基于深度學習的高頻雷達射頻干擾自動識別與抑制

東松林， 岳顯昌， 吳雄斌， 高玉斌

(武漢大學電子信息學院， 湖北武漢 430072)

0 引言

得益于海洋表面對高頻(3～30 MHz)垂直極化波的高電導率，高頻地波雷達(High Frequency Surface Wave Radar, HFSWR)具有超視距探測能力，在遙感探測和海洋動力學參數(風、浪、流)反演等方面發揮了重要作用。HFSWR系統與其他行業共享頻段，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數據的質量，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波束形成算法、時域處理算法、極化濾波算法和正交投影算法。雖然自適應頻率選擇技術可根據雷達帶寬實時換頻從而主動避免RFI，但卻難以找到足夠帶寬的干凈頻段；自適應波束形成算法本質上是空域濾波，但該方法不適用于寬波束HFSWR；時域處理算法一般是根據信號時域特征識別后直接剔除，然后利用算法恢復有用信號，但此法對時域密集型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RFI分量從而抑制RFI，但該法增加了成本和實驗場地面積；正交子空間投影是一種適用于寬波束HFSWR系統的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的多維數據，傳統子空間投影算法只是進行單一域處理，容易導致對海洋回波、目標信號的衰減，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且不破壞期望信號的方法。上述RFI抑制方法主要針對單場數據進行分析研究，是通過人工識別、人工設置參數來逐一處理，不具備實時應用能力，若提升HFSWR數據質量必須實現對于RFI的自動識別與抑制。

本文提出將深度學習中的YOLO(You Only Look Once)算法，結合高階張量分析的HOSVD算法，實現RFI自動識別檢測與抑制一體化工作。實驗結果表示，與之前的RFI抑制技術相比，所提出的YOLO-HOSVD算法具有顯著優勢，既能夠自動識別RFI并定位，又能在不損壞所需信號的情況下快速抑制RFI，能夠實現自動實時化HFSWR信號處理工作，可以實際落地到HFSWR系統應用中進行實時精細化處理。

1 基本原理

近年來，深度學習算法逐漸用于雷達圖像識別和信號處理方面，如基于SAR的目標檢測，利用CNN和Nanodet等網絡對車輛、飛機、艦船等目標進行檢測，深度學習應用在雷達領域上相比傳統方法具有快速、準確、效率高的優點。目前，深度學習主要應用在SAR目標探測，鮮見應用于高頻雷達干擾識別與抑制。HFSWR回波數據經過兩次快速傅里葉變換(Fast Fourier Transform, FFT)后，數據處理結果反映在距離多普勒譜(Range-Doppler Spectrum, RDS)也是以圖像形式，因此可以應用圖像處理的方法來進行特征識別。

YOLO-HOSVD算法與傳統的干擾檢測算法相比，具有自動提取深度特征、準確率高等優點。以YOLO為代表的目標檢測算法將檢測問題轉化為回歸問題，實現“端到端”處理，直接預測對象類別和位置，速度和精度取得了良好平衡，可進行實時檢測。目前，YOLO已成功應用于農業、地質、遙感和醫學等領域。該算法基于RD譜中RFI的特征，能夠利用小樣本數據訓練后實時輸出檢測結果，定位RFI數據，結合HOSVD算法處理多通道張量數據，自動實時抑制RFI。

1.1 YOLO網絡結構

以YOLOv5s為例，模型由4部分組成：輸入端負責數據預處理、主干部分提取特征、檢測部分采集特征圖和預測端輸出結果。YOLOv5的網絡體系如圖1所示。YOLOv5檢測時將RDS平均拆分為個網格，若待檢測對象的中心在某一網格上，此網格就負責預測該對象。每個網格產生多個候選框，每個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測準確度的雙重信息。模型訓練時會預設大小不一的候選框，微調置信度高的候選框后輸出預測框，計算二者差值后反向更新，候選框與預測框如圖2所示。

