基于神经网络的高频地波雷达电离层杂波抑制方法研究

作     者：戴圆强 

作者单位：江苏科技大学 

学位级别：硕士

导师姓名：尚尚

授予年度：2023年

学科分类：080904[工学-电磁场与微波技术] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 

主      题：高频地波雷达 电离层杂波抑制 小波神经网络 CGAN神经网络 BiLSTM神经网络 

摘      要：作为一种超视距探测雷达,高频地波雷达采用垂直极化天线,凭借短波(3～30Mhz)绕海洋传播衰减小的特点,实现对超出地球曲率目标的监测。而在高频地波雷达实际工作过程中存在着各种各样的杂波干扰,而其中电离层杂波往往会严重影响到高频地波雷达的探测性能,因此本文将从高频地波雷达的电离层杂波的各项特性出发,结合神经网络,建立起对电离层杂波的抑制模型,以此实现对电离层杂波的抑制。本文的主要工作有:首先,本文以实测雷达回波数据为基础,提取出相对纯净的电离层杂波。而后结合电离层的结构以及电离层杂波的产生机理,分析并验证电离层杂波的距离相关特性、混沌特性以及时频特性。然后根据电离层杂波的距离相关性以及混沌特性,计算初始参数,从而构造小波神经网络WNN(Wavelet Neural Networks,WNN),通过训练神经网络来学习电离层杂波的混沌特性,并在其中引入经典粒子群优化算法PSO(Particle Swarm Optimization,PSO)并进行改进,从而提高神经网络的精度以及稳定性。最终通过预测的电离层杂波与实测雷达回波做差,得到抑制电离层杂波后的雷达回波。接着为解决电离层杂波抑制算法实际处理速度过慢的问题,结合电离层杂波的时频特性,在此基础上提出了一种基于时频图像处理的电离层杂波抑制方法。在时频域利用CNN(Convolutional Neural Networks,CNN)-CGAN(Conditionally Generated Adversarial Networks,CGAN)对电离层杂波图像进行提取并抑制,而实测实验分析中发现,该方法能很好的对电离层杂波进行抑制,但对淹没目标信号并不能做到完好无缺的保留。因此最终为了解决淹没目标在时频图像处理的模型中不易完好保留的问题,引入了双向长短期记忆神经网络模型,提出了一种基于时频图像预测的电离层杂波抑制方法。首先通过CNN-CGAN数据扩增,而后在时频域利用CNN-BiLSTM(Bidirectional Long Short-Term Memory Neural Network,BiLSTM)对电离层杂波图像进行预测,最终利用ISTFT(Inverse Short-time Fourier Transform,ISTFT)在时域中实现抑制。经过实测数据分析,在抑制电离层杂波的同时,能够保留下淹没目标信号。经过实测数据分析表明,本文对实现电离层杂波抑制,提高高频地波雷达对海上目标的检测精度具有重要的应用意义。