一种自适应风雷达信号抗干扰处理方法

摘要

本发明涉及信号处理的技术领域，揭露了一种自适应风雷达信号抗干扰处理方法，所述方法包括：在无干扰环境条件下采集风雷达信号作为目标信号，并对该目标信号施加噪声干扰，得到干扰信号，对干扰信号与目标信号进行图像化表示；构建自适应风雷达干扰信号识别模型；根据训练集以及所构建的自适应风雷达干扰信号识别模型设计优化目标函数并进行随机优化求解；采集待抗干扰处理的风雷达信号图像矩阵输入到生成模型中，得到抗干扰处理后的风雷达信号。本发明将信号转换为图像矩阵，对不同码元信号进行更为精细的信号抗干扰处理，并基于博弈的模型优化方法构建模型，实现含有干扰信息的图像矩阵向不含干扰信息的图像矩阵的映射。

权利要求

1.一种自适应风雷达信号抗干扰处理方法，其特征在于，所述方法包括：S1：在无干扰环境条件下采集风雷达信号作为目标信号，并对该目标信号施加噪声干扰，得到干扰信号，对干扰信号与目标信号进行图像化表示，将含有干扰信息的干扰信号与目标信号分别构造为图像矩阵，并将图像矩阵作为训练集；

S2：构建自适应风雷达干扰信号识别模型；

所述自适应风雷达干扰信号识别模型包括生成模型G和判别模型D两部分；

所述生成模型以干扰信号图像矩阵为输入，以抗干扰处理后风雷达信号的图像矩阵为输出，判别模型以生成模型输出的图像矩阵以及目标信号图像矩阵为输入，以抗干扰处理后风雷达信号的抗干扰处理效果为输出；

所述生成模型的结构依次包括卷积层、激活函数层以及反卷积层，其中卷积层层数为5层，反卷积层层数为5层，任意两个卷积层之间具有激活函数层，激活函数为ReLU函数，干扰图像矩阵依次经过5层卷积层以及5层反卷积层得到抗干扰处理后风雷达信号的图像矩阵；

所述判别模型为用于二分类的支持向量机模型，模型输出结果包括{‑1,1}，表示生成模型所输出图像矩阵是否存在干扰信息，以及目标信号图像矩阵是否存在干扰信息，若判别模型输出1，表示存在干扰信息，否则表示不存在干扰信息；

S3：根据训练集以及所构建的自适应风雷达干扰信号识别模型设计优化目标函数；

所述根据训练集以及所构建的自适应风雷达干扰信号识别模型设计优化目标函数，包括：根据构建的自适应风雷达干扰信号识别模型设计优化目标函数，所述优化目标函数的自变量为自适应风雷达干扰信号识别模型参数，因变量为抗干扰处理效果，优化目标为最大化抗干扰处理效果，其中自适应风雷达干扰信号识别模型参数包括生成模型参数θG以及判别模型参数θD，生成模型参数θG包括卷积层以及反卷积层的权重和偏置量参数，判别模型参数θD包括支持向量机模型的超平面参数；

所述优化目标函数为：

其中：

表示基于参数θD的判别模型， 1表示存在干扰信息，‑1表示不存在干扰信息；

表示基于参数θG的生成模型，生成模型输出结果即为抗干扰处理后风雷达信号的图像矩阵；

I(xk(t))表示训练集data中采集到的第k个目标信号xk(t)的图像矩阵， 表示目标信号xk(t)所对应干扰信号 的图像矩阵；

S4：对构建的目标函数进行随机优化求解，得到最优自适应风雷达干扰信号识别模型参数；

S5：根据优化求解得到的最优自适应风雷达干扰信号识别模型参数构建自适应风雷达干扰信号识别模型，采集待抗干扰处理的风雷达信号并将其转换为风雷达信号图像矩阵，将风雷达信号图像矩阵输入到生成模型中，并将生成模型的输出结果重构为抗干扰处理后的风雷达信号。

2.如权利要求1所述的一种自适应风雷达信号抗干扰处理方法，其特征在于，所述S1步骤中在无干扰环境条件下采集风雷达信号作为目标信号，并对该目标信号施加噪声干扰，得到干扰信号，包括：测风雷达在无干扰环境条件下发射风雷达信号并进行采集，将采集到的信号作为目标信号，所述无干扰环境条件为无空气颗粒物的空气环境，所采集到的目标信号为x(t)：其中：

t表示目标信号的时序信息；

A表示目标信号的信号幅值；

f表示目标信号的频率；

表示目标信号的初始相位；

对所采集的目标信号施加噪声干扰，得到干扰信号，所施加的噪声包括高斯白噪声n(t)，以及多个频率不同余弦信号构成的模拟空气颗粒物噪声信号s(t)：其中：

Ai表示频率为fi的噪声信号的幅值，N表示所构成模拟空气颗粒物噪声信号s(t)的频率总数；

所述干扰信号表示为

3.如权利要求2所述的一种自适应风雷达信号抗干扰处理方法，其特征在于，所述S1步骤中对干扰信号与目标信号进行图像化表示，将含有干扰信息的干扰信号与目标信号分别构造为图像矩阵，包括：对干扰信号 与目标信号x(t)分别进行图像化表示，将含有干扰信息的干扰信号与目标信号构造为图像矩阵，所述信号图像化表示的流程为：S11：分别对干扰信号 与目标信号x(t)进行采样，采样频率为fc，得到具有R个采样点的干扰信号采样结果以及目标信号采样结果，其中每个采样点信号具有M个码元；