圖1 YOLOv5s網絡體系結構圖

圖2 候選框與預測框示意圖

(1)

公式(1)表示候選框和預測框關系，和表示待檢測目標所在網格的中心位置，候選框的長寬分別為和，預測框的長寬分別為和，和表示偏移左上角值，和代表尺度縮放值，最終得到的預測坐標值是(,,,)。

YOLOv5使用GIoU作為損失函數，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(Frames Per Second, FPS)作為評估指標。

1.2 RFI特征

HFSWR采用線性調頻中斷連續波(Frequency Modulated Interrupted Continuous Wave, FMICW)，通過兩次FFT提取RDS信息。RFI可以看作是一系列單頻信號的線性組合，在第個掃頻周期的時刻，某一信道的單頻RFI信號()表示為

()=cos (2π(+(-1)+))

(2)

式中，、和分別為第個RFI的振幅、載波頻率和初始相位，為掃頻周期。經過正交混頻和低通濾波之后，RFI分量轉換為

(3)

RFI存在所有的距離元上，對每個距離元作第二次FFT，RFI在頻率上表現為一個脈沖。由于持續時間、調制等原因，RFI通常會沿多普勒軸展寬，此外，RFI來自其他無線電源，具有固定的到達角方向(Direction of Arrival, DOA)。根據MUSIC算法，不同方向的陣列導向矢量相互正交，基于干擾信號與期望信號在空間結構上的差異，在空域中估計出RFI的方位子空間。由于RFI具有較強的距離相關性和方向性，二維SVD可以在空、頻域對干擾子空間進行估計，同時，RFI特性使得HOSVD算法更適用于三維雷達數據中RFI子空間的估計。

1.3 YOLO構造HOSVD所需張量

RFI在RDS中通常表現為沿距離軸的明亮條紋，根據RDS特征，結合YOLOv5進行處理并輸出模型。構建訓練所需的數據集步驟如下：第一步是對回波數據進行兩次FFT，得到RDS；第二步是將圖像分為兩類；第三步是使用標注軟件標記對象。

標注軟件用矩形框標記RD譜，將對應矩形框的結果整理成Pascal VOC格式可直接被YOLOv5讀取，如圖3所示，Bragg峰和RFI用矩形框標記，框標簽信息保存為xml文件，文件中包含沿矩形框對角線的兩點坐標和類別名稱等信息。

圖3 標記方法和標簽信息

=2·(2·-1)

(4)

=90·(1-2·)

(5)

YOLOv5檢測結果輸出為圖4右側數據結構形式，經過公式(4)和公式(5)映射到RDS上范圍，圖4中標注了RFI和一個Bragg峰在RDS上和YOLOv5結果對應數據，結合RFI和Bragg峰位置，可以自適應輸出訓練張量和待抑制張量數據以供HOSVD處理。

圖4 YOLOv5檢測結果圖

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[27]，寫作模積形式可得

=S×××

(6)

=×(1)×(2)×(3)

(7)

1.4.2 RFI子空間估計

由于在多普勒維，RFI與海洋回波并不相互獨立，結合RFI的空、頻域特點對其分量進行聯合估計，對模態2和模態3的展開矩陣進行SVD可得

(8)

(9)

RFI具有很強的距離相關性，而海洋回波沒有，當頻域存在個獨立干擾時，選取前個大奇異值對應的左奇異矩陣估計頻域干擾子空間2=[,,…,2]，RFI具有固定的DOA，且干擾子空間與來自其他方向的期望信號相互正交，若空域中存在個獨立干擾，則前個大奇異值對應的左奇異矩陣估計方位干擾子空間3=[,,…,3]。

RFI在三種模態展開矩陣中對應的投影矩陣為

(10)

(11)

(12)

1.4.3 張量投影抑制RFI

圖6 構造多維結構RDS中的訓練張量

=×××

(13)

RFI抑制后，期望信號的張量為

=-

(14)

