專利名稱：一種基于神經網絡的合成孔徑雷達射頻干擾抑制方法
技術領域：
本發明屬于雷達信號處理技術領域，涉及合成孔徑雷達射頻干擾抑制技術與神經網絡應用技術，尤其涉及一種基于神經網絡的合成孔徑雷達射頻干擾抑制方法。
背景技術：
合成孔徑雷達(Synthetic Aperture Radar, SAR)在資源勘察、環境監測、海洋和地殼觀測、地形測繪、災害預警評估和軍事偵察等領域發揮著越來越大的作用。但是，一些研究表明在某些地區射頻干擾(Radio Frequency Interference, RFI)對SAR系統(特別是工作頻段較低的SAR系統)的影響是非常嚴重的，具體詳見2009年5月4 8日Chan
S.等人在美國帕薩迪娜市召開的IEEE雷達會議上發表的題為“SMAP雷達的射頻干擾研究” 的會議論文(Chan, S. ；Spencer, M. RFI study for the SMAP radar, Proceedings of the IEEE Radar Conference,Pasadena, CA, 4-8 May 2009)。以 L 波段 SAR 為例，該頻段被國際電信聯盟分配給地面通信系統、GPS、軍民用地基監視雷達使用，這些都會對SAR系統造成影響。根據日本和其它國家對JERS-I SAR的成像處理結果的統計，27%的成像結果由于受到RFI的影響造成圖像質量下降，具體詳見Shimada M.在2005年IEEE國際地球科學與遙感技術研討會(IGARSS' 05)上發表的題為“ JERS-I合成孔徑雷達觀測到的L波段射頻干擾及其全球分布”的會議論文(Shimada M. L-band Radio Interferences Observed by the JERS-I SAR and Its Global Distribution. IGARSS' 05. 2005 :4，2752-2755) oRFI 的存在會顯著降低SAR圖像質量，能量較大的RFI會在SAR圖像中產生近似沿距離向的亮線，遮蓋真實的地面場景，甚至使SAR圖像無法解譯；能量較小的RFI在SAR圖像中的表現可能不明顯，但是它對以此為基礎的InSAR系統的干涉相位的影響很大，具體詳見Reigber A.等人在2005年《IEEE地球科學與遙感通信》國際期刊第2卷第I期45-49頁上發表的題為“合成 SAR 圖像中的干擾抑制，，一文(Reigber, A. ；Ferro-Famil, L. ；Interference suppression in synthesized SAR images,IEEE Geoscience and Remote Sensing Letters,2005,2(I) 45-49)以及Rosen P. A.等人于2008年5月26-30日在意大利羅馬召開的IEEE雷達會議 (RADARi 08)上發表的題為“AL0S PALSAR合成孔徑雷達數據中射頻干擾觀測與抑制對 DESDynI 任務的影響”的會議論文(Rosen, P. A. ；Hensley, S. ；Le, C. !Observations and mitigation of RFI in ALOS PALSAR SAR data Implications for the DESDynI mission, IEEE Radar Conference,2008(RADAR/ 08), Rome, Italy,26-30 May,2008)。實際上，RFI對SAR尤其對低頻波段SAR的影響，早已引起了國內外研究人員的高度重視。自20世紀90年代以來，針對SAR(特別是UWB-SAR)的RFI抑制問題，國內外就相繼提出了一系列抑制算法及其改進算法。現有這些解決RFI抑制問題的方法基本可以歸結為如下四種I、頻域陷波法T. Koutsoudis等人于1995年4月在美國奧蘭多召開的SPIE-合成孔徑雷達成像算法II國際會議上發表的題為“超寬帶雷達接收機中的射頻干擾抑制”(Koutsoudis，Theodore ；Lovas, Louis A.RF Interference Suppression in Ultra Wideband Radar Receivers, in Algorithms for Synthetic Aperture Radar Imagery II (D. A. Giglio, ed.)