高频地波超视距雷达是我国重要的海洋状态监测雷达与海洋预警雷达,其
工作 所在 的高 频波 段(3~30 MHz)具有探测距离远、反隐 身、可 全天 候全 时段
工作的优势
[1]
。鉴于高频波段日益复杂的电磁环境,雷达的回波信号往往会被多
种杂波和干扰所影响,这些杂波与干扰的存在极大地降低了目标的被检测概率,
限制了高频地波雷达的探测性能。特别是电离层杂波,它是雷达发射信号到达
高空中的电离层时,受电离层的复杂调制与反射后被雷达接收机接收所形成
[2,3]
,
其具有特性复杂多变且全天时、全天候存在的特点,是制约高频地波雷达探测
性能的最主要因素
[4]
。在面对复杂多变的电离层杂波时,目前尚不存在一种有效
的杂波抑制算法,可以适用于处理全部种类的电离层杂波。针对不同种类的电
离层杂波使用不同的杂波抑制算法,是当前一种有效的电离层杂波抑制方案
[5]
,
而如何将电离层杂波进行合理的分类,使得每种类型的电离层杂波均可匹配到
有效的杂波抑制算法,则成为了电离层杂波处理过程中的重点研究内容之一。
在高频地波雷达的电离层 杂波 分类研究中,加拿大 的 CHAN
[6]
通过对电离
层杂波的传播路径的分析,结合实测数据对电离层杂波进行了分类;但由于电离
层存在时变与非均匀的特性,相同回波路径的杂波同样存在不同的杂波特性,其
分类结果难以和杂波抑制算法相匹配。田文龙
[7]
在其研究中提出以电离层杂波
在距 离多 普勒 (Range-Doppler,RD) 谱中 所呈 现的 形态进行分类,仅利用杂波
的功率特性进行识别,导致其分类结果中其他物理特性不统一,难以获取同质的
杂波样本。LI 等
[8]
通过构建卷积神经网络(Convolutional Neural Networks,CNN)
完成了对高频地波雷达回波数据的分类,研究中使用遗传算法从多维特征库中
选取出适用于杂波分类的回波特征,同时利用人工标注的方式获取部分有监督
的样本进行网络训练,完成了对雷达回波信号中目标、海杂波、弱电离层杂波
与强电离层杂波的分类识别。由于其在电离层杂波的分类过程中,仅使用了功
率特征进行强弱电离层杂波分类,导致分类结果物理意义不明确,无法对杂波抑
制算法起到辅助作用。此外,由于该方法依赖人工标注监督样本,因此存在监督
样本难以获取、样本标注误差、样本数不足等问题
[9]
,进而使得算法容易产生过
拟合、模型泛化能力差、分类精度下降。位寅生等
[5]
在其研究中提出利用有限
的监督样本采用 k 均值聚类的方法对电离层杂波进行半监督聚类,其方法可以
有效减少对监督样本数量的依赖,但该方法是在杂波的特征空间中进行的,缺乏
对杂波空间邻域信息的考虑,其聚类结果在距离多普勒谱中会呈现出“离散化”的
形态,同一距离门中具有多种电离层杂波类型且同一类型杂波样本分散在不同
评论0
最新资源