S12：所述干扰信号采样结果以及目标信号采样结果的表达式为：其中：

X表示目标信号x(t)的采样结果，表示干扰信号 的采样结果；

2

j表示虚数单位，j＝‑1；

fc表示采样频率，amr表示第r个采样点的第m个码元的信号参数，amr＝{‑1,1}，若采样到第r个采样点的第m个码元，则amr＝1，否则amr＝‑1；

f表示目标信号的频率；

n表示高斯白噪声矩阵；

S表示模拟空气颗粒物噪声信号s(t)的采样结果，fi表示模拟空气颗粒物噪声信号s(t)中的第i个混合频率；

表示目标信号采样结果的实部，

表示目标信号采样结果的虚部；

S13：将干扰信号采样结果 以及目标信号采样结果X划分为实部信号和虚部信号，所述目标信号采样结果X的实部信号Xre为：所述目标信号采样结果X的虚部信号Xim为：

所述干扰信号采样结果 的实部信号 为：

所述干扰信号采样结果 的虚部信号 为：

S14：将干扰信号采样结果以及目标信号采样结果的实部、虚部信号分别构造为图像矩阵：其中：

I(Xre)表示目标信号采样结果的实部信号对应图像矩阵，I(Xim)表示目标信号采样结果的虚部信号对应图像矩阵；所述图像矩阵中的每一行表示同一个码元，同一行中的每个点代表码元在不同时刻的采样点；

表示干扰信号采样结果的实部信号对应图像矩阵， 表示干扰信号采样结果的虚部信号对应图像矩阵；

S15：所述干扰信号 的对应图像矩阵为 目标信号x(t)的对应图像矩阵为

重复步骤S1，采集得到K个目标信号，并得到K组图像矩阵构成训练集data，其中I(xk(t))表示采集到的第k个目标信号xk(t)的图像矩阵， 表示目标信号xk(t)所对应干扰信号 的图像矩阵。

4.如权利要求1所述的一种自适应风雷达信号抗干扰处理方法，其特征在于，所述S4步骤中对所构建的优化目标函数进行随机优化求解，得到最优自适应风雷达干扰信号识别模型参数，包括：对所构建的优化目标函数进行随机优化求解，得到最优自适应风雷达干扰信号识别模型参数，其中动态惩罚次梯度为所述随机优化方法的主要实施方式；

所述优化目标函数的随机优化求解流程为：

S41：随机生成初始模型参数θD(0),θG(0)，步长序列(α1,α2,...,αmax)，其中αmax表示第max次迭代的步长，max表示随机优化求解的算法最大迭代优化次数，固定初始模型参数θG(0)，设定算法的当前迭代次数为d，d的初始值为0；

S42：若 则输出θD(d)为最优判别模型参数 进入步骤S44，否则进入步骤S43，其中

S43：更新得到θD(d+1)：

令d＝d+1，返回步骤S42；

S44：固定优化目标函数中判别模型参数 计算得到使得 的生成器模型参数作为最优生成器模型参数

5.如权利要求4所述的一种自适应风雷达信号抗干扰处理方法，其特征在于，所述S5步骤中根据优化求解得到的最优自适应风雷达干扰信号识别模型参数构建自适应风雷达干扰信号识别模型，包括：根据优化求解到的最优自适应风雷达干扰信号识别模型参数 以及 分别构建最优判别器模型和最优生成器模型。

6.如权利要求1所述的一种自适应风雷达信号抗干扰处理方法，其特征在于，所述S5步骤中将采集到的风雷达信号图像矩阵输入到生成模型，将生成模型的输出结果重构为抗干扰处理后的风雷达信号，包括：采集待抗干扰处理的风雷达信号并将其转换为风雷达信号图像矩阵，将风雷达信号图像矩阵输入到优化求解得到的生成模型中，模型输出为抗干扰处理后的风雷达信号图像矩阵，将所述抗干扰处理后的风雷达信号图像矩阵重构为抗干扰处理后的风雷达信号。

说明书

一种自适应风雷达信号抗干扰处理方法

技术领域

[0001] 本发明涉及信号抗干扰处理的技术领域，尤其涉及一种自适应风雷达信号抗干扰处理方法。

背景技术

[0002] 激光测风雷达是一种主动式三维测风遥感雷达，其采用多普勒外差法，根据空气中颗粒物（灰尘、云雾水滴、盐晶体、污染气溶胶、生物燃烧气溶胶、高层卷云等）的激光后向散射回波的多普勒频移，测量风速和风向等参数，具有探测盲区小、精度高、稳定性高、体积小、重量轻等特点。但是风雷达系统中各光学端面会引入多个杂散光源，如环形器、偏振控制器的端口串扰和 APC 端面的反射等。这些杂散光源会在拍频信号中引入相位诱导强度噪声，降低系统信噪比，严重影响激光测风雷达应用，为风雷达进行风速识别和参数判定带来巨大挑战。针对该问题，本发明提出一种自适用风雷达信号抗干扰处理方法，实现快速精准风雷达信号抗干扰处理。

