基于深度學(xué)習(xí)的高頻雷達(dá)射頻干擾自動(dòng)識(shí)別與抑制

東松林， 岳顯昌， 吳雄斌， 高玉斌

(武漢大學(xué)電子信息學(xué)院， 湖北武漢 430072)

0 引言

得益于海洋表面對(duì)高頻(3～30 MHz)垂直極化波的高電導(dǎo)率，高頻地波雷達(dá)(High Frequency Surface Wave Radar, HFSWR)具有超視距探測(cè)能力，在遙感探測(cè)和海洋動(dòng)力學(xué)參數(shù)(風(fēng)、浪、流)反演等方面發(fā)揮了重要作用。HFSWR系統(tǒng)與其他行業(yè)共享頻段，所以不可避免地受到射頻干擾(Radio Frequency Interference,RFI)污染，RFI的存在顯著降低了HFSWR數(shù)據(jù)的質(zhì)量，有效信息的提取變得困難。目前提出的RFI抑制算法主要包括自適應(yīng)波束形成算法、時(shí)域處理算法、極化濾波算法和正交投影算法。雖然自適應(yīng)頻率選擇技術(shù)可根據(jù)雷達(dá)帶寬實(shí)時(shí)換頻從而主動(dòng)避免RFI，但卻難以找到足夠帶寬的干凈頻段；自適應(yīng)波束形成算法本質(zhì)上是空域?yàn)V波，但該方法不適用于寬波束HFSWR；時(shí)域處理算法一般是根據(jù)信號(hào)時(shí)域特征識(shí)別后直接剔除，然后利用算法恢復(fù)有用信號(hào)，但此法對(duì)時(shí)域密集型RFI抑制效果較差；極化濾波類方法主要是基于HFSWR的垂直極化特征，引入輔助天線估計(jì)RFI分量從而抑制RFI，但該法增加了成本和實(shí)驗(yàn)場(chǎng)地面積；正交子空間投影是一種適用于寬波束HFSWR系統(tǒng)的RFI抑制方法，但HFSWR接收到的是在距離域、多普勒域和空域中呈現(xiàn)的多維數(shù)據(jù)，傳統(tǒng)子空間投影算法只是進(jìn)行單一域處理，容易導(dǎo)致對(duì)海洋回波、目標(biāo)信號(hào)的衰減，Li等提出了一種基于高階奇異值分解(Higher Order Singular Value Decomposition, HOSVD)的抑制RFI且不破壞期望信號(hào)的方法。上述RFI抑制方法主要針對(duì)單場(chǎng)數(shù)據(jù)進(jìn)行分析研究，是通過(guò)人工識(shí)別、人工設(shè)置參數(shù)來(lái)逐一處理，不具備實(shí)時(shí)應(yīng)用能力，若提升HFSWR數(shù)據(jù)質(zhì)量必須實(shí)現(xiàn)對(duì)于RFI的自動(dòng)識(shí)別與抑制。

本文提出將深度學(xué)習(xí)中的YOLO(You Only Look Once)算法，結(jié)合高階張量分析的HOSVD算法，實(shí)現(xiàn)RFI自動(dòng)識(shí)別檢測(cè)與抑制一體化工作。實(shí)驗(yàn)結(jié)果表示，與之前的RFI抑制技術(shù)相比，所提出的YOLO-HOSVD算法具有顯著優(yōu)勢(shì)，既能夠自動(dòng)識(shí)別RFI并定位，又能在不損壞所需信號(hào)的情況下快速抑制RFI，能夠?qū)崿F(xiàn)自動(dòng)實(shí)時(shí)化HFSWR信號(hào)處理工作，可以實(shí)際落地到HFSWR系統(tǒng)應(yīng)用中進(jìn)行實(shí)時(shí)精細(xì)化處理。