，SPIE, Orlando, FL, vol. 2487，pp. 107-118，April 1995.) 一文中提出的 RFI 抑制方法以及S. Buckreuss于1998年5月在德國腓特烈港召開的歐洲合成孔徑雷達會議(EUSAR' 98)上發表的題為“P波段合成孔徑雷達數據中的干擾過慮”(S. Buckreuss. Filtering Interferences from P-Band SAR Data, Proc.European Conference on Synthetic Aperture Radar, EUSAR 1 98, Friedrichshafen, Germany, pp.279-282, May 1998) 一文中提出的頻域濾波方法都屬于頻域陷波濾波法。該方法主要包括兩個過程，即檢測出RFI并確定RFI在SAR回波數據頻譜中的位置，然后在RFI對應位置施加陷波濾波器。2、圖像域方法B. H. Ferrell于1995年4月在美國奧蘭多召開的SPIE-合成孔徑雷達成像算法 II國際會議上發表的題為“UHF合成孔徑雷達中的干擾抑制” (B. H. Ferrell, Interference Suppression in UHF Synthetic-Aperture Radar, in Algorithms for Synthetic Aperture Radar Imagery II (DA. Giglio, ed.), SPIE,Orlando, FL, vol.2487,pp.96-106, April 1995)—文中提出了成像相減法。Armin W. Doerry在其專利(專利號US 6608586B1, 2003年8月19曰)中提出了“從SAR圖像中移除射頻干擾方法”(Method for removing RFI from SAR images)以及國內黃曉濤等人在其申請的發明專利(申請公布號CN102243300A， 2011.11.16)中提出了“低頻合成孔徑雷達射頻干擾抑制及誤差校正方法”。這些方法盡管采取了不同的處理思路，但是都屬于基于圖像域的方法。其中兩幅圖像之間的精確配準是該類方法的一個關鍵環節。3、代數空間域方法對SAR回波數據形成的自相關矩陣進行特征分解，將所有特征向量張成的特征空間按照特征值的分布情況分解成RFI特征空間和信號特征空間。將回波數據向量投影到 RFI特征空間，得到RFI信號，再將回波信號與RFI信號相減就可進行RFI抑制。國內Zhou F等人在2007年《IEEE地球科學與遙感通信》國際期刊第4卷第I期第75-79頁上發表的題為“基于特征子空間的濾波方法在合成孔徑雷達窄帶干擾抑制中的應用” (Zhou，F. ；ffu,R.； Xing, M. ；Bao, Ζ. ;Eigensubspace_Based Filtering With Application in Narrow-Band Interference Suppression for SAR, IEEE Geoscience and Remote Sensing Letters, vol. 4, no. 1，p. 75-79,2007) 一文中所提出的基于特征子空間的RFI抑制方法以及國內 Yu Chunrui等人于2010年10月29-31日在中國寧波召開的2010多媒體技術國際會議 (ICMT)上發表的題為“特征分解的射頻干擾抑制方法在SAR數據中的應用”(Yu Chunrui ； Zhang Yongsheng ；Dong Zhen ；Liang Diannong ;Eigen_Decomposition Method for RFI Suppression Applied to SAR Data,2010International Conference on Multimedia Technology (ICMT)，Ningbo, China, 29_310ct. 2010) 一文中所提出的基于特征分解的 RFI 抑制方法都屬于代數空間域方法。