一种基于自编码器的多频段子带信号融合方法

摘要

本发明公开了一种基于自编码器的多频段子带信号融合方法，将深度神经网络用于信号融合，在发射端发射多子带线性调频信号，在接收端对接收的多子带回波信号进行去斜处理得到多子带距离包络，将全频带包络作为训练数据输入全频带自编码器，得到全频带解码器与全频带编码；再将多子带距离包络和全频带编码分别作为训练数据与标签送入DNN训练，得到多子带编码器；最后将多子带编码器与全频带解码器组合为自编码器，这样就可以将任意一组多子带距离包络输入自编码器，即可得到全频带的距离包络，提升信号的利用率，提高距离分辨率。

说明书

技术领域

本发明属于雷达信号处理领域，具体涉及一种基于自编码器的多频段子带信号融合方法。

背景技术

由于雷达成像的分辨单元取决于信号的带宽，为了获取到更高的分辨率，常常需要发射较大的时带宽积的信号波形，或者使用宽带线性调频信号来进行成像。但是受于Nyquist采样定理限制，为了提升信号带宽值，就需要成倍的提升采样频率，这样就造成了信号的冗余。因此，如何提升带宽来增大分辨率的同时提升信号的利用率，成为雷达信号处理领域的重要课题。2006年，辛顿研究表明，通过贪婪逐层无监督预训练的策略可以有效地训练深度神经网络，自编码器正是属于这种科学方法。自编码器(Autoencoder,AE)作为一种特殊的神经网络，是为了解决数据降维问题而提出的学习算法，主要应用在无监督学习以及半监督学习中，其作用是通过对输入数据进行重构进而学习数据中的特征表示，并对数据进行压缩。自编码器有学习能力强、计算量低、可解释性高、可以实现特征的自动选择的优势，因此，如何将深度学习与雷达信号处理理论结合，是一个重点研究问题。

发明内容

本发明的目的在于提供一种基于自编码器的多频段子带信号融合方法。

本发明的目的通过如下技术方案来实现：

基于自编码器的多频段子带信号融合方法，包括以下步骤：

步骤1：接收多频段子带信号并构造训练数据集和标签集

发射N

步骤2：训练全频带自编码器并得到全频带解码器

搭建层数为n的DNN作为全频带自编码器，设置输入层神经元数和输出层神经元数都为N

步骤3：训练多子带编码器并得到自编码器，进而对多频段子带回波信号进行融合

搭建层数为m的DNN，设置输入层神经元数为N

进一步地，步骤1具体用多频段子带的线性调频信号作为发射信号，将散射点数、散射点与雷达的初始距离以及散射点之间的相对距离作为变量，则接收端的子带回波信号的表达式为：

