文献阅读-一种基于机器学习方法的海事监视雷达海杂波抑制方法

A Sea Clutter Suppression Method Based on Machine
Learning Approach for Marine Surveillance Radar
一种基于机器学习方法的海事监视雷达海杂波抑制方法

 

目录

1、海杂波抑制方法分类

①传统方法

②机器学习方法

2、文章方法

SCSG、SCRG结构：

判别器结构：

3、损失函数设计

4、实验

5、实测数据结果对比

6、实验部分

1、海杂波抑制方法分类

①传统方法

空间域处理：基于杂波统计模型以描述、消除海杂波

频域处理：通过傅里叶等变换提取杂波、目标的信息，并多普勒滤波器去除海杂波分量

基于子空间：对子空间的杂波分量进行建模，利用海杂波时空相关性进行抑制

②机器学习方法

k近邻与支持向量机构建海杂波与目标的边界，实现抑制

深度卷积自编码器杂波抑制

深度卷积神经网路杂波抑制

生成对抗网络无监督杂波抑制

2、文章方法

基于循环一致对抗网络（CycleGAN）的网络结构学习海杂波特性以实现海杂波抑制

 文章两点：①网路设计 ②target-consistency loss设计

SCSG、SCRG结构：

 

判别器结构：

3、损失函数设计

海杂波抑制网络的损失函数由三个部分组成：对抗性损失、循环一致性损失和目标一致性损失。

 对抗性损失：用于训练生成器和判别器，其作用是使生成的样本服从指定域的数据分布

 

 循环一致性损

 目标一致性损失：

网络损失：

 优化目标：

4、实验

训练模型时：基于复合K分布模型构建了模拟海杂波数据集，参数如下：

训练集 A 由单目标、高 SCR 的雷达数据组成，训练集 B 包含目标较多、不同 SCR 的雷达数据。测试数据包括各种 SCR 和不同目​​标编号下的雷达样本

5、实测数据结果对比

评价指标：海杂波抑制改进因子σ、目标结构相似度（SSIM）

 σ表示不同方法的抑制能力。 SSIM测量杂波抑制前后目标区域的相似度

 

 

6、实验部分

模型训练在仿真数据集上进行，分别对模拟数据、实测数据从海杂波抑制改进因子σ、目标结构相似度两个维度进行比较，从而体现该网络的优越性。