1 基本原理

近年來(lái)，深度學(xué)習(xí)算法逐漸用于雷達(dá)圖像識(shí)別和信號(hào)處理方面，如基于SAR的目標(biāo)檢測(cè)，利用CNN和Nanodet等網(wǎng)絡(luò)對(duì)車輛、飛機(jī)、艦船等目標(biāo)進(jìn)行檢測(cè)，深度學(xué)習(xí)應(yīng)用在雷達(dá)領(lǐng)域上相比傳統(tǒng)方法具有快速、準(zhǔn)確、效率高的優(yōu)點(diǎn)。目前，深度學(xué)習(xí)主要應(yīng)用在SAR目標(biāo)探測(cè)，鮮見(jiàn)應(yīng)用于高頻雷達(dá)干擾識(shí)別與抑制。HFSWR回波數(shù)據(jù)經(jīng)過(guò)兩次快速傅里葉變換(Fast Fourier Transform, FFT)后，數(shù)據(jù)處理結(jié)果反映在距離多普勒譜(Range-Doppler Spectrum, RDS)也是以圖像形式，因此可以應(yīng)用圖像處理的方法來(lái)進(jìn)行特征識(shí)別。

YOLO-HOSVD算法與傳統(tǒng)的干擾檢測(cè)算法相比，具有自動(dòng)提取深度特征、準(zhǔn)確率高等優(yōu)點(diǎn)。以YOLO為代表的目標(biāo)檢測(cè)算法將檢測(cè)問(wèn)題轉(zhuǎn)化為回歸問(wèn)題，實(shí)現(xiàn)“端到端”處理，直接預(yù)測(cè)對(duì)象類別和位置，速度和精度取得了良好平衡，可進(jìn)行實(shí)時(shí)檢測(cè)。目前，YOLO已成功應(yīng)用于農(nóng)業(yè)、地質(zhì)、遙感和醫(yī)學(xué)等領(lǐng)域。該算法基于RD譜中RFI的特征，能夠利用小樣本數(shù)據(jù)訓(xùn)練后實(shí)時(shí)輸出檢測(cè)結(jié)果，定位RFI數(shù)據(jù)，結(jié)合HOSVD算法處理多通道張量數(shù)據(jù)，自動(dòng)實(shí)時(shí)抑制RFI。

1.1 YOLO網(wǎng)絡(luò)結(jié)構(gòu)

以YOLOv5s為例，模型由4部分組成：輸入端負(fù)責(zé)數(shù)據(jù)預(yù)處理、主干部分提取特征、檢測(cè)部分采集特征圖和預(yù)測(cè)端輸出結(jié)果。YOLOv5的網(wǎng)絡(luò)體系如圖1所示。YOLOv5檢測(cè)時(shí)將RDS平均拆分為個(gè)網(wǎng)格，若待檢測(cè)對(duì)象的中心在某一網(wǎng)格上，此網(wǎng)格就負(fù)責(zé)預(yù)測(cè)該對(duì)象。每個(gè)網(wǎng)格產(chǎn)生多個(gè)候選框，每個(gè)候選框包含回歸位置信息和置信度值，置信度值代表候選框中包含物體的置信度以及候選框的預(yù)測(cè)準(zhǔn)確度的雙重信息。模型訓(xùn)練時(shí)會(huì)預(yù)設(shè)大小不一的候選框，微調(diào)置信度高的候選框后輸出預(yù)測(cè)框，計(jì)算二者差值后反向更新，候選框與預(yù)測(cè)框如圖2所示。

圖1 YOLOv5s網(wǎng)絡(luò)體系結(jié)構(gòu)圖

圖2 候選框與預(yù)測(cè)框示意圖

(1)

公式(1)表示候選框和預(yù)測(cè)框關(guān)系，和表示待檢測(cè)目標(biāo)所在網(wǎng)格的中心位置，候選框的長(zhǎng)寬分別為和，預(yù)測(cè)框的長(zhǎng)寬分別為和，和表示偏移左上角值，和代表尺度縮放值，最終得到的預(yù)測(cè)坐標(biāo)值是(,,,)。

YOLOv5使用GIoU作為損失函數(shù)，精度(Precision, P)、召回率(Recall, R)、平均精度均值(mean Average Precision,mAP)和每秒傳輸幀數(shù)(Frames Per Second, FPS)作為評(píng)估指標(biāo)。

