CN116068521B - 一种雷达探测信号主动降噪方法 - Google Patents

一种雷达探测信号主动降噪方法 Download PDF

Info

Publication number
CN116068521B
CN116068521B CN202310248496.3A CN202310248496A CN116068521B CN 116068521 B CN116068521 B CN 116068521B CN 202310248496 A CN202310248496 A CN 202310248496A CN 116068521 B CN116068521 B CN 116068521B
Authority
CN
China
Prior art keywords
decomposition
signal
radar detection
signals
scale
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310248496.3A
Other languages
English (en)
Other versions
CN116068521A (zh
Inventor
刘建洪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsha Dongmak Information Technology Co ltd
Original Assignee
Changsha Dongmak Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changsha Dongmak Information Technology Co ltd filed Critical Changsha Dongmak Information Technology Co ltd
Priority to CN202310248496.3A priority Critical patent/CN116068521B/zh
Publication of CN116068521A publication Critical patent/CN116068521A/zh
Application granted granted Critical
Publication of CN116068521B publication Critical patent/CN116068521B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及信号降噪的技术领域，揭露了一种雷达探测信号主动降噪方法，所述方法包括：采集雷达探测信号并基于信号分解耦合度确定分解尺度，根据分解尺度对所采集的雷达探测信号进行多尺度分解，得到不同尺度下的分解子信号；对采集的雷达探测信号进行综合波动程度曲率拐点计算，得到最优阈值；于最优阈值构建阈值函数，利用阈值函数将分解子信号分解为低频系数和高频系数；对分解得到的低频系数以及高频系数进行信号重构，得到降噪后的雷达探测信号。本发明基于雷达探测信号滤波结果的自相关性确定最优分解尺度，有效过滤掉自相关性较小的噪声信号，并利用改进的阈值函数提高重构后雷达探测信号中有效信息的占比，进而降低其中的噪声信息占比。

Description

一种雷达探测信号主动降噪方法
技术领域
本发明涉及信号降噪的技术领域，尤其涉及一种雷达探测信号主动降噪方法。
背景技术
雷达已广泛应用于地面、空中、海上和太空，地面雷达主要用来探测、定位和跟踪空中目标，不仅在军事各个方面得到应用，同时在民用雷达方面也发挥着日益增长的作用．然而雷达回波信号在接受过程中受到内部噪声、地杂波和外部干扰等噪声的影响，导致目标检测结果出现偏差，甚至影响目标识别的正确判断，并且雷达信号和噪声频带部分甚至全部混叠，传统的信号去噪方法无法依据差频信号频域分布的特点对滤波器参数进行自适应修改，难以有效实现信噪分离，去除雷达信号噪音。针对该问题，本发明提出一种雷达探测信号主动降噪方法，实现雷达探测信号增强。
发明内容
有鉴于此，本发明提供一种雷达探测信号主动降噪方法，目的在于：1）根据噪声信号自相关较小的特性，基于雷达探测信号低通滤波结果以及高通滤波结果的自相关性确定最优分解尺度，利用该尺度进行信号分解，能够有效过滤掉自相关性较小的噪声信号，分解得到包含更多雷达探测信号特征的分解子信号；2）根据所采集雷达探测信号与预设噪声信号的信号差值确定雷达探测信号的波动程度，并衡量波动程度的曲率拐点，其中波动程度的曲率拐点表现为雷达探测信号与噪声信号差异变化幅度最大的点，并将该点作为最优阈值对传统阈值函数进行优化，并可通过调控所构建阈值函数与不同传统阈值函数的相似性，得到对应的阈值幅度调节参数对阈值函数进行优化，进而根据信号处理过程中的实时需求，保留传统阈值函数中的较好特性，实现更为精准的分解子信号调控，提高重构后雷达探测信号中有效信息的占比，进而降低其中的噪声信息占比。
实现上述目的，本发明提供的一种雷达探测信号主动降噪方法，包括以下步骤：
S1：采集雷达探测信号并基于信号分解耦合度确定分解尺度，根据分解尺度对所采集的雷达探测信号进行多尺度分解，得到不同尺度下的分解子信号；
S2：对采集的雷达探测信号进行综合波动程度曲率拐点计算，得到最优阈值；
S3：基于最优阈值构建阈值函数，利用阈值函数将分解子信号分解为低频系数和高频系数；
S4：对分解得到的低频系数以及高频系数进行信号重构，得到降噪后的雷达探测信号。
作为本发明的进一步改进方法：
可选地，所述S1步骤中采集雷达探测信号，包括：
雷达向待探测区域发射雷达信号，雷达信号到达待探测区域后产生回波信号，接收机接收回波信号并对回波信号进行采样处理，得到雷达探测信号，其中回波信号的形式为：