发明内容

[0003] 有鉴于此，本发明提供一种自适应风雷达信号抗干扰处理方法，目的在于：1）通过对信号进行分解，将信号转换为图像矩阵，而信号的基带信息以及不同码元信息则会转换为图像矩阵中的强纹理特征，所转换的图像矩阵更能凸显风雷达信号整体分布，实现更为精细的信号抗干扰处理；2）利用基于博弈的模型优化方法构建优化得到生成模型、判别模型，实现含有干扰信息的图像矩阵向不含干扰信息的图像矩阵的映射，其中生成模型负责接收带有干扰信息的信号图像矩阵，输出抗干扰处理后的信号图像矩阵，而判别模型负责对生成模型的输出结果进行判别，若判别发现生成模型的输出结果较差，则会重新对生成模型进行训练，从而建立更为精准的映射关系实现更优的信号抗干扰处理。

[0004] 实现上述目的，本发明提供的一种自适应风雷达信号抗干扰处理方法，包括以下步骤：

[0005] S1：在无干扰环境条件下采集风雷达信号作为目标信号，并对该目标信号施加噪声干扰，得到干扰信号，对干扰信号与目标信号进行图像化表示，将含有干扰信息的干扰信号与目标信号分别构造为图像矩阵，并将图像矩阵作为训练集；

[0006]  S2：构建自适应风雷达干扰信号识别模型，所述干扰信号识别模型包括生成模型和判别模型两部分，所述生成模型以干扰信号图像矩阵为输入，以抗干扰处理后风雷达信号的图像矩阵为输出，判别模型以生成模型输出的图像矩阵以及目标信号图像矩阵为输入，以抗干扰处理效果为输出；

[0007] S3：根据训练集以及所构建的自适应风雷达干扰信号识别模型设计优化目标函数，所述优化目标函数自变量为自适应风雷达干扰信号识别模型参数，因变量为抗干扰处理效果；

[0008] S4：对构建的目标函数进行随机优化求解，得到最优自适应风雷达干扰信号识别模型参数，其中动态惩罚次梯度为所述随机优化方法的主要实施方式；

[0009] S5：根据优化求解得到的最优自适应风雷达干扰信号识别模型参数构建自适应风雷达干扰信号识别模型，采集待抗干扰处理的风雷达信号并将其转换为风雷达信号图像矩阵，将风雷达信号图像矩阵输入到生成模型中，并将生成模型的输出结果重构为抗干扰处理后的风雷达信号。

[0010] 作为本发明的进一步改进方法：

[0011] 可选地，所述S1步骤中在无干扰环境条件下采集风雷达信号作为目标信号，并对该目标信号施加噪声干扰，得到干扰信号，包括：

[0012] 测风雷达向随风漂移的测量气球发射脉冲波并接收从测量气球返回的脉冲波，测风雷达根据接收返回脉冲波的时间确定测量气球的位置，并根据测量气球在空间中的运动轨迹来确定各高度上的水平风速，其中所述测量气球具有可以反射无线电波的反射靶，所述测风雷达所发射的脉冲波即为风雷达信号；

[0013] 需要说明的是，当风雷达信号在空气中接触到空气颗粒，部分信号会形成散射回波噪声，影响风雷达信号到达测量气球的时间以及改变风雷达信号的频率相位等参数，影响激光测风雷达应用；

[0014] 测风雷达在无干扰环境条件下发射风雷达信号并进行采集，将采集到的信号作为目标信号，所述无干扰环境条件为无空气颗粒物的空气环境，所采集到的目标信号为 ：

[0015]

[0016] 其中：

[0017] t表示目标信号的时序信息；

[0018] A表示目标信号的信号幅值；

[0019] f表示目标信号的频率；

[0020] 表示目标信号的初始相位；

[0021] 对所采集的目标信号施加噪声干扰，得到干扰信号，所施加的噪声包括高斯白噪声 ，以及多个频率不同余弦信号构成的模拟空气颗粒物噪声信号 ：

[0022] 其中： 表示频率为 的噪声信号的幅值，N表示所构成模拟空气颗粒物噪声信号的频率总数；

[0023] 所述干扰信号表示为 。

[0024] 可选地，所述S1步骤中对干扰信号与目标信号进行图像化表示，将含有干扰信息的干扰信号与目标信号分别构造为图像矩阵，包括：

[0025] 对干扰信号 与目标信号 分别进行图像化表示，将含有干扰信息的干扰信号与目标信号构造为图像矩阵，所述信号图像化表示的流程为：

[0026] S11：分别对干扰信号 与目标信号 进行采样，采样频率为 ，得到具有R个采样点的干扰信号采样结果以及目标信号采样结果，其中每个采样点信号具有M个码元；