1.2 RFI特征

HFSWR采用線性調(diào)頻中斷連續(xù)波(Frequency Modulated Interrupted Continuous Wave, FMICW)，通過(guò)兩次FFT提取RDS信息。RFI可以看作是一系列單頻信號(hào)的線性組合，在第個(gè)掃頻周期的時(shí)刻，某一信道的單頻RFI信號(hào)()表示為

()=cos (2π(+(-1)+))

(2)

式中，、和分別為第個(gè)RFI的振幅、載波頻率和初始相位，為掃頻周期。經(jīng)過(guò)正交混頻和低通濾波之后，RFI分量轉(zhuǎn)換為

(3)

RFI存在所有的距離元上，對(duì)每個(gè)距離元作第二次FFT，RFI在頻率上表現(xiàn)為一個(gè)脈沖。由于持續(xù)時(shí)間、調(diào)制等原因，RFI通常會(huì)沿多普勒軸展寬，此外，RFI來(lái)自其他無(wú)線電源，具有固定的到達(dá)角方向(Direction of Arrival, DOA)。根據(jù)MUSIC算法，不同方向的陣列導(dǎo)向矢量相互正交，基于干擾信號(hào)與期望信號(hào)在空間結(jié)構(gòu)上的差異，在空域中估計(jì)出RFI的方位子空間。由于RFI具有較強(qiáng)的距離相關(guān)性和方向性，二維SVD可以在空、頻域?qū)Ω蓴_子空間進(jìn)行估計(jì)，同時(shí)，RFI特性使得HOSVD算法更適用于三維雷達(dá)數(shù)據(jù)中RFI子空間的估計(jì)。

1.3 YOLO構(gòu)造HOSVD所需張量

RFI在RDS中通常表現(xiàn)為沿距離軸的明亮條紋，根據(jù)RDS特征，結(jié)合YOLOv5進(jìn)行處理并輸出模型。構(gòu)建訓(xùn)練所需的數(shù)據(jù)集步驟如下：第一步是對(duì)回波數(shù)據(jù)進(jìn)行兩次FFT，得到RDS；第二步是將圖像分為兩類；第三步是使用標(biāo)注軟件標(biāo)記對(duì)象。

標(biāo)注軟件用矩形框標(biāo)記RD譜，將對(duì)應(yīng)矩形框的結(jié)果整理成Pascal VOC格式可直接被YOLOv5讀取，如圖3所示，Bragg峰和RFI用矩形框標(biāo)記，框標(biāo)簽信息保存為xml文件，文件中包含沿矩形框?qū)蔷€的兩點(diǎn)坐標(biāo)和類別名稱等信息。

圖3 標(biāo)記方法和標(biāo)簽信息

=2·(2·-1)

(4)

=90·(1-2·)

(5)

YOLOv5檢測(cè)結(jié)果輸出為圖4右側(cè)數(shù)據(jù)結(jié)構(gòu)形式，經(jīng)過(guò)公式(4)和公式(5)映射到RDS上范圍，圖4中標(biāo)注了RFI和一個(gè)Bragg峰在RDS上和YOLOv5結(jié)果對(duì)應(yīng)數(shù)據(jù)，結(jié)合RFI和Bragg峰位置，可以自適應(yīng)輸出訓(xùn)練張量和待抑制張量數(shù)據(jù)以供HOSVD處理。

圖4 YOLOv5檢測(cè)結(jié)果圖

1.4 HOSVD抑制RFI方法

1.4.1 HOSVD投影

圖5 HOSVD分解示意圖

由文獻(xiàn)[27]，寫作模積形式可得

=S×××

(6)

=×(1)×(2)×(3)

(7)

1.4.2 RFI子空間估計(jì)

由于在多普勒維，RFI與海洋回波并不相互獨(dú)立，結(jié)合RFI的空、頻域特點(diǎn)對(duì)其分量進(jìn)行聯(lián)合估計(jì)，對(duì)模態(tài)2和模態(tài)3的展開(kāi)矩陣進(jìn)行SVD可得

(8)

(9)

