选取滑窗的宽度和形状都匹配雷达接收通道的带宽以及解调信号的带宽，将平均功率和方差作为选频元素，以表示一定累计时间窗内信息的平均幅度和偏离程度。式中m_F1，m_F2为比例系数，暂取m_F1＝20，m_F2＝5；C_MIN，V_MIN代表最小均方值；Faverage在公式(7)中表示滑窗功率的平均值，在公式(8)中表示为滑窗的方差值；x₁为滑窗总分值；x_F1为滑窗平均功率分值；x_F2为滑窗方差分值；n_F1为滑窗平均功率分值的比例系数，取0.7；n_F2为滑窗方差分值的比例系数，取0.3。公式如下：

(7)

(8)

(9)x₁＝n_F1x_F1+n_F2x_F2；

首先按照雷达接收通道带宽和解调信号带宽确定二次曲线梯形窗的宽度，在整个频谱数据上滑动这个设计好的滑窗，由上述打分公式进行滑窗打分，选出工作频段内最优的频率点。由于矩形窗打分时，两侧边界存在频率的尖峰，电磁环境多变，这些尖峰频率可能会影响雷达的探测威力，所以采用二次曲线梯形窗进行选频。不仅能体现频带内的数据信息，还能兼顾两侧的电磁环境信息。

下面结合仿真实验对本发明的技术效果作详细的描述。

1.获取频谱数据：频监子***利用多路接收通道并行处理接收信号，每路接收通道具有不同的载波频率，从而覆盖整个频段。分别对每个通道做傅里叶分析，然后将各通道分析结果合并，得到完整的频谱数据。

2.抗冲击干扰处理

I.采用二维OS(order statistics)算法，即二维有序统计量算法，在频率维上对每个时间批次数据按幅度大小排序，取排序样本的1/4作为噪声基底的估计门限，对获得的基底序列用OS算法基底，便得到时频图的噪声基底。

II.采用二重门限算法，设置幅度门限和脉宽门限判别出干扰脉冲，剔除受到冲击干扰的频监数据或者用相邻无干扰批次数据代替，然后拼接整合剩下的有效频谱数据，得到抗冲击干扰处理的频谱信息。

图4、图5为抗冲击干扰前后的频谱图。

3.长短期记忆模型预测频谱

I.数据准备。按批次读取频谱数据，同时将频谱数据分为训练集和测试集，再将数据归一化。

II.构建LSTM网络。设置各层节点数，激活函数默认为sigmoid函数和tanh函数。

III.初始化网络参数。设置遗忘率、学习率、神经元个数、最大迭代次数。

IV.模型训练及评价指标。采用Adam算法进行模型训练，本实验使用均方根误差(Root Mean Square Error,RMSE)作为评价指标，来衡量模型的预测偏差。

本次录取频段为4.3MHz至4.9MHz，频率间隔为0.5kHz，共计1200个频点。时间平均间隔定为5分钟，每个频率点共计700个时间批次点，按照每700个时间批次中90％为训练集，10％为测试集进行预测70个点的结果。遗忘率设置为0.1，学***移预测模型的均方根误差值，图9为LSTM与当前平移预测结果的均方根误差对比。

4.平均功率谱-方差选频方案滑窗选频

选用二次曲线梯形窗(图10)，在整个频谱上滑动这个窗函数提取窗内平均功率谱和起伏度信息，计算滑窗总分，进而根据分数选出最佳工作频率。图11、为矩形窗结构图，图12、图13分别为矩形窗、二次曲线梯形窗选频示意图。

应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行***，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种高频地波雷达工作频率优选方法，其特征在于，所述高频地波雷达工作频率优选方法包括：

获取频谱数据：频监子***利用多路接收通道并行处理接收信号，分别对每个通道做傅里叶分析，将各通道分析结果合并，得到完整的频谱数据；

抗冲击干扰处理：采用二维OS算法和二重门限算法对频谱数据进行处理，得到抗冲击干扰处理的频谱信息；

长短期记忆模型预测频谱：构建LSTM网络，并进行模型训练和预测偏差评价；

平均功率谱-方差选频方案滑窗选频：在整个频谱上滑动二次曲线梯形窗，提取窗内平均功率谱和起伏度信息，根据打分方案选出最佳工作频率；

所述抗冲击干扰处理具体包括：

(1)采用二维OS算法，即二维有序统计量算法，在频率维上对每个时间批次数据按幅度大小排序，取排序样本的1/4作为噪声基底的估计门限，对获得的基底序列用OS算法基底，便得到时频图的噪声基底；

(2)采用二重门限算法，设置幅度门限和脉宽门限判别出干扰脉冲，剔除受到冲击干扰的频监数据或者用相邻无干扰批次数据代替，拼接整合剩下的有效频谱数据，得到抗冲击干扰处理的频谱信息。