Figure SMS_1
;
其中：
t表示连续的时序信息；
A表示回波信号
Figure SMS_2
的幅值；
f表示回波信号
Figure SMS_3
的频率，/>
Figure SMS_4
表示回波信号的初始相位；
在本发明实施例中，所述回波信号中包括探测目标的回波信号以及噪声信号，噪声信号包括接收机内部噪声、外部环境噪声以及干扰信号；
对所采集的回波信号进行采样处理得到对应的雷达探测信号，其中对回波信号
Figure SMS_5
进行采样处理的流程为：
S11：设置信号采样频率为
Figure SMS_6
，其中/>
Figure SMS_7
，/>
Figure SMS_8
表示回波信号/>
Figure SMS_9
中的最大信号频率；
S12：按照等间隔
Figure SMS_10
对回波信号/>
Figure SMS_11
进行采样处理，每个采样点的值为对应采样时刻的回波信号值，其中相邻采样点的采样时间间隔为/>
Figure SMS_12
；对回波信号/>
Figure SMS_13
进行采样得到的采样点数目num为：
Figure SMS_14
;
其中：
Figure SMS_15
表示回波信号的长度；
S13：将每个采样点的值以
Figure SMS_16
的整数倍进行度量，度量结果即为/>
Figure SMS_17
，其中
Figure SMS_18
表示采样点的值，/>
Figure SMS_19
表示预设值的度量单位；
S14：将每个采样点的度量结果进行二进制编码，得到每个采样点的编码结果，并按采样点的采样顺序对编码结果进行排序，得到回波信号
Figure SMS_20
对应的雷达探测信号/>
Figure SMS_21
：
Figure SMS_22
;
其中：
Figure SMS_23
表示回波信号/>
Figure SMS_24
中第n个采样点的编码结果。
可选地，所述S1步骤中基于信号分解耦合度确定分解尺度，包括：
基于信号分解耦合度确定雷达探测信号的分解尺度，其中分解尺度的确定流程为：
S11：分别利用低通滤波器L和高通滤波器H对雷达探测信号进行交替滤波分解处理：
Figure SMS_25
;
Figure SMS_26
;
其中：
Figure SMS_27
表示卷积处理；/>
Figure SMS_28
表示第k+1层分解尺度的低通滤波结果，/>
Figure SMS_29
表示第k+1层分解尺度的高通滤波结果，/>
Figure SMS_30
,/>
Figure SMS_31
;
S12：计算第k层分解尺度的低通滤波结果以及高通滤波结果所对应的自相关系数：
Figure SMS_32
Figure SMS_33
;
其中：
Figure SMS_34
表示第k层分解尺度的低通滤波结果所对应的自相关系数；
Figure SMS_35
表示第k层分解尺度的高通滤波结果所对应的自相关系数；
S13：计算第k层分解尺度的自相关系数差值：
Figure SMS_36
；
其中：
Figure SMS_37
表示第k层分解尺度的自相关系数差值；
S14：选取满足低通滤波结果所对应自相关系数大于0.75，且自相关系数差值大于0.4的最大分解尺度层数作为所确定的最大分解尺度
Figure SMS_38
，则所确定的分解尺度/>
Figure SMS_39
。
可选地，所述S1步骤中根据所确定的分解尺度对所采集的雷达探测信号进行多尺度分解，得到不同尺度下的分解子信号，包括：
根据所确定的分解尺度对所采集的雷达探测信号进行多尺度分解，得到不同尺度下的分解子信号，其中多尺度分解流程为：
调整分解尺度
Figure SMS_40
，对雷达探测信号进行多尺度分解处理，其中多尺度分解处理的公式为：
Figure SMS_41
；
Figure SMS_42
；
Figure SMS_43
；
其中：
Figure SMS_44
表示雷达探测信号在分解尺度/>
Figure SMS_45
下的分解子信号，其中/>
Figure SMS_46
；
Figure SMS_47
表示雷达探测信号中第n个信号采样点的分解结果。
可选地，所述S2步骤中对采集的雷达探测信号进行综合波动程度曲率拐点计算，包括：
对所采集的雷达探测信号
Figure SMS_48
进行综合波动程度曲率拐点计算，将计算得到的曲率拐点作为最优阈值/>
Figure SMS_49
，其中曲率拐点的计算流程为：
S21：将雷达探测信号重构为均值序列：
Figure SMS_50
Figure SMS_51
，其中/>
Figure SMS_52
，
Figure SMS_53
表示雷达探测信号对应的均值序列，/>
Figure SMS_54
表示/>
Figure SMS_55
中的第/>
Figure SMS_56
个子序列，在本发明实施例中，将m的初始值设置为2；
S22：获取长度为num的噪声信号，并将噪声信号重构为均值序列
Figure SMS_57
，其中/>
Figure SMS_58
中的第r个子序列为/>
Figure SMS_59
；
S23：计算
Figure SMS_60
与/>
Figure SMS_61
对应元素差值的绝对值的最大值，作为两序列之间的距离/>
Figure SMS_62
；
S24：将序列之间的距离转换为序列之间的相似度
Figure SMS_63
，其中/>
Figure SMS_64
为待求解的曲率拐点；
S25：计算得到
Figure SMS_65
：
Figure SMS_66
；
S26：记录
Figure SMS_67
，令m+1，返回步骤S21，得到/>
Figure SMS_68
；并计算得到/>
Figure SMS_69
