基于图特征学习的海杂波抑制算法_陈鹏.pdf

第 44 卷第 2 期2 0 2 3 年 2 月兵工学报ACTA AMAMENTAIIVol 44 No 2Feb2023DOI:10 12382/bgxb 2021 0662基于图特征学习的海杂波抑制算法陈鹏，许震，曹振新，王宗新(东南大学 信息科学与工程学院 毫米波国家重点实验室，江苏 南京 210096)摘要:为有效降低海杂波对海洋雷达的工作影响，研究海杂波的抑制问题，提出一种基于图特征学习的海杂波抑制算法。使用时频变换对雷达回波信号进行维度扩增，基于图嵌入处理深度挖掘图结构特征的思想，并依据海杂波和目标回波信号在时频谱中的不同结构特性，给出一种通过图嵌入进行信号节点特征向量构造的方法。区别于传统时域对消和子空间分解等方法，该方法可以通过时频谱中不同信号的节点分类实现海杂波的抑制。仿真与实测结果表明，该算法可以有效抑制雷达回波信号中的海杂波分量，提升雷达回波信号的信杂比，为海洋雷达进行海杂波的抑制提供了新的思路和途径。关键词:海杂波抑制;时频变换;图嵌入;图结构;节点分类中图分类号:TN957文献标志码:A文章编号:1000-1093(2023)02-0534-11Graph Feature Learning-Based Sea Clutter Suppression MethodCHEN Peng，XU Zhen，CAO Zhenxin，WANG Zongxin(State Key Laboratory of Millimeter Waves，School of Information Science and Engineering，Southeast University，Nanjing 210096，Jiangsu，China)Abstract:In order to reduce the effect of sea clutter on Marine radar，a sea clutter suppression algorithmbased on graph feature learning is proposedThe time-frequency transform is used to amplify thedimension of radar echo signal，and based on the idea that the graph structure features can be deeplymined by graph embedding processing，a method of constructing signal node feature vector by graphembedding is presented according to the different structural characteristics of sea clutter and target echosignal in time spectrumDifferent from traditional methods such as time domain cancellation andsubspace decomposition，this method can be used to implement sea clutter suppression through nodeclassification of different signals in the time spectrum Simulation and experimental results show that thealgorithm can effectively suppress the sea clutter component of radar echo signal，improve the signal toclutter ratio of radar echo signal，and provide a new idea and way for ocean radar to suppress sea clutterKeywords:sea clutter suppression;time-frequency transformation;graph embedding;graph structure;node classification收稿日期:2021-10-09基金项目:江苏省优秀青年科学基金项目(BK20220128);国家重点研发计划项目(2019YFE0120700);中国航天科技集团公司第八研究院产学研合作基金资助项目(SAST2021-039);国家自然科学基金项目(61801112)第 2 期基于图特征学习的海杂波抑制算法0引言在海洋探测雷达系统中，雷达照射海面所产生的后向散射回波称为海杂波1。由于海洋雷达受到复杂海况所产生的海杂波影响，极大地降低了雷达监视和检测目标的能力2。因此，从海洋雷达接收的信号中抑制海杂波分量是亟需解决的问题。由于海面的复杂运动，导致海杂波具有非线性、非高斯、非平稳特征3。传统的随机信号处理方法一般建立在信号是平稳性的假设前提下，单纯采用时域或频域的单一特征无法有效地描述海杂波的复杂特征。通过引入时频变换的理论构造基于时域和频域的联合二维处理方法，将一维的时间信号投射成时间频率的二维图像，可以得到描述时间频率能量三者关系的时频谱，更加直观地观测到信号在时频域上的局部变化规律4。目前，针对海杂波时频变换的主要方法有短时傅里叶变换(STFT)、魏格纳维尔分布(WVD)和小波变换(WT)等5。其中，STFT 计算简便，但时频分辨率无法同时达到最优;WVD 时频分辨率可以同时达到理想情况，但在分析多分量信号时会产生严重的交叉项干扰;WT 的多尺度分辨特性适合于分析非线性、非平稳信号，但受到小波基函数的约束，导致适应性较弱。