4、參數模型方法參數模型方法基本上都要采用這樣四個步驟(I)選擇一種描述RFI的參數模型 (正弦疊加模型或AR模型)；(2)運用回波數據對模型參數進行估計；(3)將估計出的參數代入模型重構出RFI ； (4)回波數據和重構出的RFI數據相減實現RFI抑制。在模型選定的情況下，關鍵是模型參數的估計。對于正弦疊加模型,估計模型參數的代表性方法有(I)Braunstein Matthew等人在1994年美國奧蘭多召開的SP1e-合成孔徑雷達成像算法國際會議上發表的題為“射頻干擾(RFI)抑制的信號處理方法” (Braunstein, Matthew ；Ralston, James Μ. ；Sparrow, David A.Signal processing approaches to radio frequency interference (RFI) suppression, in Algorithms for Synthetic Aperture Radar Imagery(D. A. Giglio, ed.), SPIE, Orlando, FL, vol. 2230，pp. 190-208，April 1994) 一文中提出了最大似然估計(MLE)算法；(2)Golden August等人于1995年4月在美國奧蘭多召開的SPIE-合成孔徑雷達成像算法II國際會議上發表的題為“VHF/UHF去斜合成孔徑雷達中的射頻干擾消除，，(Golden, August ;Werness, Susan A. ；Stuff, Mark A. ；Degraaf, Stuart R. ；Sullivan, Richard C. Radio frequency interference removal in a VHF/UHF deramp SAR, in Algorithms for Synthetic Aperture Radar Imagery II(D. A. Giglio, ed.), SPIE, Orlando, FL, vol. 2487，pp. 84-95，April 1995) 一文中提出了參數最大似然(PML)算法；
(3)Miller Timothy R.等人于1995年4月在美國奧蘭多召開的SPIE-合成孔徑雷達成像算法II國際會議上發表的題為“射頻干擾抑制的近似最小二乘方法”(Miller，Timothy R.； McCorkle,John ff. ；Potter,Lee C. Near—least—squares radio frequency interference suppression, in Algorithms for Synthetic Aperture Radar Imagery II (D. A. Giglio, ed.)，SPIE, Orlando, FL, vol. 2487，pp. 72-83，April 1995) 一文中引入線性目標響應切除技術，得到用于估計RFI的數據，運用LS方法估計固定頻率RFI，chirp變換估計變化頻率 RFI,這就是所謂的 chirp-least-squares algorithm with clipping(CLSC)算法。對于AR模型的參數估計，一般采取自適應濾波的方法將AR模型的參數變成濾波器的權系數，這樣自適應濾波器的很多權值學習方法就可以直接運用了。用自適應濾波思想進行SAR射頻干擾抑制的代表性方法有(I)K. Abend等人于1995年4月在美國奧蘭多召開的SPIE-合成孔徑雷達成像算法II國際會議上發表的題為“超寬帶雷達中的廣播電視干擾信號提取”(K. Abend and J. McCorkle, Radio and TV interference extraction for ultra-wideband radar, in Algorithms for Synthetic Aperture Radar Imagery II(D.
