基于注意力自相关机制的剩余杂波抑制方法

doi:10.19665/j.issn1001-2400.20230402

西安电子科技大学学报 ›› 2024, Vol. 51 ›› Issue (1): 41-51.doi: 10.19665/j.issn1001-2400.20230402

基于注意力自相关机制的剩余杂波抑制方法

申露¹(), 苏洪涛¹(), 汪晋¹^,²(), 毛智¹(), 景鑫琛¹(), 李泽¹()

1.西安电子科技大学雷达信号处理全国重点实验室,陕西西安 710071
2.南京电子研究所,江苏南京 210039

收稿日期:2022-10-25 出版日期:2023-05-17 发布日期:2023-05-17
通讯作者: 苏洪涛(1974—),男,教授,E-mail:suht@xidian.edu.cn
作者简介:申露(1995—),男,西安电子科技大学博士研究生,E-mail:imlbtr@163.com;
汪晋(1985—),男,西安电子科技大学博士研究生,E-mail:wjkbf1926@sina.com;
毛智(1997—),男,西安电子科技大学博士研究生,E-mail:zmao@stu.xidian.edu.cn;
景鑫琛(1997—),男,西安电子科技大学博士研究生,E-mail:18292814263@163.com;
李泽(1992—),女,西安电子科技大学博士研究生,E-mail:himmelize@163.com.
基金资助:
国家自然科学基金(62201429);中央高校基本科研业务费专项资金(QTZX22156)

Attention autocorrelation mechanism-based residual clutter suppression method

SHEN Lu¹(), SU Hongtao¹(), WANG Jin¹^,²(), MAO Zhi¹(), JING Xinchen¹(), LI Ze¹()

1. National Key Laboratory of Radar Signal Processing,Xidian University,Xi’an 710071,China
2. Nanjing Research Institute of Electronics Technology,Nanjing 210039,China

Received:2022-10-25 Online:2023-05-17 Published:2023-05-17

摘要/Abstract

摘要：

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。

关键词: 剩余杂波抑制, 注意力自相关机制, 深层特征, 神经网络

Abstract:

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.

Key words: residual clutter suppression, attention autocorrelation mechanism, deep-features, neural networks

中图分类号:

TN957

申露, 苏洪涛, 汪晋, 毛智, 景鑫琛, 李泽. 基于注意力自相关机制的剩余杂波抑制方法[J]. 西安电子科技大学学报, 2024, 51(1): 41-51.

SHEN Lu, SU Hongtao, WANG Jin, MAO Zhi, JING Xinchen, LI Ze. Attention autocorrelation mechanism-based residual clutter suppression method[J]. Journal of Xidian University, 2024, 51(1): 41-51.

图/表 13

图1

图2

图3

图4

图5

表1

图6

表2

图7

表3

图8

表4

图9

参考文献 17

[1]	ROSENBERG L. Parametric Modeling of Sea Clutter Doppler Spectra[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 60:1-9.
[2]	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.
	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.
[3]	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.
	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.
[4]	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. doi: 10.1049/tje2.v2019.19
[5]	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.
	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.
[6]	GU J, WANG Z, KUEN J, et al. Recent Advances in Convolutional Neural Networks[J]. Pattern recognition, 2018, 77:354-377. doi: 10.1016/j.patcog.2017.10.013
[7]	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.
[8]	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. doi: 10.1109/LGRS.2008.922733
[9]	RICHARDS M A. Fundamentals of Radar Signal Processing[M]. New York: McGraw-Hill Education, 2014.
[10]	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.
[11]	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.
[12]	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.
[13]	LECUN Y, BENGIO Y, HINTON G. Deep Learning[J]. Nature, 2015, 521(7553):436-444. doi: 10.1038/nature14539
[14]	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.
[15]	GLOROT X, BORDES A, BENGIO Y. Deep Sparse Rectifier Neural Networks[J]. Journal of Machine Learning Research, 2011, 15:315-323.
[16]	NING Q. On the Momentum Term in Gradient Descent Learning Algorithms[J]. Neural Network, 1999, 12(1):145-151. doi: 10.1016/S0893-6080(98)00116-6
[17]	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. doi: 10.1007/s11263-019-01228-7

