一种基于二次有理核函数的卷积神经网络时延估计方法

摘要

本发明公开了一种基于二次有理核函数的卷积神经网络时延估计方法，包括以下步骤：S1，采集雷达观测信号以及多径回波信号之间的时延值；S2，采用二次有理核函数对所述时延值进行变换；S3，对所述雷达观测信号进行预处理；S4，构建卷积神经网络，将预处理后的雷达观测信号输入神经网络进行非线性变换，得到输入信号的时域变换表示；S5，将所述时域变换表示输入神经网络提取时域时延特征；并进行层间关系压缩变换，得到输入信号的时域时延特征值；S6，利用最小化方差迭代算法，对时延特征值与真实时延值的二次有理核函数表示进行拟合，并进行多次训练，得到时延估计网络；S7，将测试样本输入所述时延估计网络，采用寻峰函数得到时延估计值。

说明书

技术领域

本发明属于反射探测信号处理方法，具体涉及一种基于二次有理核函数的卷积神经网络时延估计方法。

背景技术

目前，扫频信号在反射探测领域中得到广泛应用，如可控震源、雷达、声纳及超声无损探伤等。它被用作源信号向被探测媒质中发射，然后在媒质中传播，遇到不同的目标后形成反射回波，然后被检波器接收，在接收信号中含有时延不同的多个扫频信号回波。在反射探测的信号处理中，为了估计各个目标的距离，需要对各个回波进行检测并估计其时间延迟。

在雷达、声纳探测等的应用场景中，雷达通常通过计算目标反射回来的信号的时间来得到与探测目标的距离，而在现实的传输中，反射回来的信号是多角度的，部分信号会经多次不同的反射传回到接收机与目标反射回来的信号相混叠导致多径效应，而这种多径效应会影响我们对于目标的距离估计，此外在一些应用场景例如去混响等，不同多径时延是有效的判断信息，因此，对于密集多径信号的时延估计具有十分重要的意义。

由于工程探测很多时候是在如矿山，公路，大坝和厂区之类的强噪声环境下进行的，其接收信号中常常含有大量的噪声信号，因而如何把回波从强噪声中检测出来是探测信号处理中的一个难题。另外，源信号在发射，传播和接收过程中都会发生一定的畸变，因此接收信号中的回波波形与源信号会有一定的差别，因此要求回波检测方法对此具有一定的适应性。除此之外，扫频信号在传播过程中能量会受到不断衰减，因此从远处传回的回波幅值很小，因此要求检测算法能把微弱的回波信号检测出来以发现远距离的目标。

公开号为CN100485413的中国专利公开了一种反射探测中的扫频信号的时频互相关检测和时延估计方法，它包括以下步骤：首先将扫频源信号进行小波变换，得到它的时频表示；将接收信号进行小波变换，得到它的时频表示；然后将它们的时频表示进行时频互相关，对接收信号中的回波进行检测和时延估计，得到检测脉冲，并根据各个检测脉冲的位置而计算其相应目标的距离。本发明有很强的压制噪声能力，对回波的波形畸变适应能力强，能检测出能量微弱的回波。本发明特别适用于环境噪声大、传播距离远且能量衰减严重的回波检测中，具有极大的实用价值。该专利虽然解决了环境噪声对雷达回波信号的干扰，但是对于多角度多径回波信号相混叠导致的多径效应没有很好的解决。

发明内容

本发明的目的是针对现有技术存在的问题，提供一种基于二次有理核函数的卷积神经网络时延估计方法。

为实现上述目的，本发明采用的技术方案是：

一种基于二次有理核函数的卷积神经网络时延估计方法，包括以下步骤：

S1，采集样本数据，所述样本数据包括雷达观测信号以及多径回波信号之间的时延值；

S2，采用二次有理核函数对所述时延值进行变换，得到时延值的二次有理核表示；

S3，对所述雷达观测信号进行预处理，分离雷达观测信号为实部与虚部两层，将雷达观测信号由单通道信号转化为双通道信号，并将转化后的双通道信号进行归一化处理；

S4，构建卷积神经网络，将预处理后的雷达观测信号输入卷积神经网络的全连接层，对预处理信号进行非线性变换，得到输入信号的时域变换表示；

S5，将所述时域变换表示输入神经网络的残差卷积块网络，提取时域时延特征；并进行层间关系压缩变换，得到时延特征提取网络，用于提取输入信号的时延特征；

S6，利用最小化方差迭代算法，通过对时延特征值与真实时延值的二次有理核函数表示进行拟合，并进行多次训练，得到时延估计网络；

S7，将测试样本输入所述时延估计网络，采用寻峰函数，从输出向量中提取离散极大峰值作为时延估计值(离散极大峰值对应时延网格值)；所述测试样本包括预处理后的雷达观测信号。