：
Figure SMS_70
；
计算函数
Figure SMS_71
的拐点，将计算得到的拐点作为求解得到的曲率拐点/>
Figure SMS_72
。
可选地，所述S3步骤中基于最优阈值构建阈值函数，包括：
基于最优阈值
Figure SMS_73
构建阈值函数，所构建的阈值函数为：
Figure SMS_74
；
Figure SMS_75
；
Figure SMS_76
；
Figure SMS_77
；
其中：
Figure SMS_78
表示修正参数，/>
Figure SMS_79
，/>
Figure SMS_80
为调节参数；
Figure SMS_81
表示阈值幅度调节参数，/>
Figure SMS_82
，/>
Figure SMS_83
，/>
Figure SMS_84
表示阈值函数同硬阈值函数的相似性，/>
Figure SMS_85
表示阈值函数同软阈值函数的相似性，通过调控所构建阈值函数与不同阈值函数的相似性，得到对应的阈值幅度调节参数；
Figure SMS_86
表示分解结果/>
Figure SMS_87
的阈值调控后结果。
在本发明实施例中，相较于传统硬阈值函数以及软阈值函数，本发明所构建阈值函数连续，不存在间断，避免处理后分解结果不连续，重构后信号会产生震荡现象，同时基于修正参数，对绝对值较高的分解结果进行修正，保证最优阈值所对应调控结果与修正后调控结果之间的平滑性，并增加阈值幅度调节参数，可通过调控所构建阈值函数与不同阈值函数的相似性，得到对应的阈值幅度调节参数对阈值函数进行优化，进而根据信号处理过程中的实时需求，保留传统阈值函数中的较好特性。
可选地，所述S3步骤中利用阈值函数将分解子信号分解为低频系数和高频系数，包括：
利用阈值函数将分解子信号分解为低频系数以及高频系数，其中分解子信号的分解流程为：
S31：将雷达探测信号中所有信号采样点的分解结果依次输入到阈值函数中，得到对应的阈值调控后结果，将所述阈值调控后结果作为信号采样点的高频系数，所述分解子信号的高频系数为：
Figure SMS_88
；
其中：
Figure SMS_89
表示雷达探测信号在分解尺度/>
Figure SMS_90
下的分解子信号/>
Figure SMS_91
的高频系数；
S32：对每个信号采样点的高频系数进行自适应选取，得到对应信号采样点的低频系数：
Figure SMS_92
；
其中：
Figure SMS_93
表示自适应选取参数；
Figure SMS_94
表示分解子信号/>
Figure SMS_95
中第v个信号采样点的高频系数，/>
Figure SMS_96
表示分解子信号/>
Figure SMS_97
中第v个信号采样点的低频系数；
所述自适应选取参数的自适应求解流程为：
构建损失函数：
Figure SMS_98
;
其中：
Figure SMS_99
表示利用自适应选取参数/>
Figure SMS_100
求解得到的低频系数；
利用梯度下降算法对损失函数进行求解，得到最优自适应选取参数。
可选地，所述S4步骤中对分解得到的低频系数以及高频系数进行信号重构，包括：
对分解得到的低频系数以及高频系数进行信号重构，将信号重构结果作为降噪后的雷达探测信号，其中信号重构公式为：
Figure SMS_101
;
其中：
Figure SMS_102
为重构信号在第n个信号采样点的重构结果，/>
Figure SMS_103
。
为了解决上述问题，本发明提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；
通信接口，实现电子设备通信；及处理器，执行所述存储器中存储的指令以实现上述所述的雷达探测信号主动降噪方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的雷达探测信号主动降噪方法。
相对于现有技术，本发明提出一种雷达探测信号主动降噪方法，该技术具有以下优势：
首先，本方案提出一种最优分解尺度计算方法，通过分别利用低通滤波器L和高通滤波器H对雷达探测信号进行交替滤波分解处理：
Figure SMS_104
;
Figure SMS_105
;
其中：
Figure SMS_106
表示第k层分解尺度的低通滤波结果所对应的自相关系数；
Figure SMS_107
表示第k层分解尺度的高通滤波结果所对应的自相关系数；计算第k层分解尺度的自相关系数差值：/>
Figure SMS_108
；
其中：
Figure SMS_109
表示第k层分解尺度的自相关系数差值；选取满足低通滤波结果所对应自相关系数大于0.75，且自相关系数差值大于0.4的最大分解尺度层数作为所确定的最大分解尺度
Figure SMS_110
则所确定的分解尺度/>
Figure SMS_111
。根据噪声信号自相关较小的特性，基于雷达探测信号低通滤波结果以及高通滤波结果的自相关性确定最优分解尺度，利用该尺度进行信号分解，能够有效过滤掉自相关性较小的噪声信号，分解得到包含更多雷达探测信号特征的分解子信号。
同时，本方案提出一种改进的阈值函数对分解子信号进行调控处理，将雷达探测信号重构为均值序列：
Figure SMS_114
，其中/>
Figure SMS_118
，/>
Figure SMS_122
表示雷达探测信号对应的均值序列，/>
Figure SMS_115
表示/>
Figure SMS_117
中的第/>
Figure SMS_120
个子序列；获取长度为num的噪声信号，并将噪声信号重构为均值序列/>
Figure SMS_125
，其中/>
Figure SMS_112
中的第r个子序列为/>
Figure SMS_119
；计算/>
Figure SMS_123
