CN113433514A - 基于展开式深度网络的参数自学习干扰抑制方法 - Google Patents

Abstract

本发明提供了一种基于展开式深度网络的参数自学习干扰抑制方法，对含干扰的原始回波信号进行短时傅里叶变换，得到时频谱数据矩阵，对时频谱数据矩阵进行子块分割处理，建立展开式深度网络，将训练集作为展开式深度网络的输入进行训练，同时代入验证集进行模型评价，得到训练最优的模型；将测试集输入到训练最优的模型里对干扰回波矩阵进行识别与分析。本发明对干扰进行有效的分离与信号重构，将原来的无监督分解问题转化为有监督的神经网络学习问题，使其迭代次数大大减少，并且算法超参数可以自适应求解得到，网络不再依赖大量数据集，也避免了小数据量下训练网络出现过拟合的可能性。

Description

基于展开式深度网络的参数自学习干扰抑制方法

技术领域

本发明涉及信号处理领域，尤其是一种干扰抑制的方法。本发明在基于模型的迭代优化方法的基础上，引入深度展开概念，结合循环神经网络来实现迭代步骤的等效替代，并完成算法超参数的优化自学习，降低算法的复杂度，可以实现对信号中的射频干扰有效的提取和分离。

背景技术

近年来，雷达回波中的射频干扰问题日趋严重，对成像过程、图像解译、定量化遥感应用等产生了不利影响。当前干扰分离与重构方法的实现思路大多基于模型驱动，利用特定的物理先验知识约束和优化准则进行迭代搜索求解最优解。通常来说，此类迭代算法需人为设置一些超参数(例如矩阵秩、稀疏度等模型参数、正则化系数等)，以使算法在较少的迭代次数中即可达到最优解。但超参数的设定与寻优过程是一项困难且耗时的手动工作，比较依赖人工经验进行启发式搜索，且随着参数数量的增多，难度也成倍提升，往往需要数百甚至数千次迭代，无法满足射频干扰抑制的“高时效性”要求。对不同的场景数据往往需要调整不一样的参数，不具有较好的泛化性。即使有自动(在线)参数选择方法(例如，自适应步长选择方法)，其计算复杂度也较大，甚至超过优化问题本身的复杂性。

以深度学习为代表的人工智能方法能够获取目标深层本质特征信息，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的精细化特征表示，并已在射频干扰抑制方法中得到初步应用，取得了较不错的效果，是信号处理的重要发展趋势之一。但此类深度学习方法本质上依赖于大数据，是通过从训练样本中学习来近似有限的封闭形式的表达式来实现干扰抑制，更接近黑盒机制而缺乏可解释性。同时，模型参数非常多，对训练数据的数量与质量要求比较高，否则容易发生过拟合现象。

如何将传统模型驱动方法与数据驱动的方法相融合，提升干扰抑制方法性能，是研究的热点问题。普遍逼近定理指出，有限个神经元的单隐层前向网络可以逼近紧子集上的连续函数。如果能将迭代算法的每次迭代替换为深层神经网络中的一个层，然后连接几个这样的层，那么就有可能实现收敛性的显著改进。

发明内容

为了克服现有技术的不足，本发明提供一种基于展开式深度网络的参数自学习干扰抑制方法。在基于模型的迭代优化方法基础上，通过利用深度展开技术，可将原来的无监督分解问题转化为基于有监督神经网络的学习问题。通过这种变换，迭代次数大大减少，超参数也可以从数据中自主学习，无需手动设置，能够提高算法的效率与准确性。

本发明的基本思路是：干扰由于随时间快变，在不同方位回波中特征各不相同，具备稀疏性；而在相邻的方位回波中，场景回波数据变化较缓慢，具备低秩性。采用鲁棒主成分分析，通过无监督迭代优化将数据矩阵分解为低秩分量和稀疏分量，实现干扰与有用信号的分离。通过将迭代算法中的每一次迭代等效替代为神经网络的每一层，那么就可以把这类基于模型的求解算法转化为端对端的学习问题，迭代次数大大减少，超参数也可以从数据中自主学习，无需手动设置，能够提高算法的效率与准确性。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤1：依次对含干扰的原始回波信号进行短时傅里叶变换，得到时频谱数据矩阵X∈￡^P×Q×N，其中P,Q分别为单次方位回波时频谱的时间单元数与频率单元数，N为方位回波数目；