2.如权利要求1所述的高频地波雷达工作频率优选方法，其特征在于，每路接收通道具有不同的载波频率，覆盖整个频段。

3.如权利要求1所述的高频地波雷达工作频率优选方法，其特征在于，所述长短期记忆模型预测频谱包括：

(1)数据准备，按批次读取频谱数据，同时将频谱数据分为训练集和测试集，再将数据归一化；

(2)构建LSTM网络，设置各层节点数，激活函数默认为sigmoid函数和tanh函数；

(3)初始化网络参数，设置遗忘率、学习率、神经元个数、最大迭代次数；

(4)模型训练及评价指标，采用Adam算法进行模型训练，使用均方根误差作为评价指标，衡量模型的预测偏差，均方根误差计算公式：

其中

代表模型的预测值，x_i代表序列的真实值，n代表预测值个数。

4.如权利要求1所述的高频地波雷达工作频率优选方法，其特征在于，所述长短期记忆模型的计算公式：

i_t＝sigmoid(W_i[x_t,h_t-1]+b_i)；

f_t＝sigmoid(W_f[x_t,h_t-1]+b_f)；

o_t＝sigmoid(W_o[x_t,h_t-1]+b_o)；

h_t＝o_t·tanh(c_t)；

在每个时间步t中，x_t为输入向量，c_t为细胞状态向量，h_t是根据c_t输出的隐藏状态向量，其中W_*表示权重矩阵，b_*是偏置向量，*∈{i,f,o,c}；sigmoid函数被用作输入门i_t、遗忘门f_t和输出门o_t的激活函数，取值范围为[0,1]之间，用于控制各个门输出信息的比例；

和h_t使用tanh函数作为激活函数。

5.如权利要求1所述的高频地波雷达工作频率优选方法，其特征在于，所述平均功率谱-方差选频方案滑窗选频具体包括：首先按照雷达接收通道带宽和解调信号带宽确定二次曲线梯形窗的宽度，在整个频谱数据上滑动这个设计好的滑窗，由打分公式进行滑窗打分，选出工作频段内最优的频率点；

选取滑窗的宽度和形状都匹配雷达接收通道的带宽以及解调信号的带宽，将平均功率和方差作为选频元素，表示一定累计时间窗内信息的平均幅度和偏离程度。

6.如权利要求5所述的高频地波雷达工作频率优选方法，其特征在于，所述打分公式为：

x₁＝n_F1x_F1+n_F2x_F2；

式中m_F1，m_F2为比例系数，取m_F1＝20，m_F2＝5；C_MIN，V_MIN代表最小均方值；Faverage在x_F1公式中表示滑窗功率的平均值，在x_F2公式中表示为滑窗的方差值；x₁为滑窗总分值；x_F1为滑窗平均功率分值；x_F2为滑窗方差分值；n_F1为滑窗平均功率分值的比例系数，取0.7；n_F2为滑窗方差分值的比例系数，取0.3。

7.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：

获取频谱数据：频监子***利用多路接收通道并行处理接收信号，分别对每个通道做傅里叶分析，将各通道分析结果合并，得到完整的频谱数据；

抗冲击干扰处理：采用二维OS算法计算噪声基底，采用二重门限算法判别出冲击脉冲并剔除，得到抗冲击干扰处理的频谱信息；

长短期记忆模型预测频谱：构建LSTM网络，并进行模型训练和预测偏差评价；

平均功率谱-方差选频方案滑窗选频：选用二次曲线梯形窗，在整个频谱上滑动这个窗函数提取窗内平均功率谱和起伏度信息，计算滑窗总分，进而根据分数选出最佳工作频率；

所述抗冲击干扰处理具体包括：

(1)采用二维OS算法，即二维有序统计量算法，在频率维上对每个时间批次数据按幅度大小排序，取排序样本的1/4作为噪声基底的估计门限，对获得的基底序列用OS算法基底，便得到时频图的噪声基底；

(2)采用二重门限算法，设置幅度门限和脉宽门限判别出干扰脉冲，剔除受到冲击干扰的频监数据或者用相邻无干扰批次数据代替，拼接整合剩下的有效频谱数据，得到抗冲击干扰处理的频谱信息。

8.一种用于权利要求1～6任意一项所述的高频地波雷达工作频率优选方法的高频地波雷达工作频率优选***，其特征在于，所述高频地波雷达工作频率优选***包括：

频谱数据获取模块，用于利用多路接收通道并行处理接收信号，分别对每个通道做傅里叶分析，然后将各通道分析结果合并，得到完整的频谱数据；

抗冲击干扰处理模块，用于对频谱数据进行处理，得到抗冲击干扰处理的频谱信息；

LSTM网络模型预测频谱模块，用于构建LSTM网络，并进行模型训练和预测偏差进行评价；

滑窗选频模块，用于选取合适的窗函数，在整个频谱上滑动这个窗函数提取窗内平均功率谱和起伏度信息，计算滑窗总分，进而根据分数选出最佳工作频率；

所述抗冲击干扰处理具体包括：

(1)采用二维OS算法，即二维有序统计量算法，在频率维上对每个时间批次数据按幅度大小排序，取排序样本的1/4作为噪声基底的估计门限，对获得的基底序列用OS算法基底，便得到时频图的噪声基底；

(2)采用二重门限算法，设置幅度门限和脉宽门限判别出干扰脉冲，剔除受到冲击干扰的频监数据或者用相邻无干扰批次数据代替，拼接整合剩下的有效频谱数据，得到抗冲击干扰处理的频谱信息。

9.一种高频地波雷达，其特征在于，所述高频地波雷达搭载权利要求8所述的高频地波雷达工作频率优选***。

Images