[0027]  S12：所述干扰信号采样结果以及目标信号采样结果的表达式为：

[0028]

[0029]

[0030]

[0031] 其中：

[0032] X表示目标信号 的采样结果， 表示干扰信号 的采样结果；

[0033] j表示虚数单位， ；

[0034] 表示采样频率， 表示第r个采样点的第m个码元的信号参数，，若采样到第r个采样点的第m个码元，则 ，否则 ；

[0035] f表示目标信号的频率；

[0036] n表示高斯白噪声矩阵；

[0037] S表示模拟空气颗粒物噪声信号 的采样结果， 表示模拟空气颗粒物噪声信号 中的第i个混合频率；

[0038] 表 示 目 标 信 号 采 样 结 果 的 实 部 ，表示目标信号采样结果的虚部；

[0039] S13：将干扰信号采样结果 以及目标信号采样结果X划分为实部信号和虚部信号，所述目标信号采样结果X的实部信号 为：

[0040]

[0041] 所述目标信号采样结果X的虚部信号 为：

[0042]

[0043] 所述干扰信号采样结果 的实部信号 为：

[0044]

[0045] 所述干扰信号采样结果 的虚部信号 为：

[0046]

[0047] S14：将干扰信号采样结果以及目标信号采样结果的实部、虚部信号分别构造为图像矩阵：

[0048]  

[0049]

[0050]

[0051]

[0052] 其中：

[0053] 表示目标信号采样结果的实部信号对应图像矩阵， 表示目标信号采样结果的虚部信号对应图像矩阵；在本发明实施例中，所述图像矩阵中的每一行表示同一个码元，同一行中的每个点代表码元在不同时刻的采样点；

[0054] 表示干扰信号采样结果的实部信号对应图像矩阵， 表示干扰信号采样结果的虚部信号对应图像矩阵；

[0055] S15：所述干扰信号 的对应图像矩阵为 ，目标信号 的对应图像矩阵为 ；

[0056] 重复步骤S1，采集得到K个目标信号，并得到K组图像矩阵构成训练集data，，其中 表示采集到的第k个目标信号 的图像矩阵， 表示目标信号 所对应干扰信号 的图像矩阵。

[0057] 可选地，所述S2步骤中构建自适应风雷达干扰信号识别模型，包括：

[0058] 构建自适应风雷达干扰信号识别模型，所述自适应风雷达干扰信号识别模型包括生成模型G和判别模型D两部分；

[0059] 所述生成模型以干扰信号图像矩阵为输入，以抗干扰处理后风雷达信号的图像矩阵为输出，判别模型以生成模型输出的图像矩阵以及目标信号图像矩阵为输入，以抗干扰处理后风雷达信号的抗干扰处理效果为输出；

[0060] 所述生成模型的结构依次包括卷积层、激活函数层以及反卷积层，其中卷积层层数为5层，反卷积层层数为5层，任意两个卷积层之间具有激活函数层，激活函数为ReLU函数，干扰图像矩阵依次经过5层卷积层以及5层反卷积层得到抗干扰处理后风雷达信号的图像矩阵；所述判别模型为用于二分类的支持向量机模型，模型输出结果包括 ，表示生成模型所输出图像矩阵是否存在干扰信息，以及目标信号图像矩阵是否存在干扰信息，若判别模型输出1，表示存在干扰信息，否则表示不存在干扰信息。

[0061] 可选地，所述S3步骤中根据训练集以及所构建的自适应风雷达干扰信号识别模型设计优化目标函数，包括：

[0062] 根据构建的自适应风雷达干扰信号识别模型设计优化目标函数，所述优化目标函数的自变量为自适应风雷达干扰信号识别模型参数，因变量为抗干扰处理效果，优化目标为最大化抗干扰处理效果，其中自适应风雷达干扰信号识别模型参数包括生成模型参数以及判别模型参数 ，生成模型参数 包括卷积层以及反卷积层的权重和偏置量参数，判别模型参数 包括支持向量机模型的超平面参数；

[0063] 所述优化目标函数为：

[0064]

[0065] 其中：

[0066] 表示基于参数 的判别模型， ，1表示存在干扰信息，‑1表示不存在干扰信息；

[0067] 表示基于参数 的生成模型，生成模型输出结果即为抗干扰处理后风雷达信号的图像矩阵；

[0068] 表示训练集data中采集到的第k个目标信号 的图像矩阵，表示目标信号 所对应干扰信号 的图像矩阵。

[0069] 可选地，所述S4步骤中对所构建的优化目标函数进行随机优化求解，得到最优自适应风雷达干扰信号识别模型参数，包括：

[0070] 对所构建的优化目标函数进行随机优化求解，得到最优自适应风雷达干扰信号识别模型参数，其中动态惩罚次梯度为所述随机优化方法的主要实施方式；

[0071] 所述优化目标函数的随机优化求解流程为：

[0072] S41：随机生成初始模型参数 ，步长序列 ，其中表示第max次迭代的步长，max表示随机优化求解的算法最大迭代优化次数，固定初始模型参数 ，设定算法的当前迭代次数为d，d的初始值为0；