与/>
Figure SMS_126
对应元素差值的绝对值的最大值，作为两序列之间的距离/>
Figure SMS_113
；将序列之间的距离转换为序列之间的相似度/>
Figure SMS_116
，其中/>
Figure SMS_121
为待求解的曲率拐点；计算得到/>
Figure SMS_124
：
Figure SMS_127
；
记录
Figure SMS_128
，令m+1，返回步骤S21，得到/>
Figure SMS_129
；
并计算得到
Figure SMS_130
：
Figure SMS_131
；
计算函数
Figure SMS_132
的拐点，将计算得到的拐点作为求解得到的曲率拐点/>
Figure SMS_133
，并基于最优阈值构建阈值函数，利用所构建的阈值函数对分解子信号进行调控处理，进而根据调控分解结果实现信号重构，本方案根据所采集雷达探测信号与预设噪声信号的信号差值确定雷达探测信号的波动程度，并衡量波动程度的曲率拐点，其中波动程度的曲率拐点表现为雷达探测信号与噪声信号差异变化幅度最大的点，并将该点作为最优阈值对传统阈值函数进行优化，并可通过调控所构建阈值函数与不同传统阈值函数的相似性，得到对应的阈值幅度调节参数对阈值函数进行优化，进而根据信号处理过程中的实时需求，保留传统阈值函数中的较好特性，实现更为精准的分解子信号调控，提高重构后雷达探测信号中有效信息的占比，进而降低其中的噪声信息占比。
附图说明
图1为本发明一实施例提供的一种雷达探测信号主动降噪方法的流程示意图；
图2为本发明一实施例提供的实现雷达探测信号主动降噪方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
本申请实施例提供一种雷达探测信号主动降噪方法。所述雷达探测信号主动降噪方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述雷达探测信号主动降噪方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例
S1：采集雷达探测信号并基于信号分解耦合度确定分解尺度，根据分解尺度对所采集的雷达探测信号进行多尺度分解，得到不同尺度下的分解子信号。
所述S1步骤中采集雷达探测信号，包括：
雷达向待探测区域发射雷达信号，雷达信号到达待探测区域后产生回波信号，接收机接收回波信号并对回波信号进行采样处理，得到雷达探测信号，其中回波信号的形式为：
Figure SMS_134
；
其中：
t表示连续的时序信息；
A表示回波信号
Figure SMS_135
的幅值；
f表示回波信号
Figure SMS_136
的频率，/>
Figure SMS_137
表示回波信号的初始相位；
对所采集的回波信号进行采样处理得到对应的雷达探测信号，其中对回波信号
Figure SMS_138
进行采样处理的流程为：
S11：设置信号采样频率为
Figure SMS_139
，其中/>
Figure SMS_140
，/>
Figure SMS_141
表示回波信号/>
Figure SMS_142
中的最大信号频率；
S12：按照等间隔
Figure SMS_143
对回波信号/>
Figure SMS_144
进行采样处理，每个采样点的值为对应采样时刻的回波信号值，其中相邻采样点的采样时间间隔为/>
Figure SMS_145
；对回波信号/>
Figure SMS_146
进行采样得到的采样点数目num为：
Figure SMS_147
；
其中：
Figure SMS_148
表示回波信号的长度；
S13：将每个采样点的值以
Figure SMS_149
的整数倍进行度量，度量结果即为/>
Figure SMS_150
，其中
Figure SMS_151
表示采样点的值，/>
Figure SMS_152
表示预设值的度量单位；
S14：将每个采样点的度量结果进行二进制编码，得到每个采样点的编码结果，并按采样点的采样顺序对编码结果进行排序，得到回波信号
Figure SMS_153
对应的雷达探测信号/>
Figure SMS_154
：
Figure SMS_155
；
其中：
Figure SMS_156
表示回波信号/>
Figure SMS_157
中第n个采样点的编码结果。所述S1步骤中基于信号分解耦合度确定分解尺度，包括：
基于信号分解耦合度确定雷达探测信号的分解尺度，其中分解尺度的确定流程为：
S11：分别利用低通滤波器L和高通滤波器H对雷达探测信号进行交替滤波分解处理：
Figure SMS_158
；
Figure SMS_159
；
其中：
Figure SMS_160
表示卷积处理；
Figure SMS_161
表示第k+1层分解尺度的低通滤波结果，/>
Figure SMS_162
表示第k+1层分解尺度的高通滤波结果，/>
Figure SMS_163
，/>
Figure SMS_164
；
S12：计算第k层分解尺度的低通滤波结果以及高通滤波结果所对应的自相关系数：
Figure SMS_165
；
Figure SMS_166
；
其中：
Figure SMS_167
表示第k层分解尺度的低通滤波结果所对应的自相关系数；
Figure SMS_168
表示第k层分解尺度的高通滤波结果所对应的自相关系数；
S13：计算第k层分解尺度的自相关系数差值：
Figure SMS_169
；
其中：
Figure SMS_170
表示第k层分解尺度的自相关系数差值；
S14：选取满足低通滤波结果所对应自相关系数大于0.75，且自相关系数差值大于0.4的最大分解尺度层数作为所确定的最大分解尺度
Figure SMS_171
，则所确定的分解尺度/>