参数	取值
雷达载频/GHz	9.39
雷达带宽/MHz	10
采样频率/MHz	80
脉冲重复周期/s	1×10^-3
脉冲宽度/s	2×10^-7
脉冲数	128

	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	分类别准确率/%	准确率/%	判定为目标	判定为杂波	分类别准确率/%	准确率/%
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

	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	分类别准确率/%	准确率/%	判定为目标	判定为杂波	分类别准确率/%	准确率/%
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

	CPU	CPU+GPU
传统方法	1.917 77	1.898 992
AANN	0.316 548	0.011 944

基于注意力自相关机制的剩余杂波抑制方法

Attention autocorrelation mechanism-based residual clutter suppression method

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 17

相关文章 15

Metrics

本文评价

推荐阅读 0

[1]	钟浩, 边山, 王春桃. 结合自注意力与卷积的真实场景图像篡改定位[J]. 西安电子科技大学学报, 2024, 51(1): 135-146.
[2]	张欣雨, 梁煜, 张为. 融合全局和局部信息的实时烟雾分割算法[J]. 西安电子科技大学学报, 2024, 51(1): 147-156.
[3]	杨小雪, 陈杰. 几类密码算法的神经网络差分区分器的改进[J]. 西安电子科技大学学报, 2024, 51(1): 210-222.
[4]	黄河源, 慕彩红, 方云飞, 刘逸. 使用图负采样的图卷积神经网络推荐算法[J]. 西安电子科技大学学报, 2024, 51(1): 86-99.
[5]	杜明洋, 杜蒙, 潘继飞, 毕大平. 基于生成对抗网络的雷达脉内信号去噪与识别[J]. 西安电子科技大学学报, 2023, 50(6): 133-147.
[6]	张可涵,李红艳,刘文慧,王鹏. 面向流量预测的时间相关图卷积网络构建方法[J]. 西安电子科技大学学报, 2023, 50(5): 11-20.
[7]	李雅宁,李宏生,蔚保国. 一种室内伪卫星混合指纹定位方法[J]. 西安电子科技大学学报, 2023, 50(5): 21-31.
[8]	范文同,李震宇,张涛,罗向阳. 基于隐写噪声深度提取的JPEG图像隐写分析[J]. 西安电子科技大学学报, 2023, 50(4): 157-169.
[9]	史慧洋,魏靖烜,蔡兴业,王鹤,高随祥,张玉清. 威胁情报提取与知识图谱构建技术研究[J]. 西安电子科技大学学报, 2023, 50(4): 65-75.
[10]	董勐,高一鸣,潘伟涛,邱智亮,杨建磊,邸志雄,郑凌. RELIC-GNN:一种高效的状态寄存器识别算法[J]. 西安电子科技大学学报, 2023, 50(3): 142-150.
[11]	蔡国庆,刘玲,张冲,周一青. 基于GNN-LSTM-CNN网络的6G车辆轨迹预测算法[J]. 西安电子科技大学学报, 2023, 50(3): 50-60.
[12]	陈永,牛凯玉,康婕. LSTM循环神经网络的高速铁路越区切换算法[J]. 西安电子科技大学学报, 2023, 50(1): 76-84.
[13]	张泽欢, 刘强, 国狄非. 面向大规模零样本图像识别的高效算法框架[J]. 西安电子科技大学学报, 2022, 49(6): 103-110.
[14]	任佳兴, 曹玉东, 曹睿, 闫佳. 一种采用动态子空间的小样本图像分类算法[J]. 西安电子科技大学学报, 2022, 49(5): 166-174.
[15]	刘侍刚,张同,杨建功,葛宝. 递进式空洞残差深度双目立体匹配网络[J]. 西安电子科技大学学报, 2022, 49(5): 175-180.