[0073] S42：若 ，则输出 为最优判别模型参数 ，进入步骤S44，否则进入步骤S43，其中 ；

[0074] S43：更新得到 ：

[0075]  令 ，返回步骤S42；

[0076] S44：固定优化目标函数中判别模型参数 ，计算得到使得 的生成器模型参数作为最优生成器模型参数 。

[0077] 可选地，所述S5步骤中根据优化求解得到的最优自适应风雷达干扰信号识别模型参数构建自适应风雷达干扰信号识别模型，包括：

[0078] 根据优化求解到的最优自适应风雷达干扰信号识别模型参数 以及 分别构建最优判别器模型和最优生成器模型。

[0079] 可选地，所述S5步骤中将采集到的风雷达信号图像矩阵输入到生成模型，将生成模型的输出结果重构为抗干扰处理后的风雷达信号，包括：

[0080] 采集待抗干扰处理的风雷达信号并将其转换为风雷达信号图像矩阵，将风雷达信号图像矩阵输入到优化求解得到的生成模型中，模型输出为抗干扰处理后的风雷达信号图像矩阵，将所述抗干扰处理后的风雷达信号图像矩阵重构为抗干扰处理后的风雷达信号，在本发明实施例中，所述风雷达信号的重构过程为提取信号图像矩阵的逆过程。

[0081] 为了解决上述问题，本发明提供一种自适应风雷达信号抗干扰处理装置，所述装置包括：

[0082] 信号图像矩阵提取模块，用于在无干扰环境条件下采集风雷达信号作为目标信号，并对该目标信号施加噪声干扰，得到干扰信号，对干扰信号与目标信号进行图像化表示，将含有干扰信息的干扰信号与目标信号分别构造为图像矩阵；采集待抗干扰处理的风雷达信号并将其转换为风雷达信号图像矩阵；

[0083] 模型构建装置，用于构建自适应风雷达干扰信号识别模型，根据训练集以及所构建的自适应风雷达干扰信号识别模型设计优化目标函数，对构建的目标函数进行随机优化求解，根据优化求解得到的最优自适应风雷达干扰信号识别模型参数构建自适应风雷达干扰信号识别模型；

[0084] 信号抗干扰处理装置，用于将风雷达信号图像矩阵输入到生成模型中，并将生成模型的输出结果重构为抗干扰处理后的风雷达信号。

[0085] 为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

[0086] 存储器，存储至少一个指令；及处理器，执行所述存储器中存储的指令以实现上述所述的自适应风雷达信号抗干扰处理方法。

[0087] 为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的自适应风雷达信号抗干扰处理方法。

[0088] 相对于现有技术，本发明提出一种自适应风雷达信号抗干扰处理方法，该技术具有以下优势：

[0089] 首先，本方案提出一种信号图像化表示方法，通过对干扰信号 与目标信号分别进行图像化表示，将含有干扰信息的干扰信号与目标信号构造为图像矩阵，所述信号图像化表示的流程为：分别对干扰信号 与目标信号 进行采样，采样频率为，得到具有R个采样点的干扰信号采样结果以及目标信号采样结果，其中每个采样点信号具有M个码元；所述干扰信号采样结果以及目标信号采样结果的表达式为：

[0090]

[0091]

[0092]

[0093] 其中：X表示目标信号 的采样结果， 表示干扰信号 的采样结果；j表示虚数单位， ； 表示采样频率， 表示第r个采样点的第m个码元的信号参数，，若采样到第r个采样点的第m个码元，则 ，否则 ；表示目标信号的频率；n表示高斯白噪声矩阵；S表示模拟空气颗粒物噪声信号 的采样结果 ， 表示 模 拟 空 气颗 粒 物噪 声 信 号 中的 第 i 个 混合 频 率 ；
表示目标信号采样结果的实部，
表示目标信号采样结果的虚部；将干扰信号采样结果 以及目标信号采样结果 划分为实部信号和虚部信号，所述目标信号采样结果 的实部信号 为：

[0094]

[0095] 所述目标信号采样结果X的虚部信号 为：

[0096]

[0097] 所述干扰信号采样结果 的实部信号 为：

[0098]

[0099] 所述干扰信号采样结果 的虚部信号 为：

[0100]

[0101] 将干扰信号采样结果以及目标信号采样结果的实部、虚部信号分别构造为图像矩阵；本方案通过对信号进行分解，将信号转换为图像矩阵，而信号的基带信息以及不同码元信息则会转换为图像矩阵中的强纹理特征，所转换的图像矩阵更能凸显风雷达信号整体分布，对不同码元的信号进行抗干扰处理，从而实现更为精细的信号抗干扰处理。