步骤2：对时频谱数据矩阵X∈￡^P×Q×N进行子块分割处理，得到K*N个大小为p×q的子块数据矩阵，其中K＝PQ/pq，将所有K*N个子块数据矩阵向量化处理，并拼接得到大小为pq×1的时频谱子块数据矩阵D∈￡^pq×N，分别构造训练集、验证集和测试集；

步骤3：建立展开式深度网络；

对时频谱子块数据矩阵D∈￡^pq×N进行雷达干扰抑制，表示为如下极值问题进行求解：

其中||·||_*是核范数，||·||_1,2是l_1,2范数，H₁和H₂是测量矩阵，L∈￡^pq×N是满足低秩条件的有用信号时频谱子块数据矩阵，S∈￡^pq×N是满足稀疏条件的干扰时频谱子块数据矩阵。

优化问题采用软阈值迭代算法进行迭代求解，第k次迭代的求解公式如下：

其中，SVT_(g)是奇异值阈值算子，L_f是二次项的Lipschitz常数，T_(g)是软阈值，软阈值的值与超参数λ₁和λ₂相关，L^k是第k次迭代后得到的有用信号时频谱子块数据矩阵，L^k是第k次迭代后得到的干扰时频谱子块数据矩阵；

采用展开式深度网络等效替代迭代步骤，改进后的迭代求解更新公式如下：

其中P₁,P₂,P₃,P₄,P₅,P₆是卷积核；

步骤4：将训练集作为步骤3所述展开式深度网络的输入进行训练，同时代入验证集进行模型评价，当损失函数参数使验证集的损失函数最小均方误差(Mean SquareError,MSE)收敛不再变化时，即为训练最优的模型；将测试集输入到训练最优的模型里对干扰回波矩阵进行识别与分析。

所述步骤2中，将K*N个时频谱子块数据矩阵D分别构造为训练集和验证集，并另外构造一个测试集，且测试集和验证集的数量相同。

所述展开式深度网络包括K1个5×5卷积层、K2个3×3的卷积层，展开式深度网络的单层结构如图2所示。

本发明的有益效果在于：

1.本发明利用回波的低秩特性和干扰的稀疏特性，可以对干扰进行有效的分离与信号重构。

2.相比常规基于模型迭代求解最优解的方法，本发明将迭代过程用循环神经网络等效替代，将原来的无监督分解问题转化为有监督的神经网络学习问题，使其迭代次数大大减少，并且算法超参数可以自适应求解得到。

3.相比常规基于学习求解最优解的方法(如神经网络Resnet)，本发明不同于常规神经网络的黑盒模型，有着很强的理论可解释性，使得在理论上网络不再依赖大量数据集，也避免了小数据量下训练网络出现过拟合的可能性。

附图说明

图1是本发明方法的总流程图。

图2是网络单层的流程图；

图3是本发明方法的一个实施例的数据预处理示意图；

图4是本发明方法在训练阶段下每一轮的损失函数变化曲线；

图5是本发明方法的处理结果，其中图5(a)是原始回波的时频图，图5(b)是射频干扰的时频图，图5(c)是有干扰污染的回波信号时频图，图5(d)是通过展开式深度网络估计的预测干扰时频图，图5(e)是通过展开式深度网络估计的预测回波时频图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

以下结合附图和具体实施例对本发明作进一步详细说明。这里的具体实施例只是本文方法的其中一种情况，不可能包含所有的实施例，通过具体实施例，本部分的内容将会让该领域的工作人员更加清楚理解本方法的工作原理、具体步骤和实施效果；

步骤1：图1所示为根据本发明的一个实施例的基于展开式深度网络的参数自学习干扰抑制方法的总流程图，依次对含干扰的原始回波信号进行短时傅里叶变换，得到时频谱数据矩阵

其中4096、256分别为单次方位回波时频谱的时间单元数与频率单元数，10为方位回波数目；

步骤2：对加入干扰的回波信号时频图做预处理，预处理过程如图3所示，对时频谱数据矩阵

进行子块分割处理，得到2560张大小为64×64的子块数据矩阵。进一步将所有子块数据矩阵向量化处理，并拼接得到2560张大小为4096×1的时频谱子块数据矩阵。本实施例训练集为2000张，验证集560张，测试集560张；