A.Giglio, ed.)，SPIE, Orlando, FL, vol. 2487，pp. 119-129，April 1995) 一文中提出了自 適應FIR濾波法；(2)C. T. C. Le等人于1997年在美國帕薩迪娜市圍繞美國噴氣推進實驗室AirSAR召開的的第七屆專題研討年會上發表的題為“寬帶合成孔徑雷達信號中射頻干擾的自適應濾波方法”(C. T. C. Le, S. Hensley and E. Chapin, Adaptive Filtering of RFI in Wideband SAR Signals,7th Annual JPL AirSAR Workshop, Pasadena, California, Januaryl997) 一文中提出的自適應濾波算法和R. T. Lord等人在1999年IET《電子通信》 國際期刊第35卷第8期629-630頁上發表的題為“RD算法和LMS自適應濾波相結合有效抑制 SAR 中的射頻干擾”(R. T. Lord and M. R. Inggs, Efficient RFI suppression in SAR using a LMS adaptive filter integrated with the range/Doppler algorithm, in Electronics Letters, vol. 35, no. 8, pp. 629-630, April 1999) 一文中提出的自適應濾波算法都屬于基于LMS的自適應濾波算法；(3) Vu, V. T.等人在2010年《IEEE地球科學與遙感通信》國際期刊第7卷第4期694-698頁上發表的題為“用自適應譜線增強器對超寬帶合成孔徑雷達中的射頻干擾進行抑制”(Vu, V. T. ； Sjo gren, T. K. ；Pettersson, Μ. I.；
7Ha kansson，L ；Gustavsson, A. ；Ulander, L. Μ. H. ；RFI Suppression in Ultrawideband SAR Using an Adaptive Line Enhancer，IEEE Geoscience and Remote Sensing Letters， vol. 7，no. 4，pp. 694-698，Oct. 2010) 一文中提出了 NLMS 自適應濾波方法。上述的前三種方法(頻域陷波方法、圖像域方法以及代數空間域方法)都有一個共同的特點，就是它們都是從全局(或整體上)對RFI進行表述，然后從全局對RFI進行抑制。其主要優點就是概念清晰，計算簡單，易于實現，特別適合于RFI密集的場合，是一種全局靜態方法。但是不同域的方法還有各自的不足(I)頻域陷波法在進行濾波處理的同時會引入人為干擾，導致旁瓣電平增高，而且濾波器的瞬態效應會造成數據截短，同時會在SAR回波數據頻譜中產生裂口，在成像處理中導致散焦現象；(2)圖像域方法需要對兩幅圖像進行精確配準，配準誤差的客觀存在必將會對目標信號的失真造成程度不同的影響， 將配準誤差控制在給定的范圍是圖像域方法的一個關鍵，控制不好可能會使處理后的結果較差甚至不可用；(3)代數空間域方法由于目前缺乏一個定量的分割準則去指導。特征值的劃分存在一定的主觀性，由此引起的分割誤差必然會造成目標信號的失真而影響抑制效果O第四種方法(參數模型方法)與前三種方法相比有較大的不同，它主要是采用帶參數的數學模型從局部(細節上)去精確刻畫RFI信號，在模型參數被精確估計的情況下可以得到非常高的RFI抑制精度。特別是自適應濾波方法具有較強的跟蹤能力，可以較好地跟蹤非平穩RFI信號的變化，是一種局部動態方法。雖然與全局靜態方法相比，可以獲得較高的抑制精度，但是其算法的實現較為復雜，計算量大，尤其是RFI高度密集的場合， 尤為顯著，算法的實時性受到很大挑戰。另外基于AR模型的自適應濾波方法還存在邊緣效應。因此設計一種抑制精度高、處理速度快的RFI抑制方法，對于合成孔徑雷達的射頻干擾抑制具有重要意義。
發明內容