Figure SMS_172
。
所述S1步骤中根据所确定的分解尺度对所采集的雷达探测信号进行多尺度分解，得到不同尺度下的分解子信号，包括：
根据所确定的分解尺度对所采集的雷达探测信号进行多尺度分解，得到不同尺度下的分解子信号，其中多尺度分解流程为：
调整分解尺度
Figure SMS_173
，对雷达探测信号进行多尺度分解处理，其中多尺度分解处理的公式为：
Figure SMS_174
；
Figure SMS_175
；
Figure SMS_176
；
其中：
Figure SMS_177
表示雷达探测信号在分解尺度/>
Figure SMS_178
下的分解子信号，其中/>
Figure SMS_179
；
Figure SMS_180
表示雷达探测信号中第n个信号采样点的分解结果。
S2：对采集的雷达探测信号进行综合波动程度曲率拐点计算，得到最优阈值。
所述S2步骤中对采集的雷达探测信号进行综合波动程度曲率拐点计算，包括：
对所采集的雷达探测信号
Figure SMS_181
进行综合波动程度曲率拐点计算，将计算得到的曲率拐点作为最优阈值/>
Figure SMS_182
，其中曲率拐点的计算流程为：
S21：将雷达探测信号重构为均值序列：
Figure SMS_183
；
Figure SMS_184
，其中
Figure SMS_185
，/>
Figure SMS_186
表示雷达探测信号对应的均值序列，/>
Figure SMS_187
表示/>
Figure SMS_188
中的第/>
Figure SMS_189
个子序列，在本发明实施例中，将m的初始值设置为2；
S22：获取长度为num的噪声信号，并将噪声信号重构为均值序列
Figure SMS_190
，其中/>
Figure SMS_191
中的第r个子序列为/>
Figure SMS_192
；
S23：计算
Figure SMS_193
与/>
Figure SMS_194
对应元素差值的绝对值的最大值，作为两序列之间的距离/>
Figure SMS_195
；
S24：将序列之间的距离转换为序列之间的相似度
Figure SMS_196
，其中/>
Figure SMS_197
为待求解的曲率拐点；
S25：计算得到
Figure SMS_198
：
Figure SMS_199
；
S26：记录
Figure SMS_200
，令m+1，返回步骤S21，得到/>
Figure SMS_201
；并计算得到/>
Figure SMS_202
：
Figure SMS_203
；
计算函数
Figure SMS_204
的拐点，将计算得到的拐点作为求解得到的曲率拐点/>
Figure SMS_205
。
S3：基于最优阈值构建阈值函数，利用阈值函数将分解子信号分解为低频系数和高频系数。
所述S3步骤中基于最优阈值构建阈值函数，包括：
基于最优阈值
Figure SMS_206
构建阈值函数，所构建的阈值函数为：
Figure SMS_207
；
Figure SMS_208
；
Figure SMS_209
；
Figure SMS_210
；
其中：
Figure SMS_211
表示修正参数，/>
Figure SMS_212
，/>
Figure SMS_213
为调节参数；
Figure SMS_214
表示阈值幅度调节参数，/>
Figure SMS_215
，/>
Figure SMS_216
，/>
Figure SMS_217
表示阈值函数同硬阈值函数的相似性，/>
Figure SMS_218
表示阈值函数同软阈值函数的相似性，通过调控所构建阈值函数与不同阈值函数的相似性，得到对应的阈值幅度调节参数；
Figure SMS_219
表示分解结果/>
Figure SMS_220
的阈值调控后结果。
所述S3步骤中利用阈值函数将分解子信号分解为低频系数和高频系数，包括：
利用阈值函数将分解子信号分解为低频系数以及高频系数，其中分解子信号的分解流程为：
S31：将雷达探测信号中所有信号采样点的分解结果依次输入到阈值函数中，得到对应的阈值调控后结果，将所述阈值调控后结果作为信号采样点的高频系数，所述分解子信号的高频系数为：
Figure SMS_221
；
其中：
Figure SMS_222
表示雷达探测信号在分解尺度/>
Figure SMS_223
下的分解子信号/>
Figure SMS_224
的高频系数；
S32：对每个信号采样点的高频系数进行自适应选取，得到对应信号采样点的低频系数：
Figure SMS_225
；
其中：
Figure SMS_226
表示自适应选取参数；
Figure SMS_227
表示分解子信号/>
Figure SMS_228
中第v个信号采样点的高频系数，/>
Figure SMS_229
表示分解子信号/>
Figure SMS_230
中第v个信号采样点的低频系数；
所述自适应选取参数的自适应求解流程为：
构建损失函数：
Figure SMS_231
；
其中：
Figure SMS_232
表示利用自适应选取参数/>
Figure SMS_233
求解得到的低频系数；
利用梯度下降算法对损失函数进行求解，得到最优自适应选取参数。
S4：对分解得到的低频系数以及高频系数进行信号重构，得到降噪后的雷达探测信号。
所述S4步骤中对分解得到的低频系数以及高频系数进行信号重构，包括：
对分解得到的低频系数以及高频系数进行信号重构，将信号重构结果作为降噪后的雷达探测信号，其中信号重构公式为：
Figure SMS_234
；
其中：
Figure SMS_235
为重构信号在第n个信号采样点的重构结果，/>
Figure SMS_236
。
实施例2：
