一种基于神经网络的合成孔径雷达射频干扰抑制方法

摘要

本发明公开了一种基于神经网络的合成孔径雷达(SAR)射频干扰(RFI)抑制方法，属于雷达信号处理技术领域。首先从SAR原始回波频域数据中检测出RFI信号的所有全局频域特征值，由这些频域特征值生成相应的扩展交替投影神经网络(EAPNN网络)库模式并逐一记忆到EAPNN网络中，然后利用EAPNN网络联想功能从回波时域数据中联想出RFI信号，再将回波时域数据与联想出的RFI信号直接相减从而达到抑制RFI的目的。由于EAPNN网络将现有方法中难以同时兼顾的全局特性和动态跟踪特性结合到了一起，因而可以在保证较高抑制精度的前提下，获得较快的处理速度。该方法可广泛用于合成孔径雷达、地球遥感等领域，特别适合于那些对抑制精度和处理速度同时都有较高要求及RFI较密集的场合。

主权项

1.一种基于神经网络的合成孔径雷达射频干扰抑制方法，其特征在于：利用扩展交替投影神经网络记忆功能将反映射频干扰信号全局频域特征的所有库模式记忆到扩展交替投影神经网络中，然后利用扩展交替投影神经网络联想功能从回波时域数据中联想出射频干扰信号，再将回波时域数据与联想出的射频干扰信号直接相减从而达到抑制射频干扰的目的； 实现上述操作过程的步骤如下： 步骤1.得到合成孔径雷达（SAR）原始回波的一维频域数据 将合成孔径雷达（SAR）原始回波时域数据用一个Na行Nr列的矩阵存放，Na和Nr均为正整数，矩阵的每行数据与逐个单脉冲快时间即斜距向的回波信号采样值相对应，矩阵的每列数据与慢时间即方位向的回波信号采样值相对应；将矩阵的每行数据按序连接成一个含Na×Nr个元素的行向量x(n)，其中n为不大于Na×Nr的所有正整数，该行向量被称为合成孔径雷达原始回波的一维时域数据x(n)，对此行向量x(n)进行离散傅立叶变换后即可得到合成孔径雷达（SAR）原始回波的一维频域数据X(n)，其中n为不大于Na×Nr的所有正整数； 步骤2.从一维频域数据中检测出射频干扰信号的所有全局频域特征值 将步骤1得到的一维频域数据X(n)按幅值由小到大的顺序重新排序，得到排序后的幅值数据Y(m)，显然X(n)的序号值n和Y(m)的序号值m之间存在着一个确定的函数关系，记为n＝label(m)，则有Y(m)＝|X(label(m))|，其中n，m均为不大于Na×Nr的所有正整数；求出Y(m)的一阶差分Z(m)＝Y(m+1)-Y(m)，其中m为不大于Na×Nr-1的所有正整数；计算出Z(m)的均值Z₀和标准偏差σ_Z；让m从1开始，计算的值；若其中α为门限值，在区间[0.3,1]内取值，则m值加1继续计算直到或m=Na×Nr时为止，将此时的m值记为m_α；若m_α＜Na×Nr则可以得到一维频域数据X(n)的序号值label(m_α+1),label(m_α+2),label(m_α+3),…,label(Na×Nr-2),label(Na×Nr-1),label(Na×Nr)，所有这些序号值被称为射频干扰信号的所有全局频域特征值，射频干扰信号的所有全局频域特征值的个数为Na×Nr-m_α，转到步骤3；若m_α＝Na×Nr则因射频干扰信号的所有全局频域特征值的个数为0，即不存在射频干扰，而不需再继续后面的处理步骤；步骤3.合成孔径雷达（SAR）原始回波的一维时域数据分割 合成孔径雷达（SAR）原始回波的一维时域数据分割原则是：保证分割出的每段时域数据长度均要大于3倍射频干扰信号的所有全局频域特征值的个数；由步骤2得到的射频干扰信号的所有全局频域特征值的个数为Na×Nr-m_α，则本着这样的分割原则，一种简单的分割方式就是将步骤1中长度为Na×Nr的合成孔 径雷达原始回波的一维时域数据x(n)平均分成Na×Q段时域数据，每段时域数据长度均为其中Q为小于的正整数；步骤4.确定扩展交替投影神经网络结构 根据步骤3给出的每段时域数据长度确定扩展交替投影神经网络的神经元个数即扩展交替投影神经网络由L个神经元组成；将扩展交替投影神经网络的所有神经元都设计为浮动神经元；步骤5.由射频干扰信号的频域特征值生成扩展交替投影神经网络库模式 将步骤2得到的射频干扰信号的所有全局频域特征值逐个代入下面的公式中生成相应的扩展交替投影神经网络库模式； 式中i为正整数，为虚数单位，公式中右上角的“Transpose”表示向量的转置，L为扩展交替投影神经网络神经元的个数，N_aN_r＝N_a×N_r为合成孔径雷达（SAR）原始回波的一维频域数据X(n)的长度，pos为射频干扰信号的第i个全局频域特征值，u_i为生成的第i个扩展交替投影神经网络库模式，显然u_i是一个由L个复数组成的列向量；步骤6.将所有的库模式记忆到扩展交替投影神经网络中 扩展交替投影神经网络所有神经元之间的连接权值构成的方阵被称为扩展交替投影神经网络连接权矩阵，扩展交替投影神经网络连接权矩阵T的任意元素t_pq表示从神经元p到神经元q之间的连接权值；将扩展交替投影神经网络连接权矩阵T的初始值置零，即令T＝0，然后对步骤5生成的所有库模式都采取如下的操作过程来将其逐个记忆到扩展交替投影神经网络中； 若库模式u_i满足条件其中θ_α为门限值，在区间[1,3]内取值，||·||表示向量的2范数，则认为库模式u_i已经记忆在扩展交替投影神经网络中，不必更新扩展交替投影神经网络连接权矩阵T；否则，按照公式：进行扩展交替投影神经网络连接权矩阵T的更新，从而完成库模式的记忆，式中(·)^H表示向量或矩阵的共厄转置；步骤7.扩展交替投影神经网络从回波时域数据中联想出射频干扰信号 在v时刻，其中v为非负整数，将扩展交替投影神经网络所有神经元的状态值按照神经元序号由小到大的顺序组成一个向量S(v)，这个向量被称为扩展交替投影神经网络v时刻状态向量；当v=0时，S(0)被称为扩展交替投影神经网络 初始状态向量；当v=1时，S(1)被称为扩展交替投影神经网络1时刻状态向量，它亦是扩展交替投影神经网络从初始状态向量S(0)进行一次联想后所得到的状态向量；将步骤3分割出的第一段时域数据作为扩展交替投影神经网络初始状态向量S(0)，扩展交替投影神经网络按照公式：S(1)=T·S(0)，式中T为扩展交替投影神经网络连接权矩阵，进行一次联想后，所得到的1时刻状态向量S(1)就是该段时域数据中的射频干扰信号；依次对第2段时域数据、第3段时域数据、……一直到第Na×Q段时域数据都采用同样的方法进行处理，将这些经过处理后的数据段按序依次拼接起来，就得到了原始回波中的射频干扰时域数据，送给步骤8； 步骤8.得到射频干扰（RFI）被抑制后的合成孔径雷达（SAR）回波时域数据 将步骤1中合成孔径雷达原始回波的一维时域数据x(n)与步骤7中得到的原始回波中的射频干扰（RFI）时域数据直接相减，就得到了射频干扰（RFI）被抑制后的合成孔径雷达（SAR）回波时域数据。