本發明的目的在于克服現有合成孔徑雷達(簡稱SAR)射頻干擾抑制(簡稱RFI) 方法的不足而提供一種基于神經網絡的合成孔徑雷達射頻干擾抑制方法。利用擴展交替投影神經網絡(簡稱EAPNN網絡)記憶功能將反映RFI信號全局頻域特征的所有庫模式記憶到EAPNN網絡中，并利用EAPNN網絡聯想功能從回波時域數據中聯想出RFI信號，再將回波時域數據與聯想出的RFI信號直接相減從而達到抑制RFI的目的，與現有方法相比，可以在保證較高抑制精度的前提下獲得較快的處理速度，而且對低頻SAR中的非平穩RFI信號亦具有非常好的抑制效果。為了方便描述本發明的內容，首先做以下術語定義定義I SAR原始回波的一維頻域數據將SAR原始回波時域數據用一個Na行Nr列的矩陣存放，矩陣的每行數據與逐個單脈沖快時間即斜距向的回波信號采樣值相對應，矩陣的每列數據與慢時間即方位向的回波信號采樣值相對應。若將矩陣的每行數據按序連接成一個含NaXNr個元素的行向量，則對此行向量進行離散傅立葉變換后所得的頻域結果即被稱為SAR原始回波的一維頻域數據。
定義2 RFI信號的全局頻域特征與RFI信號的全局頻域特征值從SAR原始回波的一維頻域數據中找出所有與RFI信號相對應的位置，所有這些位置值的集合被稱為RFI信號的全局頻域特征。每一個位置值被稱為RFI信號的全局頻域特征值。定義3擴展交替投影神經網絡擴展交替投影神經網絡(簡稱EAPNN網絡)是利用凸集投影的概念在向量空間中建立的一種神經網絡模型。它是一種全互連網絡，作用域為復數域，網絡的拓撲結構如圖2 所示。L為EAPNN網絡神經元個數，tpq表示從神經元P到神經元q之間的連接權值， φ表示從神經元q到神經元P之間的連接權值。對于EAPNN網絡來說，其連接權值tM = tqp, Sp(V)表示V時刻神經元P的狀態值。具體詳見文獻“王金根，龔沈光，陳世福.擴展交替投影神經網絡-具備聯想記憶功能的充分必要條件，《電子學報》，32卷，第4期，2004年，596 頁-600頁及第605頁.”和王金根等人在ICIC 2010國際會議上發表的題為“擴展交替投影神經網絡進一步研究”一文(Jingen Wang,Yanfei Wang,Xunxue Cui,Further Research on Extended Alternating Projection Neural Network, ICIC 2010， LNCS 6215， pp.33-40， Springer-Verlag Berlin Heidelberg(2010))。定義4 EAPNN網絡浮動神經元在EAPNN網絡中，狀態值隨時間改變(浮動)的神經元被稱為浮動神經元，任意浮
L
動神經元卩在￥時刻的狀態值50;) = [。\(1；-1)，其中L為EAPNN網絡神經元個數，^表
9=1
示從任意神經元q到神經元P之間的連接權值，sq(v-l)為神經元q在V-I時刻的神經元狀態值。定義5 EAPNN網絡連接權矩陣EAPNN網絡所有神經元之間的連接權值構成的方陣被稱為EAPNN網絡連接權矩陣。連接權矩陣T的任意元素tM表示從神經元P到神經元q之間的連接權值。定義6 EAPNN網絡的V時刻狀態向量在V時刻，其中V為非負整數，將EAPNN網絡所有神經元的狀態值按照神經元序號由小到大的順序組成一個向量S(V) = (S1 (V) S2 (V) ---Sl(v)),這個向量被稱為EAPNN網絡的 V時刻狀態向量；當V = O時，S(O)被稱為EAPNN網絡的初始狀態向量；當v = I時，S(I) 被稱為EAPNN網絡的I時刻狀態向量。定義7 EAPNN網絡庫模式若一個非零復數列向量的元素個數與EAPNN網絡的神經元個數相同，則當該復數列向量被用來訓練EAPNN網絡得到網絡連接權矩陣時，就稱其為EAPNN網絡庫模式。定義8 EAPNN網絡記憶功能EAPNN網絡具有將庫模式存儲在其連接權矩陣中的功能，將EAPNN網絡的這一功能稱為EAPNN網絡記憶功能。定義9由RFI信號全局頻域特征值生成的EAPNN網絡庫模式若RFI信號的第i個全局頻域特征值為pos，其中i為正整數，則按照下面的公式 ⑴就可以生成其相應的第i個EAPNN網絡庫模式。
權利要求