1.5 算法流程

基于YOLO-HOSVD算法的自動識別檢測與抑制RFI算法基本步驟如圖7所示，具體步驟如下：

1) 對HFSWR回波數據進行兩次FFT處理后，輸出RDS，標記對象制作數據集，輸入YOLOv5模型中進行訓練，輸出訓練模型；

2) 回波數據送入訓練好的YOLOv5模型進行檢測，輸出存在RFI干擾的時間和RDS數據等統計數據，自動構造訓練張量和待處理張量；

3) 計算張量各模態展開矩陣，應用HOSVD算法計算各模態展開矩陣的左奇異矩陣(=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的子空間投影，得到在RFI子空間投影分量；

5) 信號張量減去投影分量，即可得到抑制干擾后的期望信號。

圖7 自動識別檢測抑制RFI流程圖

2 基于仿真數據的結果與分析

2.1 仿真實驗

通過仿真對基于YOLO-HOSVD的自動抑制RFI算法性能進行測試，根據中國福建省漳州市東山縣(23.6575°N，117.4863°E)的2016年12月27日的HFSWR探測海洋數據為基礎，模擬單頻信號組成的RFI和目標添加到原始無干擾的數據中，HFSWR的系統參數如表1所示。

表1 雷達參數表

圖8 高頻地波雷達距離多普勒譜

原始HFSWR數據的RDS如圖8(a)所示，將仿真單頻RFI和目標信號依次加入到RDS中，RFI覆蓋范圍為多普勒頻率0.30～0.45 Hz范圍內所有距離元，仿真目標位于第34距離元，速度為4 m/s，多普勒頻率為0.36 Hz，目標被RFI覆蓋，無法從RDS中直接觀測，如圖8(b)所示，RFI掩蓋一階Bragg峰和目標時無法提取有用信息，對海態反演和目標檢測都有較大的影響。將加入RFI和目標的數據輸入到訓練好的YOLOv5模型，自動輸出訓練張量和待抑制張量數據，圖8(c)為經過YOLOv5s處理后的輸出結果，訓練張量的范圍是圖8(c)中紅色實線框內的8個通道的數據，待抑制張量范圍為圖8(c)中藍色實線框內所有通道的數據。圖8(d)是經過HOSVD處理后的RDS，結果表明RFI顯著減輕，被掩蓋的Bragg峰出現，海洋回波得以保留，目標也凸顯出來。綜上所述，YOLOv5結合HOSVD算法能夠在不丟失有用信息的情況下實時自動識別并抑制RFI，即使RFI覆蓋海洋回波和目標，HOSVD也能有效抑制干擾。

2.2 仿真結果分析

仿真實驗中，對RDS進行識別分類用了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的同時可以自動地檢測并抑制RFI，即使在RFI覆蓋海洋回波和目標的情況下依然適用，增加了HFSWR系統自動識別抑制RFI的能力，為海態反演和目標探測提供有力幫助。

3 基于實測數據的結果與分析3.1 實測數據背景介紹

本次實測數據選取2021年8月8日0時至9月8日24時的東山和龍海雙站雙頻組網探測的試驗數據，兩個長時間運行的雙頻多輸入多輸出(Multiple Input Multiple Output, MIMO)雷達固定站分別位于圖9所示位置，實驗為探測海洋采集數據，雷達系統參數如表2所示。

圖9 東山和龍海雷達站位置

表2 雙站雙頻地波組網模式

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

3.2 算法性能分析

本次試驗中YOLOv5模型的運行環境：CPU 為AMD Ryzen 7 5800H with Radeon Graphics，GPU為NVIDIA GeForce RTX 3060，操作系統為 window11。將YOLOv5s應用在本次實測數據隨機挑選的200張包含RFI的RD譜，進行訓練并輸出模型。訓練集放入YOLO模型訓練，以YOLOv5s為例，在一般配置的筆記本電腦上訓練300輪僅需0.5 h左右，訓練好的模型可供后續數據處理持續使用，處理單場數據僅需11 ms左右。FPS越大，模型檢測率越快。當FPS≥30時，可以實現實時處理速度。