[0102] 同时，本方案提出一种构建自适应风雷达干扰信号识别模型，所述自适应风雷达干扰信号识别模型包括生成模型G和判别模型D两部分；所述生成模型以干扰信号图像矩阵为输入，以抗干扰处理后风雷达信号的图像矩阵为输出，判别模型以生成模型输出的图像矩阵以及目标信号图像矩阵为输入，以抗干扰处理后风雷达信号的抗干扰处理效果为输出；所述生成模型的结构依次包括卷积层、激活函数层以及反卷积层，其中卷积层层数为5层，反卷积层层数为5层，任意两个卷积层之间具有激活函数层，激活函数为ReLU函数，干扰图像矩阵依次经过5层卷积层以及5层反卷积层得到抗干扰处理后风雷达信号的图像矩阵；所述判别模型为用于二分类的支持向量机模型，模型输出结果包括 ，表示生成模型所输出图像矩阵是否存在干扰信息，以及目标信号图像矩阵是否存在干扰信息，若判别模型输出1，表示存在干扰信息，否则表示不存在干扰信息。本方案通过利用基于博弈的模型优化方法构建优化得到生成模型、判别模型，实现含有干扰信息的图像矩阵向不含干扰信息的图像矩阵的映射，其中生成模型负责接收带有干扰信息的信号图像矩阵，输出抗干扰处理后的信号图像矩阵，而判别模型负责对生成模型的输出结果进行判别，若判别发现生成模型的输出结果较差，则会重新对生成模型进行训练，从而建立更为精准的映射关系实现更优的信号抗干扰处理。

附图说明

[0103] 图1为本发明一实施例提供的一种自适应风雷达信号抗干扰处理方法的流程示意图；

[0104] 图2为本发明一实施例提供的自适应风雷达信号抗干扰处理装置的功能模块图；

[0105] 图3为本发明一实施例提供的实现自适应风雷达信号抗干扰处理方法的电子设备的结构示意图。

[0106] 本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

[0107] 应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

[0108] 本申请实施例提供一种自适应风雷达信号抗干扰处理方法。所述自适应风雷达信号抗干扰处理方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述自适应风雷达信号抗干扰处理方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。

[0109] 实施例1：

[0110] S1：在无干扰环境条件下采集风雷达信号作为目标信号，并对该目标信号施加噪声干扰，得到干扰信号，对干扰信号与目标信号进行图像化表示，将含有干扰信息的干扰信号与目标信号分别构造为图像矩阵，并将图像矩阵作为训练集。

[0111] 所述S1步骤中在无干扰环境条件下采集风雷达信号作为目标信号，并对该目标信号施加噪声干扰，得到干扰信号，包括：

[0112] 测风雷达向随风漂移的测量气球发射脉冲波并接收从测量气球返回的脉冲波，测风雷达根据接收返回脉冲波的时间确定测量气球的位置，并根据测量气球在空间中的运动轨迹来确定各高度上的水平风速，其中所述测量气球具有可以反射无线电波的反射靶，所述测风雷达所发射的脉冲波即为风雷达信号；

[0113] 需要说明的是，当风雷达信号在空气中接触到空气颗粒，部分信号会形成散射回波噪声，影响风雷达信号到达测量气球的时间以及改变风雷达信号的频率相位等参数，影响激光测风雷达应用；

[0114] 测风雷达在无干扰环境条件下发射风雷达信号并进行采集，将采集到的信号作为目标信号，所述无干扰环境条件为无空气颗粒物的空气环境，所采集到的目标信号为 ：

[0115]

[0116] 其中：

[0117] t表示目标信号的时序信息；

[0118] A表示目标信号的信号幅值；

[0119] f表示目标信号的频率；

[0120] 表示目标信号的初始相位；

[0121] 对所采集的目标信号施加噪声干扰，得到干扰信号，所施加的噪声包括高斯白噪声 ，以及多个频率不同余弦信号构成的模拟空气颗粒物噪声信号 ：

[0122]

[0123] 其中：

[0124] 表示频率为 的噪声信号的幅值，N表示所构成模拟空气颗粒物噪声信号的频率总数；

[0125] 所述干扰信号表示为 。

[0126] 所述S1步骤中对干扰信号与目标信号进行图像化表示，将含有干扰信息的干扰信号与目标信号分别构造为图像矩阵，包括：

[0127] 对干扰信号 与目标信号 分别进行图像化表示，将含有干扰信息的干扰信号与目标信号构造为图像矩阵，所述信号图像化表示的流程为：

[0128] S11：分别对干扰信号 与目标信号 进行采样，采样频率为 ，得到具有R个采样点的干扰信号采样结果以及目标信号采样结果，其中每个采样点信号具有M个码元；

[0129] S12：所述干扰信号采样结果以及目标信号采样结果的表达式为：

[0130]

[0131]

[0132]