如图2所示，是本发明一实施例提供的实现雷达探测信号主动降噪方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（用于实现雷达探测信号主动降噪的程序12等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接，并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图2仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图2示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
采集雷达探测信号并基于信号分解耦合度确定分解尺度，根据分解尺度对所采集的雷达探测信号进行多尺度分解，得到不同尺度下的分解子信号；
对采集的雷达探测信号进行综合波动程度曲率拐点计算，得到最优阈值；
基于最优阈值构建阈值函数，利用阈值函数将分解子信号分解为低频系数和高频系数；
对分解得到的低频系数以及高频系数进行信号重构，得到降噪后的雷达探测信号。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图2对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种雷达探测信号主动降噪方法，其特征在于，所述方法包括：
S1：采集雷达探测信号并基于信号分解耦合度确定分解尺度，根据分解尺度对所采集的雷达探测信号进行多尺度分解，得到不同尺度下的分解子信号；
所述基于信号分解耦合度确定分解尺度，包括：
基于信号分解耦合度确定雷达探测信号的分解尺度，其中分解尺度的确定流程为：
S11：分别利用低通滤波器L和高通滤波器H对雷达探测信号进行交替滤波分解处理：
Figure QLYQS_1
；
Figure QLYQS_2
；
其中：
Figure QLYQS_3
表示卷积处理；
Figure QLYQS_4
表示第k+1层分解尺度的低通滤波结果，/>
Figure QLYQS_5
表示第k+1层分解尺度的高通滤波结果，/>
Figure QLYQS_6
，/>
Figure QLYQS_7
；
S12：计算第k层分解尺度的低通滤波结果以及高通滤波结果所对应的自相关系数：
Figure QLYQS_8
；
Figure QLYQS_9
；
其中：
num表示回波信号采样点数目；
Figure QLYQS_10
表示第k层分解尺度的低通滤波结果所对应的自相关系数；
Figure QLYQS_11
表示第k层分解尺度的高通滤波结果所对应的自相关系数；
S13：计算第k层分解尺度的自相关系数差值：
Figure QLYQS_12
其中：
Figure QLYQS_13
表示第k层分解尺度的自相关系数差值；
S14：选取满足低通滤波结果所对应自相关系数大于0.75，且自相关系数差值大于0.4的最大分解尺度层数作为所确定的最大分解尺度
Figure QLYQS_14
，则所确定的分解尺度/>
Figure QLYQS_15
;
S2：对采集的雷达探测信号进行综合波动程度曲率拐点计算，得到最优阈值；
所述对采集的雷达探测信号进行综合波动程度曲率拐点计算，包括：
对所采集的雷达探测信号
Figure QLYQS_16
进行综合波动程度曲率拐点计算，将计算得到的曲率拐点作为最优阈值/>
Figure QLYQS_17
，其中曲率拐点的计算流程为：
S21：将雷达探测信号重构为均值序列：
Figure QLYQS_18
，
Figure QLYQS_19
，其中/>
Figure QLYQS_20
，/>
Figure QLYQS_21
表示雷达探测信号对应的均值序列，/>
Figure QLYQS_22
表示/>
Figure QLYQS_23
中的第/>
Figure QLYQS_24
个子序列；
S22：获取长度为num的噪声信号，并将噪声信号重构为均值序列
Figure QLYQS_25
，其中/>
Figure QLYQS_26
中的第r个子序列为/>
Figure QLYQS_27
；
S23：计算
Figure QLYQS_28
与/>
Figure QLYQS_29
对应元素差值的绝对值的最大值，作为两序列之间的距离/>
Figure QLYQS_30
；
S24：将序列之间的距离转换为序列之间的相似度
Figure QLYQS_31
，其中/>
Figure QLYQS_32
为待求解的曲率拐点；
S25：计算得到
Figure QLYQS_33
：
Figure QLYQS_34
S26：记录
Figure QLYQS_35
，令m+1，返回步骤S21，得到/>
Figure QLYQS_36
；并计算得到/>
Figure QLYQS_37
：
Figure QLYQS_38
计算函数
Figure QLYQS_39
的拐点，将计算得到的拐点作为求解得到的曲率拐点/>
Figure QLYQS_40
;
S3：基于最优阈值构建阈值函数，利用阈值函数将分解子信号分解为低频系数和高频系数；
S4：对分解得到的低频系数以及高频系数进行信号重构，得到降噪后的雷达探测信号。
2.如权利要求1所述的一种雷达探测信号主动降噪方法，其特征在于，所述S1步骤中采集雷达探测信号，包括：
雷达向待探测区域发射雷达信号，雷达信号到达待探测区域后产生回波信号，接收机接收回波信号并对回波信号进行采样处理，得到雷达探测信号，其中回波信号的形式为：
Figure QLYQS_41
其中：
t表示连续的时序信息；
A表示回波信号
Figure QLYQS_42
的幅值；
f表示回波信号
Figure QLYQS_43
的频率，/>
Figure QLYQS_44