1.一種基于神經網絡的合成孔徑雷達射頻干擾抑制方法，其特征在于利用擴展交替投影神經網絡記憶功能將反映射頻干擾信號全局頻域特征的所有庫模式記憶到擴展交替投影神經網絡中，然后利用擴展交替投影神經網絡聯想功能從回波時域數據中聯想出射頻干擾信號，再將回波時域數據與聯想出的射頻干擾信號直接相減從而達到抑制射頻干擾的目的；實現上述操作過程的步驟如下步驟I.得到合成孔徑雷達(SAR)原始回波的一維頻域數據將合成孔徑雷達(SAR)原始回波時域數據用一個Na行Nr列的矩陣存放，Na和Nr均為正整數，矩陣的每行數據與逐個單脈沖快時間即斜距向的回波信號采樣值相對應，矩陣的每列數據與慢時間即方位向的回波信號采樣值相對應；將矩陣的每行數據按序連接成一個含NaXNr個元素的行向量X (η),其中η為不大于NaXNr的所有正整數,該行向量被稱為合成孔徑雷達原始回波的一維時域數據x(n)，對此行向量χ(η)進行離散傅立葉變換后即可得到合成孔徑雷達(SAR)原始回波的一維頻域數據Χ(η)，其中η為不大于NaXNr的所有正整數；步驟2.從一維頻域數據中檢測出射頻干擾信號的所有全局頻域特征值將步驟I得到的一維頻域數據Χ(η)按幅值由小到大的順序重新排序，得到排序后的幅值數據Y(m)，顯然X(η)的序號值η和Y(m)的序號值m之間存在著一個確定的函數關系，記為n = label (m)，貝丨J有Y (m) = X (label (m)) I，其中n,m均為不大于NaXNr的所有正整數； 求出Y(m)的一階差分Z (m) = Y (m+1)-Y (m),其中m為不大于NaXNr-I的所有正整數；計算出Z(m)的均值Ztl和標準偏差σ z;讓m從I開始，計算的值；若^其中α為門限值，在區間
內取值，則m值加I繼續計算直到m =NaXNr時為止,將此時的m值記為!!^ ’若ma < NaXNr則可以得到一維頻域數據X(n)的序號值 label (ma +1)，label (ma +2)，label (ma +3)，· · ·，label (NaXNr-2)，label (NaXNr-I)， label (NaXNr)，所有這些序號值被稱為射頻干擾信號的所有全局頻域特征值，射頻干擾信號的所有全局頻域特征值的個數為NaXNr-Hia，轉到步驟3 ;若ma = NaXNr則因射頻干擾信號的所有全局頻域特征值的個數為0，即不存在射頻干擾，而不需再繼續后面的處理步驟；步驟3.合成孔徑雷達(SAR)原始回波的一維時域數據分割合成孔徑雷達(SAR)原始回波的一維時域數據分割原則是保證分割出的每段時域數據長度均要大于3倍射頻干擾信號的所有全局頻域特征值的個數；由步驟2得到的射頻干擾信號的所有全局頻域特征值的個數為NaXNr-Hia，則本著這樣的分割原則，一種簡單的分割方式就是將步驟I中長度為NaXNr的合成孔徑雷達原始回波的一維時域數據χ(η)平均分成NaXQ段時域數據，每段時域數據長度均為*，其中Q為小于)的正整數;步驟4.確定擴展交替投影神經網絡結構根據步驟3給出的每段時域數據長度確定擴展交替投影神經網絡的神經元個數，即擴展交替投影神經網絡由L個神經元組成；將擴展交替投影神經網絡的所有神經元都設計為浮動神經元；步驟5.由射頻干擾信號的頻域特征值生成擴展交替投影神經網絡庫模式將步驟2得到的射頻干擾信號的所有全局頻域特征值逐個代入下面的公式中生成相應的擴展交替投影神經網絡庫模式；
全文摘要
本發明公開了一種基于神經網絡的合成孔徑雷達(SAR)射頻干擾(RFI)抑制方法，屬于雷達信號處理技術領域。首先從SAR原始回波頻域數據中檢測出RFI信號的所有全局頻域特征值，由這些頻域特征值生成相應的擴展交替投影神經網絡(EAPNN網絡)庫模式并逐一記憶到EAPNN網絡中，然后利用EAPNN網絡聯想功能從回波時域數據中聯想出RFI信號，再將回波時域數據與聯想出的RFI信號直接相減從而達到抑制RFI的目的。由于EAPNN網絡將現有方法中難以同時兼顧的全局特性和動態跟蹤特性結合到了一起，因而可以在保證較高抑制精度的前提下，獲得較快的處理速度。該方法可廣泛用于合成孔徑雷達、地球遙感等領域，特別適合于那些對抑制精度和處理速度同時都有較高要求及RFI較密集的場合。
文檔編號G01S13/90GK102608586SQ201210030690
公開日2012年7月25日 申請日期2012年2月11日 優先權日2012年2月11日
發明者孫龍, 崔遜學, 江凱, 王燕飛, 王金根, 葛家龍, 蔣坤, 陳仁元 申請人:中國人民解放軍陸軍軍官學院