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
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。