RFI具有很強(qiáng)的距離相關(guān)性，而海洋回波沒(méi)有，當(dāng)頻域存在個(gè)獨(dú)立干擾時(shí)，選取前個(gè)大奇異值對(duì)應(yīng)的左奇異矩陣估計(jì)頻域干擾子空間2=[,,…,2]，RFI具有固定的DOA，且干擾子空間與來(lái)自其他方向的期望信號(hào)相互正交，若空域中存在個(gè)獨(dú)立干擾，則前個(gè)大奇異值對(duì)應(yīng)的左奇異矩陣估計(jì)方位干擾子空間3=[,,…,3]。

RFI在三種模態(tài)展開(kāi)矩陣中對(duì)應(yīng)的投影矩陣為

(10)

(11)

(12)

1.4.3 張量投影抑制RFI

圖6 構(gòu)造多維結(jié)構(gòu)RDS中的訓(xùn)練張量

=×××

(13)

RFI抑制后，期望信號(hào)的張量為

=-

(14)

1.5 算法流程

基于YOLO-HOSVD算法的自動(dòng)識(shí)別檢測(cè)與抑制RFI算法基本步驟如圖7所示，具體步驟如下：

1) 對(duì)HFSWR回波數(shù)據(jù)進(jìn)行兩次FFT處理后，輸出RDS，標(biāo)記對(duì)象制作數(shù)據(jù)集，輸入YOLOv5模型中進(jìn)行訓(xùn)練，輸出訓(xùn)練模型；

2) 回波數(shù)據(jù)送入訓(xùn)練好的YOLOv5模型進(jìn)行檢測(cè)，輸出存在RFI干擾的時(shí)間和RDS數(shù)據(jù)等統(tǒng)計(jì)數(shù)據(jù)，自動(dòng)構(gòu)造訓(xùn)練張量和待處理張量；

3) 計(jì)算張量各模態(tài)展開(kāi)矩陣，應(yīng)用HOSVD算法計(jì)算各模態(tài)展開(kāi)矩陣的左奇異矩陣(=1,2,3)，得到多域RFI投影子空間矩陣(=1,2,3)；

4) 將待處理張量往估計(jì)的子空間投影，得到在RFI子空間投影分量；

5) 信號(hào)張量減去投影分量，即可得到抑制干擾后的期望信號(hào)。

圖7 自動(dòng)識(shí)別檢測(cè)抑制RFI流程圖

2 基于仿真數(shù)據(jù)的結(jié)果與分析

2.1 仿真實(shí)驗(yàn)

通過(guò)仿真對(duì)基于YOLO-HOSVD的自動(dòng)抑制RFI算法性能進(jìn)行測(cè)試，根據(jù)中國(guó)福建省漳州市東山縣(23.6575°N，117.4863°E)的2016年12月27日的HFSWR探測(cè)海洋數(shù)據(jù)為基礎(chǔ)，模擬單頻信號(hào)組成的RFI和目標(biāo)添加到原始無(wú)干擾的數(shù)據(jù)中，HFSWR的系統(tǒng)參數(shù)如表1所示。