具体地，步骤S1中，所述雷达观测信号表示如下：

其中，r(nT

具体地，步骤S2中，所述二次有理核函数为：

其中，c为二次有理核函数的核宽控制参数；x表示有理核函数的自变量；

将所述时延值的二次有理核函数叠加得到时延值的有理核表示：

其中，RT

具体地，步骤S2中，采用二次有理核函数对所述时延值进行变换时，根据雷达观测信号的信噪比调整二次有理核宽，不同信噪比对应不同的二次有理核宽：

其中，μ为核宽加性调整参数，c

具体地，步骤S3中，对所述雷达观测信号进行预处理包括：将采集的时延值信号由单通道信号转化为双通道信号：

其中，x为多径回波信号序列；C

将所述双通道信号进行归一化处理：

其中，Lorm表示取对应当前通道的序列的L2范数；N表示二次有理核表示后的时延网格数；k表示变换后的二次有理核表示所划分的网格坐标。

具体地，步骤S4包括以下步骤：

将预处理后的雷达观测信号输入卷积神经网络的全连接层进行信号变换，得到输入信号的变换域表示：

其中，w

具体地，步骤S5包括以下步骤：

将预处理信号输入神经网络的残差卷积块网络进行卷积操作，用于提取变换域信号的时延特征，所述残差卷积块网络中包含多个残差卷积块；其中，

卷积操作为：

其中，f

残差模块为：

x

其中，f(.)为卷积操作，用于提取单通道向量的特征；x

所述残差模块中加入了压缩模块，用于对层内通道间信息进行压缩；取卷积操作后的各个通道的最大值与均值之和，用于提取不同通道之间的关系：

其中，v

将压缩得到的通道间关系加入两层全连接网络以表征不同特征通道的权重，同时加入激励函数用以表征非线性关系：

s＝F

其中，F

采用信道乘法，依据提取到的通道间信息对提取到的特征通道增加权重信息，通过将通道间信息与残差卷积块原始输出相乘操作得到对应的残差卷积块实际输出：

其中，F

采用上采样卷积操作，把多层小规模特征信息通过上采样卷积得到对应的单层大规模时延特征表征参数，得到的上采样数据长度应该与时延值的二次有理核表示保持一致；由此，得到输入信号的时域时延特征提取网络。

具体地，步骤S6包括以下步骤：

对所述卷积神经网络进行多次迭代训练，把RT

其中，RT

基于Loss代价函数，采用Adam优化器对网络神经元参数进行更新：

t←t+1

m

其中，J(·)为MSE损失函数；h

进一步地，对所述卷积神经网络进行多次迭代训练过程中，设置学习率的最大不下降循环次数为7次，设置学习率下降率为0.5，对所述卷积神经网络进行循环训练。

具体地，步骤S5中，获得时延估计值的方法为：采用寻峰函数寻找所述时延估计网络输出的多个极大值，对多个所述极大值进行降序排列，并根据多径数目取排列中前已知时延个数的极大值的坐标作为时延估计值：

其中，T

与现有技术相比，本发明的有益效果是：(1)本发明采用卷积神经网络进行多径信号的时延估计，用大量的数据集对网络进行训练，是一种全新的时延估计方法，时延信号估计精度相较于传统算法有了大幅度的提升；(2)本发明基于离格时延进行估计，使得实际估计值更加贴近实际应用场景，在网络训练完成后，实际估计的速度相较于传统方法提升也十分明显；(3)本发明的神经网络在训练和估计时，只需要知道信号对应的时延值，无需知道对应的频率及调频系数，在一些特殊场景中能够发挥显著的作用。

附图说明

图1为本发明一种基于二次有理核函数的卷积神经网络时延估计方法的流程示意框图。

图2为本发明实施例中卷积神经网络的架构图。

图3为本发明实施例中网络训练前基于二次有理核表示的卷积神经网络的输出示意图。

图4为本发明实施例中网络训练后基于二次有理核表示的卷积神经网络的输出示意图。

图5为本发明实施例中采用基于二次有理核函数的卷积神经网络时延估计方法与传统方法的对比图。

具体实施方式

下面将结合本发明中的附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动条件下所获得的所有其它实施例，都属于本发明保护的范围。

