图1 剩余杂波抑制算法处理流程
收稿日期:2022-10-25,
网络出版日期:2023-05-17,
纸质出版日期:2024-01-20
移动端阅览
引用本文
阅读全文PDF
雷达工作时面临着复杂多变的环境,杂波特性经常呈现非均匀性和时变性。未被完全抑制的杂波剩余可能会产生大量虚警,进而导致虚假航迹产生或目标跟踪精度降低。在严重情况下,这些虚警还可能使雷达数据处理系统饱和,影响雷达系统的探测能力。传统的剩余杂波抑制算法需要进行特征提取和构建分类器两个步骤,存在泛化能力差、特征组合难和分类器要求高等问题。为解决这些问题,受到自注意力机制和领域知识的启发,提出了一种数据与知识双驱动的注意力自相关机制。该机制可以有效提取用于区分目标和杂波的雷达回波相互关系的深度特征。同时,基于该机制,构建了一种剩余杂波抑制方法,充分利用雷达回波特征,提高了算法在剩余杂波抑制方面的性能。仿真和实测数据处理结果表明,该方法在剩余杂波抑制方面具有显著的性能优势和泛化能力。此外,该方法的并行计算结构可以提高算法的运行效率。
Radar systems are subject to an ever-changing and complex environment that creates a non-uniform and time-varying clutter.The unsuppressed residual clutter can produce a significant number of false alarms,leading to a degraded target tracking performance,spurious trajectories creation,or saturation data processing systems,which in turn decreases the detection ability of the radar system.Conventional residual clutter suppression algorithms typically require feature extraction and classifier construction.These steps can result in poor generalization capability,difficulty in feature combination,and high requirements for the classifier.To address these issues,inspired by self-attention mechanisms and domain knowledge,this paper proposes a data- and knowledge-driven attention autocorrelation mechanism,which can effectively extract deep features of the radar echo to distinguish between targets and clutter,on the basis of which a residual clutter suppression method is constructed using the attention autocorrelation mechanism,which makes full use of the radar echo feature,thereby improving the residual clutter suppression capability.Simulation and measurement results demonstrate that this method has advantages of a significant performance and generalization capability for residual clutter suppression.Additionally,its parallel computing structure enhances the operational efficiency of the algorithm.
雷达在实际工作中不可避免的会受到陆地、海洋和云雨等杂波回波的影响。为实现杂波环境下的目标检测,雷达通常利用目标与杂波回波在多普勒频移上的差异实现杂波抑制,动目标显示(Moving Target Indication,MTI)和动目标检测(Moving Target Detector,MTD)等是常用的杂波抑制方法。在雷达实际工作中,天线的转动、杂波内部运动等会导致杂波谱展宽。此外,地形起伏、地物变化、风场强度等都会对杂波回波幅度和杂波谱产生影响。因此实际杂波谱不可避免的与MTI等杂波抑制滤波器频率响应之间存在一定失配[