[0133] 其中：

[0134] X表示目标信号 的采样结果， 表示干扰信号 的采样结果；

[0135] j表示虚数单位， ；

[0136] 表示采样频率， 表示第r个采样点的第m个码元的信号参数，，若采样到第r个采样点的第m个码元，则 ，否则 ；

[0137] 表示目标信号的频率；

[0138] n表示高斯白噪声矩阵；

[0139] S表示模拟空气颗粒物噪声信号 的采样结果，表示模拟空气颗粒物噪声信号 中的第i个混合频率；

[0140] 表 示 目 标 信 号 采 样 结 果 的 实 部 ，表示目标信号采样结果的虚部；

[0141] S13：将干扰信号采样结果 以及目标信号采样结果 划分为实部信号和虚部信号，所述目标信号采样结果 的实部信号 为：

[0142]

[0143] 所述目标信号采样结果X的虚部信号 为：

[0144]

[0145] 所述干扰信号采样结果 的实部信号 为：

[0146]

[0147] 所述干扰信号采样结果 的虚部信号 为：

[0148]

[0149] S14：将干扰信号采样结果以及目标信号采样结果的实部、虚部信号分别构造为图像矩阵：

[0150]  

[0151]

[0152]

[0153]  

[0154] 其中：

[0155] 表示目标信号采样结果的实部信号对应图像矩阵， 表示目标信号采样结果的虚部信号对应图像矩阵；在本发明实施例中，所述图像矩阵中的每一行表示同一个码元，同一行中的每个点代表码元在不同时刻的采样点；

[0156] 表示干扰信号采样结果的实部信号对应图像矩阵， 表示干扰信号采样结果的虚部信号对应图像矩阵；

[0157] S15：所述干扰信号 的对应图像矩阵为 ，目标信号的对应图像矩阵为 ；

[0158] 重复步骤S1，采集得到K个目标信号，并得到K组图像矩阵构成训练集data，，其中 表示采集到的第k个目标信号的图像矩阵， 表示目标信号 所对应干扰信号 的图像矩阵。

[0159] S2：构建自适应风雷达干扰信号识别模型。

[0160] 所述S2步骤中构建自适应风雷达干扰信号识别模型，包括：

[0161] 构建自适应风雷达干扰信号识别模型，所述自适应风雷达干扰信号识别模型包括生成模型G和判别模型D两部分；

[0162] 所述生成模型以干扰信号图像矩阵为输入，以抗干扰处理后风雷达信号的图像矩阵为输出，判别模型以生成模型输出的图像矩阵以及目标信号图像矩阵为输入，以抗干扰处理后风雷达信号的抗干扰处理效果为输出；

[0163] 所述生成模型的结构依次包括卷积层、激活函数层以及反卷积层，其中卷积层层数为5层，反卷积层层数为5层，任意两个卷积层之间具有激活函数层，激活函数为ReLU函数，干扰图像矩阵依次经过5层卷积层以及5层反卷积层得到抗干扰处理后风雷达信号的图像矩阵；所述判别模型为用于二分类的支持向量机模型，模型输出结果包括，表示生成模型所输出图像矩阵是否存在干扰信息，以及目标信号图像矩阵是否存在干扰信息，若判别模型输出1，表示存在干扰信息，否则表示不存在干扰信息。

[0164] S3：根据训练集以及所构建的自适应风雷达干扰信号识别模型设计优化目标函数。

[0165] 所述S3步骤中根据训练集以及所构建的自适应风雷达干扰信号识别模型设计优化目标函数，包括：

[0166] 根据构建的自适应风雷达干扰信号识别模型设计优化目标函数，所述优化目标函数的自变量为自适应风雷达干扰信号识别模型参数，因变量为抗干扰处理效果，优化目标为最大化抗干扰处理效果，其中自适应风雷达干扰信号识别模型参数包括生成模型参数以及判别模型参数 ，生成模型参数 卷积层以及反卷积层的权重和偏置量参数，判别模型参数 包括支持向量机模型的超平面参数；

[0167] 所述优化目标函数为：

[0168]

[0169]  其中：

[0170] 表示基于参数 的判别模型， ，1表示存在干扰信息，‑1表示不存在干扰信息；

[0171] 表示基于参数 的生成模型，生成模型输出结果即为抗干扰处理后风雷达信号的图像矩阵；

[0172] 表示训练集data中采集到的第k个目标信号 的图像矩阵，表示目标信号 所对应干扰信号 的图像矩阵。

[0173] S4：对构建的目标函数进行随机优化求解，得到最优自适应风雷达干扰信号识别模型参数。

[0174] 所述S4步骤中对所构建的优化目标函数进行随机优化求解，得到最优自适应风雷达干扰信号识别模型参数，包括：

[0175] 对所构建的优化目标函数进行随机优化求解，得到最优自适应风雷达干扰信号识别模型参数，其中动态惩罚次梯度为所述随机优化方法的主要实施方式；

[0176] 所述优化目标函数的随机优化求解流程为：

[0177] S41：随机生成初始模型参数 ，步长序列 ，其中表示第max次迭代的步长，max表示随机优化求解的算法最大迭代优化次数，固定初始模型参数 ，设定算法的当前迭代次数为d，d的初始值为0；