如图1所示，本实施例提供了一种基于二次有理核函数的卷积神经网络时延估计方法，包括以下步骤：

S1，采集样本数据，所述样本数据包括雷达观测信号以及多径回波信号之间的时延值；

S2，采用二次有理核函数对所述时延值进行变换，得到时延值的二次有理核表示；

S3，对所述雷达观测信号进行预处理，分离雷达观测信号为实部与虚部两层，将雷达观测信号由单通道信号转化为双通道信号，并将转化后的双通道信号进行归一化处理；

S4，构建卷积神经网络，将预处理后的雷达观测信号输入卷积神经网络的全连接层，对预处理信号进行非线性变换，得到输入信号的时域变换表示；

S5，将所述时域变换表示输入神经网络的残差卷积块网络，提取时域时延特征；并进行层间关系压缩变换，得到时延特征提取网络，用于提取输入信号的时延特征；

S6，利用最小化方差迭代算法，通过对时延特征值与真实时延值的二次有理核函数表示进行拟合，并进行多次训练，得到时延估计网络；

S7，将测试样本输入所述时延估计网络，采用寻峰函数，从输出向量中提取离散极大峰值作为时延估计值(离散极大峰值对应时延网格值)；所述测试样本包括预处理后的雷达观测信号。

具体地，步骤S1中，所述雷达观测信号表示如下：

其中，r(nT

具体地，步骤S2中，所述二次有理核函数为：

其中，c为二次有理核函数的核宽控制参数；x表示有理核函数的自变量；

将所述时延值的二次有理核函数叠加得到时延值的有理核表示：

其中，RT

具体地，步骤S2中，采用二次有理核函数对所述时延值进行变换时，根据雷达观测信号的信噪比调整二次有理核宽，不同信噪比对应不同的二次有理核宽：

其中，μ为核宽加性调整参数，c

具体地，步骤S3中，对所述雷达观测信号进行预处理包括：将采集的时延值信号由单通道信号转化为双通道信号：

其中，x为多径回波信号序列；C

将所述双通道信号进行归一化处理：

其中，Lorm表示取对应当前通道的序列的L2范数；N表示二次有理核表示后的时延网格数；k表示变换后的二次有理核表示所划分的网格坐标。

具体地，步骤S4包括以下步骤：

将预处理后的雷达观测信号输入卷积神经网络的全连接层进行信号变换，得到输入信号的变换域表示：

其中，w

具体地，步骤S5包括以下步骤：

将预处理信号输入神经网络的残差卷积块网络进行卷积操作，用于提取变换域信号的时延特征，所述残差卷积块网络中包含多个残差卷积块；其中，

卷积操作为：

其中，f

残差模块为：

x

其中，f(.)为卷积操作，用于提取单通道向量的特征；x

所述残差模块中加入了压缩模块，用于对层内通道间信息进行压缩；取卷积操作后的各个通道的最大值与均值之和，用于提取不同通道之间的关系：

其中，v

将压缩得到的通道间关系加入两层全连接网络以表征不同特征通道的权重，同时加入激励函数用以表征非线性关系：

s＝F

其中，F

采用信道乘法，依据提取到的通道间信息对提取到的特征通道增加权重信息，通过将通道间信息与残差卷积块原始输出相乘操作得到对应的残差卷积块实际输出：

其中，F

采用上采样卷积操作，把多层小规模特征信息通过上采样卷积得到对应的单层大规模时延特征表征参数，得到的上采样数据长度应该与时延值的二次有理核表示保持一致；由此，得到输入信号的时域时延特征提取网络。

具体地，步骤S6包括以下步骤：

对所述卷积神经网络进行多次迭代训练，把RT

其中，RT

基于Loss代价函数，采用Adam优化器对网络神经元参数进行更新：

t←t+1

m

其中，J(·)为MSE损失函数；h

进一步地，如图3、4所示，对所述卷积神经网络进行多次迭代训练过程中，设置学习率的最大不下降循环次数为7次，设置学习率下降率为0.5，对所述卷积神经网络进行循环训练。

具体地，步骤S5中，获得时延估计值的方法为：采用寻峰函数寻找所述时延估计网络输出的多个极大值，对多个所述极大值进行降序排列，并根据多径数目取排列中前已知时延个数的极大值的坐标作为时延估计值：

其中，T

本实施例在进行仿真实验中，采用了LFM(线性调频信号)作为仿真信号，其中，中心频率设置为3e6HZ，调频系数设置为3e9，发射脉宽设置为0.01s，调频带宽设置为10e6，采样频率Fs＝B，采样点数为50，多径数设置为3，与传统的MUSIC和OMP算法进行对比后得到了以下的实验仿真结果对比图如图5所示。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。