剩余杂波抑制可以看作目标-杂波的二元分类问题,本质在于如何从回波中提取有效的信息,以区分目标和杂波。传统剩余杂波抑制方法利用概率统计、时频变换、高阶矩阵变换等技术提取目标和杂波在时域、频域和多普勒域等不同调制域的特征差异,借助决策树、逻辑回归、朴素贝叶斯或神经网络等算法完成目标与杂波的分类。LI等[4]先根据地杂波与目标在极化域的差异,提取了4种极化域特征,然后利用模糊神经网络(Fuzzy Neural Networks,FNN)构建分类器,实现双极化气象雷达中的杂波抑制。文献[5]从时域、频域和距离域等方面提取了6种可用于海杂波分类的矩阵图特征,可以有效检测海杂波所在距离单元。总体而言,传统先提取特征再进行分类的处理方法只能提取浅层特征,当雷达工作参数和工作环境发生变化时,如低信杂噪比、短观测时间等条件下,很难获得理想的特征提取效果。多特征融合方法虽然能够在一定程度上提高分类性能,但需要特征间具有良好的互补特性,这依赖于所采用的数据集、特征组合和特征选取方式,算法泛化性和迁移性有限。
数据驱动的方法可以通过从大量训练数据中学习到用于区分目标和杂波的深层特征和分类准则,目前已被应用于雷达领域,特别是卷积神经网络(Convolution Neural Network,CNN)[
注意力机制是数据挖掘中的一种重要结构,它利用输入序列样本间相互关系对样本进行加权,突出样本中信息量更大或更重要的部分,从而使输入序列中不同的样本对输出产生不同的影响。在剩余杂波抑制问题中,雷达工作的特殊性决定了其处理对象往往是同一个距离单元的回波序列,目标和杂波的所有信息都包含在这一序列中。杂波的内部运动、天线波束扫描和风等因素加剧了回波起伏[
文中所述剩余杂波是指雷达经过脉冲压缩、动目标显示或动目标检测后,由回波信号中的剩余杂波产生的虚假点或虚警点。
图1 剩余杂波抑制算法处理流程
对于检测后得到的点迹,其回波特征包含在慢时间数据序列中。经过脉冲压缩和干扰抑制后的回波数据可表示为[
| (1) |
其中,H1和H0分别表示回波中有目标和无目标的情况,n为高斯白噪声,xs和xc分别为信号和杂波回波。
图2 不同信号的功率谱对比
基于参数化模型的处理方法一直是雷达信号处理领域的研究重点。但是在实际应用中不可避免地会出现模型失配,从而导致算法性能下降甚至失效。数据驱动方法自身就具有强大的信息挖掘能力;但是良好的性能往往需要复杂的网络结构和大量的训练样本作为支撑。若能将参数化模型类方法中表征数据浅层特征所需参数和样本少的先验知识与基于数据驱动的神经网络的深层特征提取能力相结合,从而优化网络结构,使其在训练过程中更容易关注到有效特征,则有可能降低网络复杂度,减小所需训练样本量并提升算法泛化能力。这也是所提出的基于注意力自相关机制的剩余杂波抑制方法的出发点。该方法示意图如
图3 剩余杂波抑制网络流程图
近年来,自注意力机制在计算机视觉和自然语言处理中取得巨大成功,其通过一种利用输入元素间相关性加权的特征提取机制,大大提升了特征的表征能力[
经典自注意力机制被用于对长度不等的元素序列进行处理。它首先通过计算序列中元素之间的依赖关系确定一组权矢量,然后使用这些权矢量对输入元素进行加权组合以获得输出元素。如Bert中的注意力机制[
图4 注意力自相关运算细节和注意力自相关层网络结构
相较于传统注意力机制,注意力自相关机制更注重输入序列整体及其各个元素之间的相互关系特征,如
O=Wox, | (2) |
K=xWk 。 | (3) |
原始矩阵O中每一个行向量和关键值矩阵K中每一个列向量都代表着输入序列的一个高维表征。注意力自相关通过矩阵相乘获得综合特征矩阵,其表达式为
AAC(O,K)=OK, | (4) |
其中,AAC(O,K)∈RR×R,矩阵中的每一项都是通过原始回波数据高维表征向量的内积获得的,其包含了输入序列相互关系的深层特征。在剩余杂波抑制中,特征维度R与自相关函数的长度或短时傅里叶变换的时间维度有相近的意义,维度越高,越可以保证特征矩阵中深层特征的有效性。但与输入序列自相关不同的是,注意力自相关操作使用变换矩阵提取了与任务有关的输入序列中更丰富的信息,这使得综合特征矩阵中用于区分杂波和目标的特征更加丰富和高效。
下面的例子详细说明注意力自相关操作提取输入序列的综合特征矩阵的性能潜力。假设输入为x=[x(1),x(2),x(3)]T,不妨设变换矩阵中M=N=3,R=3。假设训练后的变换矩阵可以实现移位功能,则这种特殊的变换矩阵可以表示为
| (5) |
| (6) |
其中,
O= | (7) |
其中,原始矩阵O的行向量和关键值矩阵K的列向量是由输入向量经过移位获得的。在此基础上,综合特征矩阵C为
C= | (8) |