[0178] S42：若 ，则输出 为最优判别模型参数 ，进入步骤S44，否则进入步骤S43，其中 ；

[0179] S43：更新得到 ：

[0180]  令 ，返回步骤S42；

[0181] S44：固定优化目标函数中判别模型参数 ，计算得到使得 的生成器模型参数作为最优生成器模型参数 。

[0182] S5：根据优化求解得到的最优自适应风雷达干扰信号识别模型参数构建自适应风雷达干扰信号识别模型，采集待抗干扰处理的风雷达信号并将其转换为风雷达信号图像矩阵，将风雷达信号图像矩阵输入到生成模型中，并将生成模型的输出结果重构为抗干扰处理后的风雷达信号。

[0183] 所述S5步骤中根据优化求解得到的最优自适应风雷达干扰信号识别模型参数构建自适应风雷达干扰信号识别模型，包括：

[0184] 根据优化求解到的最优自适应风雷达干扰信号识别模型参数 以及 分别构建最优判别器模型和最优生成器模型。

[0185] 所述S5步骤中将采集到的风雷达信号图像矩阵输入到生成模型，将生成模型的输出结果重构为抗干扰处理后的风雷达信号，包括：

[0186] 采集待抗干扰处理的风雷达信号并将其转换为风雷达信号图像矩阵，将风雷达信号图像矩阵输入到优化求解得到的生成模型中，模型输出为抗干扰处理后的风雷达信号图像矩阵，将所述抗干扰处理后的风雷达信号图像矩阵重构为抗干扰处理后的风雷达信号，在本发明实施例中，所述风雷达信号的重构过程为提取信号图像矩阵的逆过程。

[0187] 实施例2：

[0188] 如图2所示，是本发明一实施例提供的自适应风雷达信号抗干扰处理装置的功能模块图，其可以实现实施例1中的自适应风雷达信号抗干扰处理方法。

[0189] 本发明所述自适应风雷达信号抗干扰处理装置100可以安装于电子设备中。根据实现的功能，所述自适应风雷达信号抗干扰处理装置可以包括信号图像矩阵提取模块101、模型构建装置102及信号抗干扰处理装置103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

[0190] 信号图像矩阵提取模块101，用于在无干扰环境条件下采集风雷达信号作为目标信号，并对该目标信号施加噪声干扰，得到干扰信号，对干扰信号与目标信号进行图像化表示，将含有干扰信息的干扰信号与目标信号分别构造为图像矩阵；采集待抗干扰处理的风雷达信号并将其转换为风雷达信号图像矩阵；

[0191] 模型构建装置102，用于构建自适应风雷达干扰信号识别模型，根据训练集以及所构建的自适应风雷达干扰信号识别模型设计优化目标函数，对构建的目标函数进行随机优化求解，根据优化求解得到的最优自适应风雷达干扰信号识别模型参数构建自适应风雷达干扰信号识别模型；

[0192] 信号抗干扰处理装置103，用于将风雷达信号图像矩阵输入到生成模型中，并将生成模型的输出结果重构为抗干扰处理后的风雷达信号。

[0193] 详细地，本发明实施例中所述自适应风雷达信号抗干扰处理装置100中的所述各模块在使用时采用与上述的图1中所述的自适应风雷达信号抗干扰处理方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

[0194] 实施例3：

[0195] 如图3所示，是本发明一实施例提供的实现自适应风雷达信号抗干扰处理方法的电子设备的结构示意图。

[0196] 所述电子设备1可以包括处理器10、存储器11、通信接口13和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。

[0197] 其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（Secure Digital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

[0198] 所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（用于实现自适应风雷达信号抗干扰处理的程序12等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。

[0199] 所述通信接口13可以包括有线接口和/或无线接口（如WI‑FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接，并实现电子设备内部组件之间的连接通信。

[0200] 所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

[0201] 图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

[0202] 例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi‑Fi模块等，在此不再赘述。

[0203] 可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light‑Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。

[0204] 应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

[0205] 所述电子设备1中的所述存储器11存储的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：

[0206] 在无干扰环境条件下采集风雷达信号作为目标信号，并对该目标信号施加噪声干扰，得到干扰信号，对干扰信号与目标信号进行图像化表示，将含有干扰信息的干扰信号与目标信号分别构造为图像矩阵，并将图像矩阵作为训练集；

[0207] 构建自适应风雷达干扰信号识别模型；

[0208] 根据训练集以及所构建的自适应风雷达干扰信号识别模型设计优化目标函数；

[0209] 对构建的目标函数进行随机优化求解，得到最优自适应风雷达干扰信号识别模型参数；

[0210] 根据优化求解得到的最优自适应风雷达干扰信号识别模型参数构建自适应风雷达干扰信号识别模型，采集待抗干扰处理的风雷达信号并将其转换为风雷达信号图像矩阵，将风雷达信号图像矩阵输入到生成模型中，并将生成模型的输出结果重构为抗干扰处理后的风雷达信号。

[0211] 具体地，所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述，在此不赘述。

[0212] 需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

[0213] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

[0214] 以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。