一般情況下，損失值越小、mAP值越高則表明訓練的模型性能越好。以此次訓練綜合性能最好的YOLOv5s模型為例，訓練300輪的mAP值和損失值變化值如圖10所示，該模型在訓練100輪左右后基本都達到穩定，說明模型收斂速度較快，利用訓練好的模型檢測RDS時，FPS達到90左右。YOLOv5系列模型都具備出色的性能，YOLOv5s以訓練時間和檢測時間最快作為本次實驗的最佳輸出模型處理HFSWR數據。

圖10 YOLOv5s模型的訓練結果

3.3 實測結果分析

應用訓練好的YOLOv5s模型對2021年8月12日0時到24時的HFSWR實測數據進行RFI檢測處理，單站單頻共288場數據，雙站雙頻共1 152場數據，RFI污染的時間分布如圖11所示，黑色表示被RFI污染的時間段，紅色數字表示受RFI污染時間比。

圖11 RFI時間分布圖

利用YOLOv5s模型計算2021年8月8日至9月8日31天內雙頻雙站干擾存在率，結果展示在圖12中。

從圖12可以看出，頻率不同、位置不同的站點受干擾污染的情況也不同，且在一個月連續不間斷的實測中，雙站雙頻雷達幾乎每天都會受到RFI污染，只是程度不一樣。說明抑制RFI對于實測數據處理是不可避免的一項工作，抑制RFI可以保證有用信息的提取，提高HFSWR數據利用率，有利于海態反演和目標信號檢測處理工作。

圖12 雙頻雙站RFI存在率

圖13 雷達距離多普勒譜圖

選取4場不同特征的RFI抑制結果展示，圖13所示為8月12日上午11時35分的雷達RDS圖，圖13(a)顯示該場數據存在一較強能量的RFI，部分海洋回波被掩蓋。應用YOLOv5s模型后輸出結果為多普勒范圍在0.33～0.74 Hz范圍內紅色框覆蓋的距離元的4通道張量作為訓練數據，待抑制張量為多普勒0.33～0.74 Hz范圍內所有距離元數據，如圖13(b)所示，抑制RFI后結果如圖13(c)所示，識別和抑制過程共用了0.41 s，經過處理，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，為了驗證HOSVD對海洋回波能量的影響，計算RDS中覆蓋海洋回波的0～10距離元的RFI抑制前后信號與干擾加噪聲比(Signal to Interference plus Noise Ratio, SINR)變化，如圖14所示。結果表明，系統的SINR有了明顯的提高。增加幅度最高是第6個距離元的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10分的RFI抑制前后RDS圖，圖15(a)中包括4個明顯的RFI污染和大范圍電離層干擾，圖15(b)為YOLOv5輸出張量結果圖，圖15(c)為經過抑制后處理的結果，處理該場數據用了1.78 s，結果顯示4個RFI都得到了明顯抑制，對電離層和期望信號數據沒有影響。

圖15 雷達距離多普勒譜圖

圖16為9月8日上午12時的RFI抑制前后結果RDS圖，圖16(a)中包括兩個不明顯的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區域內覆蓋了RFI，0.8～2.0 Hz多普勒范圍覆蓋了電離層干擾，經過YOLOv5處理后結果如圖16(b)所示，藍色框和紅色框分別代表待抑制張量和訓練張量范圍，圖16(c)展示了YOLO-HOSVD處理后抑制結果，兩個不明顯的RFI被抑制，算法處理時間為1.48 s。