其中,综合特征矩阵中的元素为输入向量x的自相关函数值。即使相关函数自变量相同(序列位移差相同),由于计算相关函数的序列长度和元素不同,相关函数值含义也有对应的差异,这里使用上标来区分具有相同位移差但序列长度不同的相关函数,这能更进一步反映输入序列元素之间的相互关系。对于目标和杂波的综合特征矩阵,其差异性不仅体现在自相关函数不同,还体现在不同序列组合的相关函数上,也就是目标与杂波在不同脉冲间的相关差异性,能反映此回波的“瞬态”多普勒信息。可以发现,在特殊的移位变换矩阵假设下,注意力自相关机制不仅提取输入向量自相关函数值,综合特征矩阵中还包含更多的信息。需要说明的是,在本例中,特征矩阵中自相关函数值的精度受信号长度和相关函数截断长度限制,相对于基于传统功率谱估计的方法,其无法带来明显的性能提升。在实际应用中,需要提高变换矩阵维度和特征维度,同时充分利用神经网络的拟合能力,获得适应剩余杂波抑制任务的变换矩阵。提高变换矩阵的维度就是将输入序列映射到高维特征空间,避免信号长度对特征精度的直接影响,而提高特征维度R意味着提高特征综合矩阵中的特征容量,获得更多有效的用于杂波与目标分类任务的特征,从而提升特征对输入信号的表征能力,得到更丰富信息的用于区分目标和杂波的特征矩阵,提升剩余杂波抑制能力。
注意力自相关机制提取的综合特征矩阵维度较高,难免存在冗余信息,因此直接利用综合特征矩阵进行分类会增加分类器的实现复杂度,但对性能提升帮助有限。对于多维输入数据,卷积神经网络[
yi,j,n=Γ | (9) |
图5 卷积神经网络处理流程
其中,Γ为非线性激活函数,i∈[1,w/Ns],j∈[1,h/Ns],n∈[1,do]。经过卷积运算后的多维矩阵特征拉伸成为一维向量。
全连接网络在处理基于特征的分类任务时具有较大优势,其将向量化的特征作为输入,通过非线性拟合,结合逻辑回归,输出类型判别结果,是常用的分类网络。全连接神经网络由输入层、隐藏层和输出层构成,每层包含多个神经元。假设第l层全连接网络的输入为xl-1∈
xl=Γ(wlxl-1+bl), | (10) |
其中,wl∈
SoftMax( | (11) |
其中,No为输出节点数,由所需分类的类别数量决定,由于讨论的是目标和杂波二分类问题,因此将其设置为2;
神经网络的参数决定了神经网络的能力和所能完成的任务,而神经网络的参数通常需要通过训练或者学习获得。在对网络参数进行训练时,需要构建测量真实值和神经网络预测值之间差距的损失函数,并通过优化器调整网络参数使得损失函数最小化。采用如下交叉熵损失函数[
H=-y log | (12) |
其中,yo为神经网络的输出,且
为了避免过拟合,神经网络的训练过程通常需要大量的训练或学习样本。由于可以通过计算机仿真获得质量较高的目标回波信号和杂波回波信号,为弥补实测数据的不足,采用仿真数据作为训练样本,仿真和实测数据作为测试样本。其中,实测数据是采用载频为9.39 GHz的IPIX雷达在加拿大东海岸采集的,该数据被公布于加拿大McMaster大学网站上。仿真数据同样按照该雷达实验参数设置,具体如
算法的训练数据按照式(1)的模型产生,训练集大小为1×107,其中目标与杂波各占50%。算法输入是过门限点迹对应慢时间回波序列,且高信噪比的训练样本可以减小网络的训练难度,使得网络更容易学到从数据中提取有效特征的能力,因此信号的信噪比和杂噪比均匀分布于5~25 dB。但是,网络的有效性测试会涉及不同的信杂噪比区间。文中采用实数神经网络,由于复数的乘法和加法均可以用复数实部和虚部之间的乘法和加法表示,因此在AANN方法中,将复数的实部与虚部拼接为一维实向量作为网络输入。AANN中特征维度为32,卷积神经网络卷积核尺寸为3,激活函数为线性整流单元(Rectified Linear Unit,ReLU)[
图6 训练过程损失值与准确率变化趋势
采用与训练数据相同的参数设置,产生10 000个测试数据,并分别使用文中所提的两种方法进行验证。
传统方法 | 分类别准确率/% | 准确率/% | AANN | 分类别准确率/% | 准确率/% | |||
---|---|---|---|---|---|---|---|---|
判定为目标 | 判定为杂波 | 判定为目标 | 判定为杂波 | |||||
实际为目标 | 4 548 | 437 | 91.23 | 90.15 | 4 730 | 255 | 94.88 | 92.15 |
实际为杂波 | 548 | 4 467 | 89.07 | 475 | 4 540 | 89.71 |
从
信杂比和脉冲积累数对目标判别准确率的影响结果如
图7 目标判别准确率随信杂比 和信号长度的变化曲线