步骤3：对时频谱子块数据矩阵

进行雷达干扰抑制，表示为如下极值问题来求解：

其中||·||_*是核范数，||·||_1,2是l_1,2范数，H₁和H₂是测量矩阵，

为输入的被干扰污染的矩阵，

是满足低秩条件的有用信号时频谱子块数据矩阵，

是满足稀疏条件的干扰时频谱子块数据矩阵。

该优化问题可采用软阈值迭代算法进行迭代求解。第k次迭代的求解公式如下：

其中，H₁和H₂是测量矩阵，SVT_(g)是奇异值阈值算子，L_f是二次项的Lipschitz常数，T_(g)是软阈值，其值与超参数λ₁和λ₂相关。

本发明采用展开式深度网络等效替代迭代步骤。该网络包括K1个5×5卷积层、K2个3×3的卷积层，网络的单层结构如图2所示。改进后的迭代求解更新公式如下：

其中P₁,P₂,P₃,P₄,P₅,P₆是卷积核。本实施例从输入到输出包括为3个5×5卷积层、7个3×3的卷积层，超参数λ₁和λ₂分别设置初始值为0.4和1.8。网络采用MSE损失函数作为卷积层参数的迭代更新，采用Adam优化算法对卷积层参数进行优化，学习率设置为0.002；网络的单层步骤如2所示，即输入的被干扰污染的矩阵D通过卷积算子P代替软阈值迭代算法的乘法操作来提取特征，保留软阈值迭代算法的奇异值阈值步骤来交替求解低秩回波矩阵L_k+1和稀疏干扰矩阵S_k+1。

步骤4：将训练集和验证集作为步骤3所述展开式深度网络的输入进行训练和验证，使验证集的损失函数最小均方误差(Mean Square Error,MSE)实现收敛即不再变化时，即为训练最优的模型，并将测试集代入到保存好的模型进行测试；其中训练集每轮的损失函数曲线如图4所示，测试集验证的结果如图5(d)和图5(e)所示，从图中可以看出，能量大小不一的干扰，对原始数据破坏效果明显，经过训练后选用模型可以有效的将原始回波矩阵从被干扰污染的回波矩阵中分离出来。

本发明采用的展开式深度网络架构可以根据验证集的模型进行神经元、优化算法、损失函数、学习率和衰减率或者卷积层数的调整，来提高抑制干扰的精度。

Claims (3)

1.一种基于展开式深度网络的参数自学习干扰抑制方法，其特征在于包括下述步骤：

步骤1：依次对含干扰的原始回波信号进行短时傅里叶变换，得到时频谱数据矩阵

其中P,Q分别为单次方位回波时频谱的时间单元数与频率单元数，N为方位回波数目；

步骤2：对时频谱数据矩阵

进行子块分割处理，得到K*N个大小为p×q的子块数据矩阵，其中K＝PQ/pq，将所有K*N个子块数据矩阵向量化处理，并拼接得到大小为pq×1的时频谱子块数据矩阵

分别构造训练集、验证集和测试集；

步骤3：建立展开式深度网络；

对时频谱子块数据矩阵

进行雷达干扰抑制，表示为如下极值问题进行求解：

其中||·||_*是核范数，||·||_1,2是l_1,2范数，H₁和H₂是测量矩阵，

是满足低秩条件的有用信号时频谱子块数据矩阵，

是满足稀疏条件的干扰时频谱子块数据矩阵。

优化问题采用软阈值迭代算法进行迭代求解，第k次迭代的求解公式如下：

其中，SVT_(g)是奇异值阈值算子，L_f是二次项的Lipschitz常数，T_(g)是软阈值，软阈值的值与超参数λ₁和λ₂相关，L^k是第k次迭代后得到的有用信号时频谱子块数据矩阵，L^k是第k次迭代后得到的干扰时频谱子块数据矩阵；

采用展开式深度网络等效替代迭代步骤，改进后的迭代求解更新公式如下：

其中P₁,P₂,P₃,P₄,P₅,P₆是卷积核；

步骤4：将训练集作为步骤3所述展开式深度网络的输入进行训练，同时代入验证集进行模型评价，当损失函数参数使验证集的损失函数最小均方误差收敛不再变化时，即为训练最优的模型；将测试集输入到训练最优的模型里对干扰回波矩阵进行识别与分析。

2.根据权利要求1所述的一种基于展开式深度网络的参数自学习干扰抑制方法，其特征在于：

所述步骤2中，将K*N个时频谱子块数据矩阵D分别构造为训练集和验证集，并另外构造一个测试集，且测试集和验证集的数量相同。

3.根据权利要求1所述的一种基于展开式深度网络的参数自学习干扰抑制方法，其特征在于：

所述展开式深度网络包括K1个5×5卷积层、K2个3×3的卷积层。

Images