(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211268064.0 (22)申请日 2022.10.17 (71)申请人 广东工业大 学 地址 510090 广东省广州市越秀区东 风东 路729号 (72)发明人 刘震宇　罗超繁　黄淑婷　伍卓丰　 李光平　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 专利代理师 刘俊 (51)Int.Cl. G06K 9/00(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的高海况海杂波抑制方 法 (57)摘要 本发明提供一种基于深度学习的高海况海 杂波抑制方法， 涉及船舶雷达技术领域， 包括： 获 取实测海杂波数据集； 根据所述实测海杂波数据 集， 获得模拟 海杂波数据集和实测高海况海杂波 数据集， 并输入 预设的高海况海杂波生成神经网 络模型中进行对抗训练； 之后生成一维高海况海 杂波数据集和二维高海况海杂波数据集并输入 一次优化的高海况海杂波生成神经网络模型中 进行二次对抗训练； 利用二次优化的高海况海杂 波生成神经网络模型对待抑制的高海况海杂波 数据进行抑制； 本发明提供的方法同时使用实测 和仿真的海杂波数据对其进行建模， 分别在一维 和二维上对高海 况海杂波进行抑制， 能够提高模 型的泛化 性能和抑制性能。 权利要求书7页 说明书16页 附图2页 CN 115510920 A 2022.12.23 CN 115510920 A 1.一种基于深度学习的高海况海杂波抑制方法， 其特 征在于， 包括以下步骤： S1： 获取实测海杂波数据集； S2： 根据所述实测海杂波数据集， 获得模拟海杂波数据集和实测高海况海杂波数据集； S3： 将所述模拟海杂波数据集和实测高海况海杂波数据集输入预设的高海况海杂波生 成神经网络模型中进行对抗训练， 获得一次优化的高海况海杂波生成神经网络模型； S4： 利用所述一次优化的高海况海杂波生成神经网络模型， 获得一维高海况海杂波数 据集和二维高海况海杂波数据集； S5： 将所述一维高海况海杂波数据集和二维高海况海杂波数据集输入一 次优化的高海 况海杂波生成神经网络模型中进 行对抗训练， 获得二次优化的高海况海杂波生成神经网络 模型； S6： 获取待抑制的高海况海杂波数据， 利用所述二次优化的高海况海杂波生成神经网 络模型对待抑制的高海况海杂波数据进行抑制。 2.根据权利要求1所述的一种基于深度 学习的高海况海杂波抑制方法， 其特征在于， 所 述步骤S2中， 根据所述实测海杂波数据集， 获得模拟海杂波数据集和实测高海况海杂波数 据集的具体方法为： S2.1： 根据海况等级将所述实测海杂波数据集D划分为实测低海况海杂波数据集DL和实 测高海况海杂波数据集DH； S2.2： 在实测低海况海杂波数据集DL上叠加若干种分布的模拟 海杂波， 获得模拟 海杂波 数据集DS。 3.根据权利要求2所述的一种基于深度 学习的高海况海杂波抑制方法， 其特征在于， 所 述步骤S3中， 所述预设的高海况海杂波生成神经网络模型 具体为： 所述预设的高海况海杂波生成神经网络模型包括高海况海杂波生成网络G和高海况海 杂波判别网络D； 所述高海况海杂波生成网络G包括依次连接的维度初始化模块、 海杂波编码模块、 若干 个可形变注意力转换模块和海杂波解码模块； 所述维度初始化模块包括依次连接的第一全连接层和第一Reshape层； 所述海杂波编码模块包括依次连接的第一卷积层、 第一批归一化层、 第一激活层和下 采样层； 每个所述可形变注意力转换模块包括依次连接的第一可形变卷积层、 第二批归一化 层、 第二激活层、 注意力层、 加权乘积点和第一残差加和点； 第二激活层的输出端还与加权 乘积点的输入端连接， 第一可 形变卷积层的输入端还与第一残差加 和点的输入端连接； 所述海杂波解码模块包括依次连接的上采样层、 第 三批归一化层、 第 三激活层、 第二卷 积层和第四激活层。 所述高海况海杂波判别网络D包括依次连接的若干个海杂波下采样模块、 若干个谱归 一化卷积模块、 若干个可 形变卷积模块和海杂波分类模块； 每个所述海杂波下采样模块包括依次连接的第三卷积层、 第 四批归一化层、 第五激活 层和第二残差加 和点； 且第三卷积层的输入端还与第二残差加 和点的输入端连接； 所述谱归一化卷积模块包括依次连接的第四卷积层、 谱 归一化层和第六激活层； 所述可形变卷积模块包括依次连接的第二可 形变卷积层和第七激活层；权　利　要　求　书 1/7 页 2 CN 115510920 A 2所述海杂波分类模块包括依次连接的第二Reshape层、 第二全连接层和第八激活层。 4.根据权利要求3所述的一种基于深度 学习的高海况海杂波抑制方法， 其特征在于， 所 述步骤S3中， 将所述模拟海杂波数据集和实测高海况海杂波 数据集输入预设的高海况海杂 波生成神经网络模型中进行对抗训练， 获得一次优化的高海况海杂波生成神经网络模型， 具体方法为： S3.1： 将所述模拟海杂波数据集和实测高海况海杂波数据集的并集作为一维真实样本 集Xreal， 对所述一维真实样本集Xreal进行时频谱转换， 获得二维真实样本集Zreal； S3.2： 分别 构建满足高斯分布的一维噪声样本集Xnoise和满足高斯分布的二维噪声样本 集Znoise； S3.3： 分别设置第一网络参数θG1和第二网络参数θG2并赋值给高海况海杂波 生成网络G， 获得一维生成网络G1和二维生成网络G2， 分别设置第三网络参数θD1和第四网络参数θD2并赋 值给高海况海杂波判别网络D， 获得一维判别网络D1和二维判别网络D2； S3.4： 对一维噪声样本集Xnoise进行随机采样， 获得一维采样噪声样本集 并输入 一维生成网络G1中， 获得一维生成样本集 和对应的一维生成样本标签集 将一维 生成样本标签集 中的元素值置为0； 对一 维真实样本集Xreal进行随机采样， 获得一 维采 样真实样本集 和对应的一维真实样本标签集 将一维真实样本标签集 中的 元素值置为1； 对所述二维噪声样本集Znoise和进行随机采样， 获得二维采样噪声样本集 并输入 二维生成网络G2中， 获得二维生成样本集 和对应的二维生成样本标签集 将二维 生成样本标签集 中的元素值置为0； 对二 维真实样本集Zreal进行随机采样， 获得二 维采 样真实样本集 和对应的二维真实样本标签集 将二维真实样本标签集 中的 元素值置为1； 其中， b为采样的样本个数； S3.5： 利用所述一维生成样本集 和一维采样真实样本集 训练一维判别网络 D1， 并设置第一判别损失函数， 对一维判别网络D1进行优化， 获得更新后的第三网络参数 θ′D1和优化后的一维判别网络D ′1； 利用所述二维生成样本集 和二维采样真实样本集 训练二维判别网络D2， 并设 置第二判别损失函数， 对二维判别网络D2进行优化， 获得更新后的第四网络参数θ ′D2和优化 后的二维判别网络D ′2； S3.6： 对所述一维噪声样本集Xnoise再次进行随机采样， 获得一维二次采样噪声样本集 将所述一维二次采样噪声样本集 输入一维生成网络G1中， 输出一维二次生 成样本集 和对应的一维二次生成样本标签集 将一维二次生成样本标签集 中的元素值置为1；权　利　要　求　书 2/7 页 3 CN 115510920 A 3