表1 雷達(dá)參數(shù)表

圖8 高頻地波雷達(dá)距離多普勒譜

原始HFSWR數(shù)據(jù)的RDS如圖8(a)所示，將仿真單頻RFI和目標(biāo)信號(hào)依次加入到RDS中，RFI覆蓋范圍為多普勒頻率0.30～0.45 Hz范圍內(nèi)所有距離元，仿真目標(biāo)位于第34距離元，速度為4 m/s，多普勒頻率為0.36 Hz，目標(biāo)被RFI覆蓋，無(wú)法從RDS中直接觀測(cè)，如圖8(b)所示，RFI掩蓋一階Bragg峰和目標(biāo)時(shí)無(wú)法提取有用信息，對(duì)海態(tài)反演和目標(biāo)檢測(cè)都有較大的影響。將加入RFI和目標(biāo)的數(shù)據(jù)輸入到訓(xùn)練好的YOLOv5模型，自動(dòng)輸出訓(xùn)練張量和待抑制張量數(shù)據(jù)，圖8(c)為經(jīng)過(guò)YOLOv5s處理后的輸出結(jié)果，訓(xùn)練張量的范圍是圖8(c)中紅色實(shí)線框內(nèi)的8個(gè)通道的數(shù)據(jù)，待抑制張量范圍為圖8(c)中藍(lán)色實(shí)線框內(nèi)所有通道的數(shù)據(jù)。圖8(d)是經(jīng)過(guò)HOSVD處理后的RDS，結(jié)果表明RFI顯著減輕，被掩蓋的Bragg峰出現(xiàn)，海洋回波得以保留，目標(biāo)也凸顯出來(lái)。綜上所述，YOLOv5結(jié)合HOSVD算法能夠在不丟失有用信息的情況下實(shí)時(shí)自動(dòng)識(shí)別并抑制RFI，即使RFI覆蓋海洋回波和目標(biāo)，HOSVD也能有效抑制干擾。

2.2 仿真結(jié)果分析

仿真實(shí)驗(yàn)中，對(duì)RDS進(jìn)行識(shí)別分類用了0.01 s，抑制RFI用了0.04 s。分析可得，YOLO-HOSVD算法在幾乎不損失有用信號(hào)的同時(shí)可以自動(dòng)地檢測(cè)并抑制RFI，即使在RFI覆蓋海洋回波和目標(biāo)的情況下依然適用，增加了HFSWR系統(tǒng)自動(dòng)識(shí)別抑制RFI的能力，為海態(tài)反演和目標(biāo)探測(cè)提供有力幫助。

3 基于實(shí)測(cè)數(shù)據(jù)的結(jié)果與分析3.1 實(shí)測(cè)數(shù)據(jù)背景介紹

本次實(shí)測(cè)數(shù)據(jù)選取2021年8月8日0時(shí)至9月8日24時(shí)的東山和龍海雙站雙頻組網(wǎng)探測(cè)的試驗(yàn)數(shù)據(jù)，兩個(gè)長(zhǎng)時(shí)間運(yùn)行的雙頻多輸入多輸出(Multiple Input Multiple Output, MIMO)雷達(dá)固定站分別位于圖9所示位置，實(shí)驗(yàn)為探測(cè)海洋采集數(shù)據(jù)，雷達(dá)系統(tǒng)參數(shù)如表2所示。

圖9 東山和龍海雷達(dá)站位置

表2 雙站雙頻地波組網(wǎng)模式

兩個(gè)雷達(dá)站空間直線距離約90 km，分別位于中國(guó)福建省的龍海市(24.2674°N，118.1353°E)和漳州市東山縣(23.6575°N，117.4863°E)，每個(gè)站包含兩路高低頻發(fā)射天線和4個(gè)寬帶接收天線(6～13.5 MHz)，雙站通過(guò)GPS同步協(xié)同工作，構(gòu)成雙基地、單基地、多頻和MIMO的混合系統(tǒng)。

3.2 算法性能分析

本次試驗(yàn)中YOLOv5模型的運(yùn)行環(huán)境：CPU 為AMD Ryzen 7 5800H with Radeon Graphics，GPU為NVIDIA GeForce RTX 3060，操作系統(tǒng)為 window11。將YOLOv5s應(yīng)用在本次實(shí)測(cè)數(shù)據(jù)隨機(jī)挑選的200張包含RFI的RD譜，進(jìn)行訓(xùn)練并輸出模型。訓(xùn)練集放入YOLO模型訓(xùn)練，以YOLOv5s為例，在一般配置的筆記本電腦上訓(xùn)練300輪僅需0.5 h左右，訓(xùn)練好的模型可供后續(xù)數(shù)據(jù)處理持續(xù)使用，處理單場(chǎng)數(shù)據(jù)僅需11 ms左右。FPS越大，模型檢測(cè)率越快。當(dāng)FPS≥30時(shí)，可以實(shí)現(xiàn)實(shí)時(shí)處理速度。

一般情況下，損失值越小、mAP值越高則表明訓(xùn)練的模型性能越好。以此次訓(xùn)練綜合性能最好的YOLOv5s模型為例，訓(xùn)練300輪的mAP值和損失值變化值如圖10所示，該模型在訓(xùn)練100輪左右后基本都達(dá)到穩(wěn)定，說(shuō)明模型收斂速度較快，利用訓(xùn)練好的模型檢測(cè)RDS時(shí)，F(xiàn)PS達(dá)到90左右。YOLOv5系列模型都具備出色的性能，YOLOv5s以訓(xùn)練時(shí)間和檢測(cè)時(shí)間最快作為本次實(shí)驗(yàn)的最佳輸出模型處理HFSWR數(shù)據(jù)。

圖10 YOLOv5s模型的訓(xùn)練結(jié)果

3.3 實(shí)測(cè)結(jié)果分析

應(yīng)用訓(xùn)練好的YOLOv5s模型對(duì)2021年8月12日0時(shí)到24時(shí)的HFSWR實(shí)測(cè)數(shù)據(jù)進(jìn)行RFI檢測(cè)處理，單站單頻共288場(chǎng)數(shù)據(jù)，雙站雙頻共1 152場(chǎng)數(shù)據(jù)，RFI污染的時(shí)間分布如圖11所示，黑色表示被RFI污染的時(shí)間段，紅色數(shù)字表示受RFI污染時(shí)間比。

圖11 RFI時(shí)間分布圖

利用YOLOv5s模型計(jì)算2021年8月8日至9月8日31天內(nèi)雙頻雙站干擾存在率，結(jié)果展示在圖12中。

從圖12可以看出，頻率不同、位置不同的站點(diǎn)受干擾污染的情況也不同，且在一個(gè)月連續(xù)不間斷的實(shí)測(cè)中，雙站雙頻雷達(dá)幾乎每天都會(huì)受到RFI污染，只是程度不一樣。說(shuō)明抑制RFI對(duì)于實(shí)測(cè)數(shù)據(jù)處理是不可避免的一項(xiàng)工作，抑制RFI可以保證有用信息的提取，提高HFSWR數(shù)據(jù)利用率，有利于海態(tài)反演和目標(biāo)信號(hào)檢測(cè)處理工作。

圖12 雙頻雙站RFI存在率

圖13 雷達(dá)距離多普勒譜圖

選取4場(chǎng)不同特征的RFI抑制結(jié)果展示，圖13所示為8月12日上午11時(shí)35分的雷達(dá)RDS圖，圖13(a)顯示該場(chǎng)數(shù)據(jù)存在一較強(qiáng)能量的RFI，部分海洋回波被掩蓋。應(yīng)用YOLOv5s模型后輸出結(jié)果為多普勒范圍在0.33～0.74 Hz范圍內(nèi)紅色框覆蓋的距離元的4通道張量作為訓(xùn)練數(shù)據(jù)，待抑制張量為多普勒0.33～0.74 Hz范圍內(nèi)所有距離元數(shù)據(jù)，如圖13(b)所示，抑制RFI后結(jié)果如圖13(c)所示，識(shí)別和抑制過(guò)程共用了0.41 s，經(jīng)過(guò)處理，RFI被消除，之前被RFI掩蓋的海洋回波有效保留。

從RDS中可以看出，距離元位置不同，海洋回波的能量也不同，為了驗(yàn)證HOSVD對(duì)海洋回波能量的影響，計(jì)算RDS中覆蓋海洋回波的0～10距離元的RFI抑制前后信號(hào)與干擾加噪聲比(Signal to Interference plus Noise Ratio, SINR)變化，如圖14所示。結(jié)果表明，系統(tǒng)的SINR有了明顯的提高。增加幅度最高是第6個(gè)距離元的18.32 dB，SINR平均增加約14.42 dB。

圖14 RFI抑制前后信噪比變化曲線

圖15為8月12日凌晨2時(shí)10分的RFI抑制前后RDS圖，圖15(a)中包括4個(gè)明顯的RFI污染和大范圍電離層干擾，圖15(b)為YOLOv5輸出張量結(jié)果圖，圖15(c)為經(jīng)過(guò)抑制后處理的結(jié)果，處理該場(chǎng)數(shù)據(jù)用了1.78 s，結(jié)果顯示4個(gè)RFI都得到了明顯抑制，對(duì)電離層和期望信號(hào)數(shù)據(jù)沒(méi)有影響。

圖15 雷達(dá)距離多普勒譜圖

圖16為9月8日上午12時(shí)的RFI抑制前后結(jié)果RDS圖，圖16(a)中包括兩個(gè)不明顯的RFI污染和小范圍電離層干擾，多普勒范圍為-1.5～-1.2 Hz和0.5～0.7 Hz區(qū)域內(nèi)覆蓋了RFI，0.8～2.0 Hz多普勒范圍覆蓋了電離層干擾，經(jīng)過(guò)YOLOv5處理后結(jié)果如圖16(b)所示，藍(lán)色框和紅色框分別代表待抑制張量和訓(xùn)練張量范圍，圖16(c)展示了YOLO-HOSVD處理后抑制結(jié)果，兩個(gè)不明顯的RFI被抑制，算法處理時(shí)間為1.48 s。

圖16 雷達(dá)距離多普勒譜圖

圖17展示了8月12日凌晨2時(shí)15分的RDS應(yīng)用本算法的結(jié)果，圖17(a)中顯示RDS中彌散著RFI回波，與背景強(qiáng)度相差不大，從圖像看，幾乎掩蓋了一半的海洋回波，干擾覆蓋多普勒范圍為-1.44～-0.89 Hz和0.56～1.11 Hz，但特征不足夠明顯，這增加了YOLOv5模型的識(shí)別檢測(cè)困難。圖17(a)為YOLOv5s首次識(shí)別情況和輸出張量圖，虛線框?yàn)槟Ｐ蜋z測(cè)Bragg和RFI位置框，黑色虛線框代表Bragg，紫紅色虛線框標(biāo)記的是檢測(cè)到的RFI，實(shí)線框?yàn)檩敵鰪埩糠秶颍{(lán)色實(shí)線框?yàn)榇种茝埩浚t色實(shí)線框?yàn)橛?xùn)練張量，可以看出模型僅標(biāo)記了部分強(qiáng)烈的RFI干擾，還有部分較弱的RFI沒(méi)有被識(shí)別出來(lái)，圖17(b)顯示在圖17(a)中被標(biāo)記的RFI已經(jīng)被抑制，信噪比有所增強(qiáng)，部分海洋回波基本顯現(xiàn)出來(lái)，處理該場(chǎng)數(shù)據(jù)花費(fèi)時(shí)間為1.58 s。此結(jié)果顯示，對(duì)于類似的RDS圖像，應(yīng)用此算法雖有明顯效果，但不能一次使用就把全部RFI識(shí)別出來(lái)，為了解決這種情況，可以嘗試進(jìn)行二次檢測(cè)與抑制，將抑制后的RDS重新輸入到Y(jié)OLOv5s檢測(cè)模型，通過(guò)調(diào)整置信度再次檢測(cè)并抑制。

圖17 雷達(dá)距離多普勒譜圖

從圖17(b)可以看出，經(jīng)過(guò)一次YOLO-HOSVD處理后，部分強(qiáng)烈RFI被抑制，再次通過(guò)YOLOv5s檢測(cè)后的結(jié)果如圖17(c)所示，標(biāo)記出了第一次未被檢測(cè)出的RFI，應(yīng)用HOSVD處理后的結(jié)果如圖17(d)所示，可以看出剩余RFI已被抑制。

為統(tǒng)計(jì)分析YOLO-HOSVD算法識(shí)別和抑制RFI性能，展示9月8日東山站低頻發(fā)射數(shù)據(jù)處理前后統(tǒng)計(jì)結(jié)果，作為本次整月實(shí)測(cè)數(shù)據(jù)中RFI存在率最高的一天，將其全部數(shù)據(jù)應(yīng)用YOLO-HOSVD算法進(jìn)行處理，并將處理后的結(jié)果重新輸入到Y(jié)OLOv5s模型中進(jìn)行檢測(cè)，抑制前RFI存在時(shí)間分布圖如圖18(a)所示，抑制RFI后數(shù)據(jù)再次檢測(cè)的RFI存在時(shí)間分布圖如圖18(b)所示。

圖18 抑制前后干擾時(shí)間存在時(shí)間分布圖

從圖18可以看出，該算法抑制RFI后干擾存在率降低了56.60%，抑制效率達(dá)到93.68%。 YOLO-HOSVD算法沒(méi)有達(dá)到100%完全抑制效果可能存在的原因有2種，一是存在其他強(qiáng)烈干擾與RFI干擾形態(tài)相似，導(dǎo)致RFI誤判，另一種是部分RFI并沒(méi)有被完全抑制。經(jīng)過(guò)人工對(duì)比后，第二次經(jīng)過(guò)YOLOv5算法檢測(cè)后的結(jié)果的確存在RFI干擾，說(shuō)明YOLO并未存在誤判情況，可能存在原因是部分RFI污染沒(méi)有完全抑制，例如圖17中展示情況，解決方案是將抑制后數(shù)據(jù)重新送入YOLO模型中檢測(cè)，如若重復(fù)出現(xiàn)干擾即進(jìn)行二次抑制即可提高RFI抑制效果。

從以上結(jié)果得出結(jié)論，YOLO-HOSVD算法應(yīng)用在實(shí)測(cè)數(shù)據(jù)可以在不影響有用信號(hào)的同時(shí)自動(dòng)識(shí)別抑制RFI，算法處理時(shí)間與干擾范圍有關(guān)系，YOLO選擇的待處理范圍越大，算法所需時(shí)間越久，處理單場(chǎng)數(shù)據(jù)時(shí)間在0.05～1.8 s范圍內(nèi)，經(jīng)過(guò)YOLO-HOSVD算法處理后對(duì)RFI抑制效率可達(dá)到93.68%，通過(guò)循環(huán)應(yīng)用算法處理可提高RFI抑制效率。

4 結(jié)束語(yǔ)

本文將深度學(xué)習(xí)算法應(yīng)用于HFSWR干擾抑制中，提出了基于YOLO-HOSVD的HFSWR系統(tǒng)自動(dòng)識(shí)別檢測(cè)與抑制RFI的算法，充分利用了YOLO和HOSVD算法的優(yōu)點(diǎn)，利用YOLO模型識(shí)別RDS中的RFI和Bragg，自動(dòng)劃分訓(xùn)練張量和待抑制張量，實(shí)時(shí)輸出張量數(shù)據(jù)，將HOSVD算法應(yīng)用于多通道HFSWR數(shù)據(jù)的三維張量來(lái)估計(jì)干擾子空間，利用了多通道HFSWR數(shù)據(jù)的固有結(jié)構(gòu)和射頻信號(hào)在頻域和空間域的特性，從而提高了RFI抑制性能。仿真和實(shí)測(cè)結(jié)果表明，YOLO-HOSVD算法實(shí)現(xiàn)了對(duì)HFSWR中RFI的自動(dòng)識(shí)別與抑制，應(yīng)用在普通性能的筆記本處理單場(chǎng)數(shù)據(jù)不超過(guò)1.8 s，將該方法應(yīng)用于長(zhǎng)期遭受嚴(yán)重RFI影響的HFSWR數(shù)據(jù)上，可以實(shí)時(shí)有效準(zhǔn)確地統(tǒng)計(jì)回波譜遭受RFI污染情況，并自動(dòng)抑制干擾。此算法打破了傳統(tǒng)RFI抑制算法不能在工程應(yīng)用中大規(guī)模處理數(shù)據(jù)的限制，可作為HFSWR信號(hào)處理的系統(tǒng)方法，進(jìn)行實(shí)時(shí)精細(xì)化處理，也為雷達(dá)數(shù)據(jù)質(zhì)量評(píng)估提供參考，有利于后續(xù)海流反演、目標(biāo)探測(cè)等信號(hào)處理工作。