为在实测数据上验证该算法的有效性及所提方法的泛化能力,不失一般性,选择文件名为“19980226_215751_ANTSTEEcdf”的数据,该数据具有28个距离单元,目标所在的距离单元为20,其余距离单元仅包含杂波和噪声,每个距离单元有60 000个脉冲周期。文中构建的测试数据集是在经过门限筛选的实测数据上产生的,在无目标的距离单元中随机选择5 000个长度为128的连续序列和在包含目标的第20个距离单元选择5 000个长度为128的连续序列,分别代表杂波和目标回波序列,
传统方法 | 分类别准确率/% | 准确率/% | AANN | 分类别准确率/% | 准确率/% | |||
---|---|---|---|---|---|---|---|---|
判定为目标 | 判定为杂波 | 判定为目标 | 判定为杂波 | |||||
实际为目标 | 4 148 | 852 | 82.96 | 87.76 | 4 443 | 557 | 88.86 | 92.98 |
实际为杂波 | 372 | 4 628 | 92.56 | 145 | 4 855 | 97.10 |
从
消融实验是机器学习领域常用的验证实验,其通过对比增加某个特殊结构前后的算法性能来说明新增结构对性能的影响。文中针对所提基于注意力自相关机制和神经网络的剩余杂波抑制算法进行了消融实验。对照组采用去除注意力自相关机制的卷积神经网络和全连接网络,将原始雷达回波数据作为输入,并输出目标与杂波的分类结果。对照组训练过程和算法表现如
图8 消融实验训练过程损失值与测试集准确率变化趋势
算法复杂度也是衡量算法效率的指标,这里采用平均分类时间来对时间复杂度进行衡量。两种方法的数据预处理使用CPU,涉及网络的部分分别使用CPU和GPU。
神经网络的可解释性一直是学者们关注的重要领域。Grad-CAM算法[
图9 不同层的平均梯度加权特征图
以减少剩余杂波对雷达后续数据处理影响为出发点,利用回波内在相互关系特性构建了一种基于注意力自相关机制和神经网络的剩余杂波抑制方法。文中所提方法利用仿真数据进行训练,并在仿真数据和实测数据上进行了验证。结果表明,所提算法具有良好的性能、运算效率和推广能力。此外,通过对网络特征进行可视化操作,注意力自相关和卷积网络提取到了区分度高的有效特征,进一步验证了所提方法的有效性。
ROSENBERG L. Parametric Modeling of Sea Clutter Doppler Spectra[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 60:1-9. [百度学术]
刘俊, 刘瑜, 何友, 等. 杂波环境下基于全邻模糊聚类的联合概率数据互联算法[J]. 电子与信息学报, 2016, 38(6) :1438-1445. [百度学术]
LIU Jun, LIU Yu, HE You, et al. Joint Probabilistic Data Association Algorithm Based on All-Neighbor Fuzzy Clustering in Clutter[J]. Journal of Electronics & Information Technology, 2016, 38(6):1438-1445. [百度学术]
段崇棣, 韩超垒, 杨志伟, 等. 一种杂波分类辅助的近海岸模糊杂波抑制方法[J]. 西安电子科技大学学报, 2021, 48(2):64-71. [百度学术]
DUAN Chongdi, HAN Chaolei, YANG Zhiwei, et al. Inshore Ambiguity Clutter Suppression Method Aided by Clutter Classification[J]. Journal of Xidian University, 2021, 48(2):64-71. [百度学术]
LI H, REN J, HAN J, et al. Ground Clutter Suppression Method Based on FNN for Dual-Polarization Weather Radar[J]. The Journal of Engineering, 2019, 2019(19):6043-6047. [百度学术]
罗忠涛, 严美慧, 卢琨, 等. 超视距雷达海杂波与干扰信号的多域特征与海杂波检测[J]. 电子与信息学报, 2021, 43(3):580-588. [百度学术]
LUO Zhongtao, YAN Meihui, LU Kun, et al. The Characteristics of Sea-Clutter and Interferences in Various Domains and the Detection of Sea-Clutter for Over-The-Horizon Radar[J]. Journal of Electronics & Information Technology, 2021, 43(3):580-588. [百度学术]