表示回波信号的初始相位；
对所采集的回波信号进行采样处理得到对应的雷达探测信号，其中对回波信号
Figure QLYQS_45
进行采样处理的流程为：
S11：设置信号采样频率为
Figure QLYQS_46
，其中/>
Figure QLYQS_47
，/>
Figure QLYQS_48
表示回波信号/>
Figure QLYQS_49
中的最大信号频率；
S12：按照等间隔
Figure QLYQS_50
对回波信号/>
Figure QLYQS_51
进行采样处理，每个采样点的值为对应采样时刻的回波信号值，其中相邻采样点的采样时间间隔为/>
Figure QLYQS_52
；对回波信号/>
Figure QLYQS_53
进行采样得到的采样点数目num为：
Figure QLYQS_54
其中：
Figure QLYQS_55
表示回波信号的长度；
S13：将每个采样点的值以
Figure QLYQS_56
的整数倍进行度量，度量结果即为/>
Figure QLYQS_57
，其中/>
Figure QLYQS_58
表示采样点的值，/>
Figure QLYQS_59
表示预设值的度量单位；
S14：将每个采样点的度量结果进行二进制编码，得到每个采样点的编码结果，并按采样点的采样顺序对编码结果进行排序，得到回波信号
Figure QLYQS_60
对应的雷达探测信号/>
Figure QLYQS_61
：
Figure QLYQS_62
其中：
Figure QLYQS_63
表示回波信号/>
Figure QLYQS_64
中第n个采样点的编码结果。
3.如权利要求1所述的一种雷达探测信号主动降噪方法，其特征在于，所述S1步骤中根据所确定的分解尺度对所采集的雷达探测信号进行多尺度分解，得到不同尺度下的分解子信号，包括：
根据所确定的分解尺度对所采集的雷达探测信号进行多尺度分解，得到不同尺度下的分解子信号，其中多尺度分解流程为：
调整分解尺度
Figure QLYQS_65
，对雷达探测信号进行多尺度分解处理，其中多尺度分解处理的公式为：
Figure QLYQS_66
；
Figure QLYQS_67
；
Figure QLYQS_68
其中：
Figure QLYQS_69
表示雷达探测信号在分解尺度/>
Figure QLYQS_70
下的分解子信号，其中/>
Figure QLYQS_71
；
Figure QLYQS_72
表示雷达探测信号中第n个信号采样点的分解结果。
4.如权利要求1所述的一种雷达探测信号主动降噪方法，其特征在于，所述S3步骤中基于最优阈值构建阈值函数，包括：
基于最优阈值
Figure QLYQS_73
构建阈值函数，所构建的阈值函数为：
Figure QLYQS_74
Figure QLYQS_75
；
Figure QLYQS_76
；
Figure QLYQS_77
其中：
Figure QLYQS_78
表示雷达探测信号中第n个信号采样点的分解结果；
Figure QLYQS_79
表示修正参数，/>
Figure QLYQS_80
，/>
Figure QLYQS_81
为调节参数；
Figure QLYQS_82
表示阈值幅度调节参数，/>
Figure QLYQS_83
，/>
Figure QLYQS_84
，/>
Figure QLYQS_85
表示阈值函数同硬阈值函数的相似性，/>
Figure QLYQS_86
表示阈值函数同软阈值函数的相似性，通过调控所构建阈值函数与不同阈值函数的相似性，得到对应的阈值幅度调节参数；
Figure QLYQS_87
表示分解结果/>
Figure QLYQS_88
的阈值调控后结果。
5.如权利要求4所述的一种雷达探测信号主动降噪方法，其特征在于，所述S3步骤中利用阈值函数将分解子信号分解为低频系数和高频系数，包括：
利用阈值函数将分解子信号分解为低频系数以及高频系数，其中分解子信号的分解流程为：
S31：将雷达探测信号中所有信号采样点的分解结果依次输入到阈值函数中，得到对应的阈值调控后结果，将所述阈值调控后结果作为信号采样点的高频系数，所述分解子信号的高频系数为：
Figure QLYQS_89
；
其中：
Figure QLYQS_90
表示雷达探测信号在分解尺度/>
Figure QLYQS_91
下的分解子信号/>
Figure QLYQS_92
的高频系数；
S32：对每个信号采样点的高频系数进行自适应选取，得到对应信号采样点的低频系数：
Figure QLYQS_93
；
其中：
Figure QLYQS_94
表示自适应选取参数；
Figure QLYQS_95
表示分解子信号/>
Figure QLYQS_96
中第v个信号采样点的高频系数，/>
Figure QLYQS_97
表示分解子信号/>
Figure QLYQS_98
中第v个信号采样点的低频系数；
所述自适应选取参数的自适应求解流程为：
构建损失函数：
Figure QLYQS_99
；
其中：
Figure QLYQS_100
表示利用自适应选取参数/>
Figure QLYQS_101
求解得到的低频系数；
利用梯度下降算法对损失函数进行求解，得到最优自适应选取参数。
6.如权利要求5所述的一种雷达探测信号主动降噪方法，其特征在于，所述S4步骤中对分解得到的低频系数以及高频系数进行信号重构，包括：
对分解得到的低频系数以及高频系数进行信号重构，将信号重构结果作为降噪后的雷达探测信号，其中信号重构公式为：
Figure QLYQS_102
；
其中：
Figure QLYQS_103
为重构信号在第n个信号采样点的重构结果，/>
Figure QLYQS_104
。