圖16 雷達距離多普勒譜圖

圖17展示了8月12日凌晨2時15分的RDS應用本算法的結果，圖17(a)中顯示RDS中彌散著RFI回波，與背景強度相差不大，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模型的識別檢測困難。圖17(a)為YOLOv5s首次識別情況和輸出張量圖，虛線框為模型檢測Bragg和RFI位置框，黑色虛線框代表Bragg，紫紅色虛線框標記的是檢測到的RFI，實線框為輸出張量范圍框，藍色實線框為待抑制張量，紅色實線框為訓練張量，可以看出模型僅標記了部分強烈的RFI干擾，還有部分較弱的RFI沒有被識別出來，圖17(b)顯示在圖17(a)中被標記的RFI已經被抑制，信噪比有所增強，部分海洋回波基本顯現出來，處理該場數據花費時間為1.58 s。此結果顯示，對于類似的RDS圖像，應用此算法雖有明顯效果，但不能一次使用就把全部RFI識別出來，為了解決這種情況，可以嘗試進行二次檢測與抑制，將抑制后的RDS重新輸入到YOLOv5s檢測模型，通過調整置信度再次檢測并抑制。

圖17 雷達距離多普勒譜圖

從圖17(b)可以看出，經過一次YOLO-HOSVD處理后，部分強烈RFI被抑制，再次通過YOLOv5s檢測后的結果如圖17(c)所示，標記出了第一次未被檢測出的RFI，應用HOSVD處理后的結果如圖17(d)所示，可以看出剩余RFI已被抑制。

為統計分析YOLO-HOSVD算法識別和抑制RFI性能，展示9月8日東山站低頻發射數據處理前后統計結果，作為本次整月實測數據中RFI存在率最高的一天，將其全部數據應用YOLO-HOSVD算法進行處理，并將處理后的結果重新輸入到YOLOv5s模型中進行檢測，抑制前RFI存在時間分布圖如圖18(a)所示，抑制RFI后數據再次檢測的RFI存在時間分布圖如圖18(b)所示。

圖18 抑制前后干擾時間存在時間分布圖

從圖18可以看出，該算法抑制RFI后干擾存在率降低了56.60%，抑制效率達到93.68%。 YOLO-HOSVD算法沒有達到100%完全抑制效果可能存在的原因有2種，一是存在其他強烈干擾與RFI干擾形態相似，導致RFI誤判，另一種是部分RFI并沒有被完全抑制。經過人工對比后，第二次經過YOLOv5算法檢測后的結果的確存在RFI干擾，說明YOLO并未存在誤判情況，可能存在原因是部分RFI污染沒有完全抑制，例如圖17中展示情況，解決方案是將抑制后數據重新送入YOLO模型中檢測，如若重復出現干擾即進行二次抑制即可提高RFI抑制效果。

從以上結果得出結論，YOLO-HOSVD算法應用在實測數據可以在不影響有用信號的同時自動識別抑制RFI，算法處理時間與干擾范圍有關系，YOLO選擇的待處理范圍越大，算法所需時間越久，處理單場數據時間在0.05～1.8 s范圍內，經過YOLO-HOSVD算法處理后對RFI抑制效率可達到93.68%，通過循環應用算法處理可提高RFI抑制效率。

4 結束語

本文將深度學習算法應用于HFSWR干擾抑制中，提出了基于YOLO-HOSVD的HFSWR系統自動識別檢測與抑制RFI的算法，充分利用了YOLO和HOSVD算法的優點，利用YOLO模型識別RDS中的RFI和Bragg，自動劃分訓練張量和待抑制張量，實時輸出張量數據，將HOSVD算法應用于多通道HFSWR數據的三維張量來估計干擾子空間，利用了多通道HFSWR數據的固有結構和射頻信號在頻域和空間域的特性，從而提高了RFI抑制性能。仿真和實測結果表明，YOLO-HOSVD算法實現了對HFSWR中RFI的自動識別與抑制，應用在普通性能的筆記本處理單場數據不超過1.8 s，將該方法應用于長期遭受嚴重RFI影響的HFSWR數據上，可以實時有效準確地統計回波譜遭受RFI污染情況，并自動抑制干擾。此算法打破了傳統RFI抑制算法不能在工程應用中大規模處理數據的限制，可作為HFSWR信號處理的系統方法，進行實時精細化處理，也為雷達數據質量評估提供參考，有利于后續海流反演、目標探測等信號處理工作。