GU J, WANG Z, KUEN J, et al. Recent Advances in Convolutional Neural Networks[J]. Pattern recognition, 2018, 77:354-377. [百度学术]
XU S, RU H, LI D, et al. Marine Radar Small Target Classification Based on Block-Whitened Time-Frequency Spectrogram and Pre-Trained CNN[J]. IEEE Transactions on Geoscience and Remote Sensing, 2023, 61:1-11. [百度学术]
BACHMANN S M. Phase-Based Clutter Identification in Spectra of Weather Radar Signals[J]. IEEE Geoscience and Remote Sensing Letters, 2008, 5(3):487-491. [百度学术]
RICHARDS M A. Fundamentals of Radar Signal Processing[M]. New York: McGraw-Hill Education, 2014. [百度学术]
VASWANI A, SHAZEER N, PARMAR N, et al. Attention Is All You Need[C]//Proceedings of the 31st International Conference on Neural Information Processing Systems. New York: ACM, 2017:6000-6010. [百度学术]
DEVLIN J, CHANG M W, LEE K, et al. Bert:Pre-Training of Deep Bidirectional Transformers for Language Understanding(2018)[J/OL].[2018-10-11].https://arxiv.org/abs/1810.04805v2. https://arxiv.org/abs/1810.04805v2 [百度学术]
MIKOLOV T, KOMBRINK S, BURGET L, et al. Extensions of Recurrent Neural Network Language Model[C]//IEEE International Conference on Acoustics,Speech and Signal Processing. Piscataway:IEEE, 2011:5528-5531. [百度学术]
LECUN Y, BENGIO Y, HINTON G. Deep Learning[J]. Nature, 2015, 521(7553):436-444. [百度学术]
MAAS A L, HANNUN A Y, NG A Y. Rectifier Nonlinearities Improve Neural Network Acoustic Models[C]//International Conference on Machine Learning. Atlanta:JMLR, 2013:1-6. [百度学术]
GLOROT X, BORDES A, BENGIO Y. Deep Sparse Rectifier Neural Networks[J]. Journal of Machine Learning Research, 2011, 15:315-323. [百度学术]
NING Q. On the Momentum Term in Gradient Descent Learning Algorithms[J]. Neural Network, 1999, 12(1):145-151. [百度学术]
SELVARAJU R R, COGSWELL M, DAS A, et al. Grad-CAM:Visual Explanations from Deep Networks via Gradient-Based Localization[J]. International Journal of Computer Vision, 2020, 128(2):336-359. [百度学术]
103
浏览量
71
下载量
1
CSCD
相关文章
相关作者
相关机构