CN202310248496.3A 2023-03-15 2023-03-15 一种雷达探测信号主动降噪方法 Active CN116068521B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310248496.3A CN116068521B (zh) 2023-03-15 2023-03-15 一种雷达探测信号主动降噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310248496.3A CN116068521B (zh) 2023-03-15 2023-03-15 一种雷达探测信号主动降噪方法

Publications (2)

Publication Number Publication Date
CN116068521A CN116068521A (zh) 2023-05-05
CN116068521B true CN116068521B (zh) 2023-06-23

Family

ID=86170011

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310248496.3A Active CN116068521B (zh) 2023-03-15 2023-03-15 一种雷达探测信号主动降噪方法

Country Status (1)

Country Link
CN (1) CN116068521B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5027757B2 (ja) * 2008-08-18 2012-09-19 日本放送協会 動画像雑音除去装置、その方法およびそのプログラム
CN106199532B (zh) * 2016-06-27 2018-11-23 中国科学院电子学研究所 基于混合傅立叶-小波分析的探地雷达信号降噪方法
CN111281393B (zh) * 2020-02-25 2022-06-07 山东省科学院自动化研究所 基于非接触式雷达技术的老年人跌倒检测方法及***
CN112084845B (zh) * 2020-07-30 2023-05-02 中国人民解放军63892部队 基于多尺度小波系数自相关的低频1/f噪声消除方法
CN113378661B (zh) * 2021-05-25 2024-03-22 浙江工业大学 一种基于改进小波阈值和相关检测的直流电能信号去噪方法
CN114355348B (zh) * 2022-01-10 2022-11-08 交通运输部路网监测与应急处置中心 Sar干涉图小波降噪处理方法及其处理装置
CN115563483A (zh) * 2022-11-07 2023-01-03 云南电网有限责任公司曲靖供电局 基于改进阈值估计和改进阈值函数的放电信号降噪方法

Also Published As

Publication number Publication date
CN116068521A (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
US9977116B2 (en) Scaling fixed-point fast Fourier transforms in radar and sonar applications
CN108701119B (zh) 定点高动态范围快速傅立叶变换
CN116626408B (zh) 基于机器学习的电源纹波噪声检测方法
CN113849374B (zh) 中央处理器占用率预测方法、***、电子设备及存储介质
CN113642711B (zh) 一种网络模型的处理方法、装置、设备和存储介质
CN115795282B (zh) 激波管动态压力重构方法、装置、电子设备及存储介质
CN117743810B (zh) 一种脑电信号监测的意图理解分析方法
CN116068521B (zh) 一种雷达探测信号主动降噪方法
Yadav et al. Detection of tandem repeats in DNA sequences using short-time Ramanujan Fourier transform
CN117591811A (zh) 一种含氟电子废水除氟一体化设备
CN110287853B (zh) 一种基于小波分解的暂态信号去噪方法
CN116720101A (zh) 一种水下推进器螺旋桨在线故障智能监测方法及装置
CN115762555A (zh) 一种动态音频信号调节传输方法
CN115797318A (zh) 一种光谱数据预处理方法、装置、计算机设备及存储介质
CN115856825B (zh) 一种雷达信号无损拾音方法
CN116230005B (zh) 一种远程语音信号延迟估计方法
CN110826836A (zh) 确定评价分值的方法和装置
CN113155422B (zh) 一种故障检测方法、装置和存储介质
CN117092309B (zh) 基于大数据的社区供水水质监测方法及***
CN117370737B (zh) 一种基于自适应高斯滤波器的非稳态非高斯噪声去除方法
CN118216926A (zh) 心电信号去噪方法、装置及电子设备
CN104933013A (zh) 一种用于衡量信号稀疏性的稀疏度量方法
CN112102942A (zh) 骨骼发育等级检测方法及终端设备
CN116839646A (zh) 传感器检测方法、装置及电子设备
CN116741195A (zh) 一种强噪环境下的麦克风阵列波束自适应处理方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant