基于LSTM的LFMCW雷達相互干擾抑制方法

楊 晨 于貴龍

(西安電子工程研究所 西安 710100)

0 引言

近年來隨著經濟與科技的快速發展,汽車雷達得到了廣泛應用,汽車雷達可以幫助駕駛員應對復雜的路況,提高汽車的安全性。但隨著雷達數量的增多,雷達之間的相互干擾成為了一個不可忽視的問題,相互干擾會導致雷達無法正常工作,進而影響行車安全。

針對汽車雷達相互干擾的問題,國內外學者從不同方向提出了許多解決方案。文獻[1]提出了一種基于PELT-KCN算法和自回歸模型(Autoregressive model, AR)的干擾抑制方法,首先利用PELT-KCN算法檢測干擾的時間位置,經過干擾識別后利用AR模型恢復受損信號。文獻[2]提出了一種在可調Q因子小波變換(TQWT)域中的干擾抑制技術。利用形態學分量分析和l1范數懲罰最小二乘法,推導了一種基于稀疏度的非線性信號分離模型,以減少干擾。文獻[3]提出了一種基于維納濾波的干擾抑制方法。首先統計回波信號的噪聲水平,然后利用短長度的滑動窗口對干擾信號進行維納濾波,自適應動態地更新濾波器系數,從而抑制干擾。

本文提出了一種基于長短期記憶網絡(Long Short-Term Memory, LSTM)的干擾抑制方法,首先利用迭代閾值法檢測干擾信號的位置,將干擾部分置零,然后通過LSTM來恢復被干擾的信號,從而抑制干擾信號的影響,使雷達能準確獲取目標信息。

1 LFMCW雷達原理及干擾分析

線性調頻連續波(Linear Frequency-modulated Continuous Wave, LFMCW)雷達分為三角波LFMCW雷達和鋸齒波LFMCW雷達,汽車雷達多采用鋸齒波LFMCW雷達。雷達發射機產生LFMCW信號然后向外發射,發射信號在遇到目標后被反射然后被雷達接收,對接收信號與發射信號進行混頻處理后得到差拍信號,差拍信號經過低通濾波器后進行二維FFT處理可以獲取目標的距離和速度信息。

假設雷達發射信號的表達式為

(1)

其中,A0為發射信號的幅值,fc為發射信號的載波頻率,μ=B/T為調頻斜率,B為調頻帶寬,T為調頻周期。

發射信號經過目標反射后被雷達接收,假設目標與雷達的初始距離為R0,目標徑向速度為v,目標遠離雷達速度為正,則接收信號與發射信號之間的時延τ=2(R0+vt)/c,其中c為光速,接收信號可以表示為

(2)

其中,A1為接收信號的幅值,fd=2v/λ為多普勒頻率,接收信號與發射信號經過混頻,再通過低通濾波器濾除高頻分量后得到的差拍信號表示為

(3)

LFMCW雷達之間的干擾可分為交叉干擾和平行干擾,當干擾雷達使用與觀測雷達相同的調頻斜率和調頻方向時,會發生平行干擾,平行干擾導致雷達檢測到虛假目標。當干擾雷達與觀測雷達具有不同的調頻斜率時,會發生交叉干擾,從而在時域中產生脈沖狀干擾信號,導致頻域中的噪聲基底增加[4]。雷達之間的干擾多為交叉干擾,因此本文只考慮發生交叉干擾的情況。假設此時有一個干擾信號進入雷達接收機,干擾信號表示為

(4)

其中,AI為干擾信號的幅值;fcI和μI分別為干擾信號的載頻和調頻斜率;TI為干擾信號的調頻周期。干擾信號與目標回波信號進行相同的處理后得到的差拍信號為

(5)

其中,AI1為接收到的干擾信號的幅值;fdI為多普勒頻率,τI為干擾信號的時延,最終的差拍信號為

y(t)=m(t)+mI(t)

(6)

2 干擾抑制方法

本文所提的方法首先利用閾值迭代法檢測干擾的位置,將干擾部分置零,然后利用LSTM恢復被干擾的部分,最后對恢復后的信號進行相應的處理。

2.1 迭代閾值法檢測干擾信號

由于干擾雷達發出的信號不需要經過目標的反射就被雷達接收,因此干擾信號能量衰減較小,其幅度遠大于目標回波信號的幅度,根據這一特點,可以在時域上利用閾值來檢測干擾信號的位置。固定閾值法只能檢測到幅度較大的干擾,所以采用迭代閾值法[5]。

首先確定初始閾值Rth,其表達式為

(7)

(8)

其中M是在上一步中置零的樣本點數量,隨著迭代次數的增加,閾值不斷減小,利用長度為2L+1的矩形窗口函數來抑制干擾,當閾值的變化量小于設定值ΔRth時停止迭代過程,完整的檢測過程如圖1所示。

圖1 迭代閾值法檢測流程

經過迭代閾值法處理之后,干擾部分基本被完全檢測到,圖2為迭代閾值法和固定閾值法的檢測效果對比,可以看出迭代閾值法的效果明顯好于固定閾值法。

圖2 迭代閾值法和固定閾值法對比圖

2.2 LSTM恢復被干擾信號

在上一小節中,干擾信號部分被置零,在抑制干擾信號的同時也丟失了一部分有用信號,因此我們采用LSTM來恢復被干擾的部分,從而減少有用信號的損失。

循環神經網絡(Recurrent Neural Network, RNN)是一種用于處理時間序列數據的神經網絡,LSTM是一種特殊的RNN,主要是為了解決RNN中存在的梯度消失和梯度爆炸問題。梯度消失是指歷史時間步的信息距離當前時間步越長,反饋的梯度信號就會越弱;梯度爆炸是指網絡層之間的梯度重復相乘導致的指數級增長使模型無法有效學習。相比普通的RNN,LSTM適用于長序列的處理[6]。

LSTM的基本結構如圖3所示。

圖3 LSTM結構示意圖

LSTM的結構可以分為三個門單元,門是一種選擇性通過信息的結構,由一個激活函數是sigmoid的神經網絡層和一個乘法運算組成[7]。Sigmoid激活函數使得神經網絡層的輸出是0到1之間的數字,值為0表示不通過任何信息,值為1表示通過所有信息。圖3中從左至右依次為遺忘門,輸入門和輸出門。

遺忘門的功能是確定數據中需要遺忘的信息,根據上一單元的輸出ht-1和本單元的輸入xt來確定ft為

ft=σ(Wf·[ht-1,xt]+bf)

(9)

it=σ(Wi·[ht-1,xt]+bi)

(10)

(11)

然后根據遺忘門和輸入門產生的結果來更新ct。

(12)

最后輸出門確定輸出的結果ot和ht為

ot=σ(Wo·[ht-1,xt]+bo)

(13)

ht=ot·tanh(Ct)

(14)

式(9)至式(14)中,Wf、Wi、Wc、Wo是相應的權值矩陣,b是截距項。LSTM的原理可以概括為通過門控狀態來控制傳輸狀態,記住需要長時間記憶的信息,忘記不重要的信息,對于需要長期記憶的任務效果較好,但同時它的運算復雜度也更高。

3 仿真驗證

本節利用Matlab對所提方法進行仿真驗證。設置兩個目標車輛,與本車雷達的距離分別為50m和100m,其中一輛車安裝有干擾雷達,仿真場景如圖4所示。

本車雷達和干擾雷達均發射LFMCW信號,雷達參數如表1所示。

圖4 仿真場景示意圖

表1 雷達參數

圖5為沒有干擾時的差拍信號時域圖和頻域圖,從頻域波形中可以獲取目標的距離。

圖5 無干擾的波形

圖6為存在干擾時的差拍信號時域圖和頻域圖,在時域圖中干擾信號幅度遠大于目標回波信號幅度,在頻域圖中目標峰值被干擾信號淹沒,不能讀取目標的距離。

圖6 有干擾的波形

圖7為應用本文所提方法抑制干擾后的差拍信號時域圖和頻域圖,在時域上干擾信號基本被消除,在頻域上目標的峰值比較清楚。

將本文所提方法與迭代閾值法進行比較,結果如圖8所示,從圖8中可以看出,兩種方法都能檢測出目標的距離,但應用本文的方法后,目標信噪比更高,檢測效果更好。

圖7 干擾抑制后的波形

圖8 干擾抑制效果對比

4 結束語

針對汽車LFMCW雷達之間的相互干擾問題,本文提出了一種解決方法,首先對接收信號利用迭代閾值法檢測出干擾信號的位置,將干擾部分置零,然后通過LSTM恢復出干擾位置處的目標回波信號。經過仿真驗證,所提方法可以有效地緩解LFMCW雷達的相互干擾。