(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111419764.0 (22)申请日 2021.11.26 (71)申请人 东南大学 地址 211102 江苏省南京市东 南大学路2号 (72)发明人 陈鹏　许震　王宗新　曹振新　 (74)专利代理 机构 南京瑞弘专利商标事务所 (普通合伙) 32249 代理人 秦秋星 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种数据模型双驱动下的海杂波建模与抑 制方法 (57)摘要 本发明公开了一种数据模型双驱动下的海 杂波建模与抑制方法， 属于雷达与信号处理技术 和人工智能技术领域。 包括以下步骤： 搭建生成 对抗网络GAN作为海杂波建模算法的驱动模型， 同时采用高斯白噪声数据与海杂波数据作为海 杂波建模算法的驱动数据； 进行GAN中的生成器 和判别器的模型训练； 搭建基于卷积神经网络 CNN的海杂波抑制模型， 并使用GAN模型所生成的 数据作为CNN的输入数据集， 进行CNN的模型训 练； 进行模型性能的衡量， 采用均方差MSD检验来 衡量GAN模型的海杂波建模仿真效果， 通过对比 使用CNN模型前后的雷达接收信号时频谱， 检验 CNN模型的海杂波抑制效果。 本发明提供的方法， 能更有效的进行海杂波的仿真建模， 并可以对雷 达接收信号中的海杂波分量进行抑制。 权利要求书2页 说明书6页 附图5页 CN 114117912 A 2022.03.01 CN 114117912 A 1.一种数据模型双驱动下的海杂波建模与抑制方法， 其特 征在于， 包括以下步骤： 步骤一、 搭建GAN网络作为海杂波建模的驱动模型， 采用高斯白噪声数据、 使用球不变 随机过程法SI RP法生成的满足K分布的海杂波仿 真数据和实测海杂波 数据作为海杂波建模 的驱动数据； 步骤二、 进行GAN的生成器和判别器的模型训练； 步骤三、 搭建基于CNN的海杂 波抑制模型， 并使用GAN模型所生成的海杂 波数据作 为CNN 的输入数据集； 步骤四、 进行CN N的模型训练； 步骤五、 进行模型性能的衡量， 采用MSD检验来衡量GAN模型的海杂波建模仿真效果， 通 过对比使用CN N模型前后的雷达 接收信号时频谱， 检验CN N模型的海杂波抑制效果。 2.根据权利要求1所述的一种数据模型双驱动下的海杂波建模与抑制方法， 其特征在 于， 步骤一中驱动模型GAN网络的整体结构包括生成器G、 判别器D， 生成器G 的输入为Z， 将Z 输入生成器G后， 会生成不存在于真实世界的海杂波数据G(Z)， 再经过判别器D进行海杂波 数据真假性的判断； 通过不断的网络迭代训练， 使得生成器G和判别器D会各自更新其网络 参数， 使得损失函数最小， 最终会达到一个纳什均衡的状态， 此时的GAN模型达到了最优状 态， 生成器 G所生成的海杂波 数据最接近于 真实的海杂波数据； 驱动数据需要使用短时傅里 叶变换STFT 进行预处理， STFT的计算公式具体为： 其中， y(u)为初始信号， g(u)为窗函数， 上标*为复共轭， t表示窗函数的中心位置， u表 示时域时间， f表示频率； STFTy(t， f)是初始信号y(u)的STFT； 通过计算公式， 对上述三种驱 动数据分别做ST FT并得到各自的时频谱数据集， 将这三种驱动数据集作为海杂波建模的驱 动数据。 3.根据权利要求1所述的一种数据模型双驱动下的海杂波建模与抑制方法， 其特征在 于， 步骤二中所述判别器包括卷积层和全连接层， 其中还加入了防止过拟合的Dropout层， 生成器包括全连接层和反卷积层； GAN模型的具体训练方式分为如下两个部分： 训练1： 单独训练判别器； 1)将500份满足高斯分布的白噪声样本数据和500份满足K分布的海杂 波仿真样本数据 通过STFT得到时频谱； 2)将上述1000份时频谱图像样本混合， 并按照8:2的比例分别构造为训练集和测试集， 将高斯白噪声的图像标签设置为0， 将海杂波仿真数据的图像标签设置为1； 3)将训练集作为判别器的输入R， 输入判别器进行判别器训练， 直到判别器收敛， 再使 用测试集作为判别器的输入R， 测试判别器的收敛效果； 训练2： 同时训练生成器和判别器； 1)将500份实测海杂波数据通过STFT得到时频谱； 2)将上述5 00份时频谱图像样本构造成数据集， 将图像标签设置为1； 3)将该数据集作为判别器的输入R， 将满足高斯分布的随机序列 作为生成器的输入 Z； 4)按照先训练1次判别器， 再训练1次生成器的顺序， 交替进行判别器和生成器的训练 迭代， 训练完成后， 将生成器所生成的海杂波的时频谱图像与实测海杂波时频谱图像进行权　利　要　求　书 1/2 页 2 CN 114117912 A 2后续的对比仿真。 4.根据权利要求1所述的一种数据模型双驱动下的海杂波建模与抑制方法， 其特征在 于， 步骤三中所述CNN网络包括数据输入层、 卷积层与反卷积层； 输入的数据集经过卷积层， 进行了时频谱中数据特 征的提取， 然后再 经过反卷积层， 进行时频谱的特 征重构。 5.根据权利要求1所述的一种数据模型双驱动下的海杂波建模与抑制方法， 其特征在 于， 步骤四中所述的进行CNN的模型训练， CNN包括两层卷积层和三层反卷积层， 为了加速网 络的训练， 在卷积层和反卷积层之后都加入了 批归一化层； 具体的训练方式如下： 1)将GAN的生成器所生成的500份海杂 波时频谱图像， 与 三种不同多普勒频率的目标 回 波的时频谱进行加和， 得到三种不同多普勒频率下 的雷达接 收信号的数据集， 将每种 数据 集按照8:2的比例分别构造训练集和测试集， 标签设置为每组数据集所对应的多普勒频率 的目标回波的时频谱； 2)将训练集输入CNN中进行迭代训练， 训练完成后， 输入测试集得到海杂波分量抑制后 的雷达接收信号的时频谱。 6.根据权利要求1所述的一种数据模型双驱动下的海杂波建模与抑制方法， 其特征在 于， 步骤五中所述MS D检验的公式定义 为 其中， pe(xk)为实测海杂波数据的概率分布函数PDF， pt(xk)为算法所生成的海杂波模型 的PDF， n表 示所选取的数据序列的长度； MSD的值越小， 表明两种分布的相似度越 大， 算法模 型的预测效果越好。权　利　要　求　书 2/2 页 3 CN 114117912 A 3