随着近年来机器学习领域的迅速发展，人工智能算法也广泛运用于海杂波的处理领域中。针对海杂波的仿真建模，可以通过反向传播神经网络和门控循环神经网络进行幅度预测和参数估计6 7。在海面的弱小目标检测中，深度学习和迁移学习被广泛运用8 10。在海杂波抑制领域中，与传统的海杂波抑制算法，如基于子空间分解的奇异值分解(SVD)算法11 12 和基于时域对消的自适应杂波抑制算法13 比较，运用经典的神经网络模型同样可以产生较好的抑制效果，如基于 AlexNet 的自适应杂波智能抑制方法14。在人工智能领域，Joan Bruna 等在卷积神经网络(CNN)的基础上提出了应用于图结构的图卷积网络(GCN)15，使得图结构的特征分析越来越多地用于传统图像的处理中。Aditya Grover 等在词向量的数据处理算法 word2vec16 基础上提出了应用于图结构中的数据处理算法 node2vec，该算法通过学习图结构的特征构造出高维的节点特征向量，完成了节点分类和链路预测等任务17。本文分析了海杂波的非平稳特性，发现了其时频谱与目标回波信号的时频谱之间具有明显的结构特征区别。因此，提出基于图特征学习的海杂波抑制算法，将雷达接收信号的时频谱构造成图结构的形式，并采用 node2vec 算法对图进行图嵌入处理，使用 K-means 聚类算法将图嵌入的节点特征向量分类，实现在时频域中海杂波和目标回波信号的分离，从而抑制了雷达接收信号中的海杂波分量。最后进行算法的仿真以及实测数据对比实验，分析了该算法在不同超参数情况下的节点分类结果以及海杂波抑制效果，并给出了适合工程化应用的研究方向。1雷达接收信号模型如图 1 所示，机载或舰载雷达对海上目标进行监视或检测时，海杂波会严重恶化雷达探测性能，此时雷达的接收信号 r(t)可以表示为三部分:r(t)=s(t)+x(t)+n(t)(1)式中:s(t)为目标回波信号;x(t)为海杂波回波信号;n(t)为复高斯白噪声。海杂波的抑制问题就是在不损失目标回波信号 s(t)的情况下，最大程度地抑制杂波信号 x(t)，提高信杂比(SC)。图 1海洋雷达探测示意图Fig 1Schematic diagram of ocean radar detection经过基本的雷达信号处理后，海上目标的回波信号 s(t)可描述为等效复基带形式s(t)=Kk=1a(k)ej2fd(k)t(2)式中:K 为目标个数;a(k)为第 k 个目标回波信号的雷达散射截面(CS);fd(k)为第 k 个目标的多普勒频率。为了在海杂波干扰下有效地提取目标信息，采用 STFT 对雷达接收信号做预处理。STFT 是典型的线性时频变换，其计算简便且不存在交叉项干扰的问题18，定义为STFTy(t，f)=y(u)g*(u t)e j2fudu(3)式中:y()为初始信号;STFTy(t，f)表示针对y()信号的短时傅里叶变换;g()为窗函数，上标*为复共轭。对式(1)两边同时进行 STFT，可以得到535兵工学报第 44 卷STFTr(t，f)=STFTs(t，f)+STFTx(t，f)+STFTn(t，f)(4)式中:STFTr(t，f)、STFTs(t，f)、STFTx(t，f)、STFTn(t，f)分别表示针对 r(t)信号、s(t)信号、x(t)信号和 n(t)信号的短时傅里叶变换。2基于图特征学习的海杂波抑制算法2.1时频谱的图构造对于雷达接收信号中的目标回波信号和非平稳的海杂波信号，在经过 STFT 后均可以在时频谱中表现出频率随时间变化的规律，且两者的时频谱在频率上均是连续的。通过对雷达接收信号的时频谱分析，可以发现海杂波与目标回波信号时频谱中的能量均主要分布在低频部分，但由于海杂波的非平稳特性与目标回波信号的确定性，导致两者在时频谱中的能量分布情况存在着较大的结构特征差异，具体表现为:目标回波信号的能量分布比海杂波的能量分布更为集中与连续。这里将离散分布的海杂波时频谱描述为结构相似性，将集中分布的目标回波信号时频谱描述为社群相似性。因此，雷达接收信号的时频谱具有图的结构形式，可以进行图构造处理。将其时频谱 STFTr(t，f)进行图构造的步骤如图 2 所示。图 2时频谱的图构造流程Fig 2Graph construction flow of time spectrum时频谱的图构造具体过程为:步骤 1提取式(4)中雷达接收信号时频谱STFTr(t，f)图像中的像素点，构造成二维初始矩阵S，大小为 r c。将时频谱转换为矩阵的形式，便于进行后续的算法处理。矩阵 S 表示为s1，1s1，2s1，3s1，4s1，5s1，cs2，1s2，2s2，3s2，4s2，5s2，csr，1sr，2sr，3sr，4sr，5sr，cr c(5)步骤 2设定阈值，记矩阵 S 中元素的最大值为 sm(即第 m 个元素为最大值)，对于矩阵 S 中的任意元素 si，j，若 si，j/sm，则将 si，j的值更新为0。记更新后的矩阵 S 中非 0 元素的个数为 N。将矩阵中较小的元素赋值为 0，以有利于降低矩阵的冗余度和算法的时间复杂度。此时矩阵 S 表示为s1，10s1，3s1，4s1，50s2，1s2，2s2，300s2，csr，10sr，300sr，cr c(6)式中:为简化描述，设置初始矩阵 S 中任意 r c N 个元素为 0。步骤 3将矩阵 S 中为 0 的元素不变，其余N 个非0 元素重新赋值。具体的赋值方法为按照元素的下标顺序，进行从 1 N 的连续递增的整数赋值。图结构中最重要的是节点之间的位置关系，使用连续递增的整数赋值代替原本矩阵中的非 0 元素，便于进行图结构中的节点关系表征。赋值更新后的矩阵 S 表示为102340n1n2n300n4n50n600Nr c(7)式中:4 n1 n2 n3 n4 n5 n6 N。步骤 4此时矩阵 S 中有 N 个非 0 的连续元素值，将这 N 个元素看作图结构中的 N 个不同节点，根据 N 个不同节点在矩阵 S 中的位置关系，构造出相对应的图结构的邻