其中，m是散射点的数目，A

将这N

因此基带信号的表达式为：

其中，N表示基带信号的采样点数，可通过采样频率f

再对基带信号做逆离散傅里叶变换得到目标的距离包络，最后将信噪比不同的N

G

其中，IDFT[s

进一步地，步骤2具体包括以下步骤：

步骤2.1：训练全频带自编码器

输入：总层数n、输入层、各隐藏层与输出层的节点个数、激活函数、损失函数、迭代步长α、最大迭代次数epoch1、停止迭代阈值ε，N

输出：各隐藏层与输出层的线性关系系数矩阵W和偏倚向量b；

(1)初始化各隐藏层与输出层的线性关系系数矩阵W和偏倚向量b的值为一个随机值；

步骤(2)至步骤(5)循环epoch1次：

(2)将全频带自编码器的输入a

其中，a

(3)进行反向传播算法计算δ

其中，δ

(4)更新第k层的W

(5)如果所有W,b的变化值都小于停止迭代阈值ε，则跳出迭代循环到步骤6，否则继续循环；

(6)输出各隐藏层与输出层的线性关系系数矩阵W和偏倚向量b。

步骤2.2：得到全频带解码器

将训练好的全频带自编码器的解码器保存，并保存全频带编码集。

进一步地，其中步骤3具体步骤如下：

步骤3.1：训练多子带编码器

输入：总层数m、输入层、各隐藏层与输出层的节点个数、激活函数、损失函数、迭代步长α、最大迭代次数epoch2、停止迭代阈值ε，N

输出：各隐藏层与输出层的线性关系系数矩阵W和偏倚向量b；

(1)初始化各隐藏层与输出层的线性关系系数矩阵W和偏倚向量b的值为一个随机值；

步骤(2)至步骤(5)循环epoch2次：

(2)将全频带自编码器的输入a

其中，a

(3)进行反向传播算法计算δ

其中，δ

(4)更新第k层的W

(5)如果所有W,b的变化值都小于停止迭代阈值ε，则跳出迭代循环到步骤6，否则继续循环；

(6)输出各隐藏层与输出层的线性关系系数矩阵W和偏倚向量b。

步骤3.2：多频段子带回波信号的融合

将多子带编码器与步骤二得到的全频带解码器组合，得到自编码器，调用自编码器，输入一组多频段子带信号的回波距离包络，即可得到融合后的全频带回波距离包络。

本发明的有益效果在于：

本发明是为了发射多频段子带信号，在接收端将多子带回波信号乘以参考信号的共轭得到基带信号，再对基带信号做逆离散傅里叶变换(IDFT)得到目标的距离包络，最后将多子带信号的距离包络作为自编码器的输入，直接得到宽带信号距离包络，可以提升信号的利用率，并且获得融合后的全频带信号的高分辨率距离像。

本发明通过训练网络，可以省去传统算法估计信号所需的繁琐步骤，减少了子带预测过程中产生的误差。传统算法一次只能获得一个预测结果，而经过训练的自编码器可以批量获得更多的测试结果，在获取批量测试数据时，使用自编码器更合适。而且由自编码器训练的批量数据组成的测试结果的正确数量大于DNN的测试结果正确数量，即自编码器的准确率更高。

附图说明

图1为本发明的全频带自编码器和多子带编码器的训练流程图；

图2为本发明的自编码器实际应用流程图；

图3为本发明的子带的距离包络；

图4为本发明的全频带的距离包络；

图5为本发明的双散射点条件下的网络测试结果；

图6为本发明的三个散射点条件下的网络测试结果；

图7为本发明的四个散射点条件下的网络测试结果。

具体实施方式

下面结合附图对本发明做进一步描述。

本发明将深度神经网络用于信号融合，在发射端发射多子带线性调频信号，在接收端对接收的多子带回波信号进行去斜处理得到多子带距离包络，将全频带包络作为训练数据输入全频带自编码器，得到全频带解码器与全频带编码；再将多子带距离包络和全频带编码分别作为训练数据与标签送入DNN训练，得到多子带编码器(编码器2)；最后将多子带编码器与全频带解码器组合为自编码器，这样就可以将任意一组多子带距离包络输入自编码器，即可得到全频带的距离包络，提高距离分辨率。

本实施例，将信噪比、散射点数、散射点与雷达的初始距离以及散射点之间的相对距离作为训练集变量，生成距离包络训练集。全频带自编码器的参数如表1所示，多子带编码器的参数如表2所示，训练集的参数如表3所示：

表1全频带自编码器参数

表2多子带自编码器参数

表3训练集参数

将与多子带对应的全频带距离包络作为训练数据集，搭建层数为5的全频带自编码器，设置输入层神经元数为1500，输出层神经元数为1500，中间3层隐藏层的神经元数分别为1024、200、1024，设置训练轮数为2500，每轮训练数据组数为100，将训练数据集送入全频带自编码器训练，训练完毕后保存全频带解码器模型和全频带编码集。将多子带距离包络作为训练数据集，将全频带编码集作为训练标签集，搭建层数为3的多子带编码器，设置输入层神经元数为1500，输出层神经元数为200，中间1层隐藏层的神经元数为1024，设置训练轮数为2500，每轮训练数据组数为100，将训练数据集和训练标签集送入多子带编码器训练，训练完毕后保存多子带编码器模型。最后将多子带编码器与全频带解码器组合作为自编码器，调用自编码器，输入多子带距离包络测试集，经自编码器融合得到全频带距离包络结果。

图1为全频带自编码器和多子带编码器的训练流程图，图2为自编码器实际应用流程图，图3为多子带的距离包络，图4是全频带的距离包络。本发明采用准确率来评价自编码器模型的性能，对上述数据集进行训练。将多子带距离包络与全频带信号距离包络的测试结果进行比较，可以得出以下结论：如图5至图7所示，自编码器对多个散射点仍然具有精确拟合度，网络可以输入多子带距离包络，直接得到全频带信号距离包络，通过训练网络，可以省去传统算法估计信号所需的繁琐步骤，经过训练的网络可以批量获得更多的测试结果，但传统的算法每次都要进行一次整体计算才能得到测试结果。而且自编码器训练结果的准确率为98.05％，DNN的准确率为85.62％，意味着自编码器比DNN具有更高的准确度。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。