CN110988818B - 基于条件生成式对抗网络的欺骗干扰模板生成方法 - Google Patents

基于条件生成式对抗网络的欺骗干扰模板生成方法 Download PDF

Info

Publication number
CN110988818B
CN110988818B CN201911251208.XA CN201911251208A CN110988818B CN 110988818 B CN110988818 B CN 110988818B CN 201911251208 A CN201911251208 A CN 201911251208A CN 110988818 B CN110988818 B CN 110988818B
Authority
CN
China
Prior art keywords
sar
template
network
deception jamming
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911251208.XA
Other languages
English (en)
Other versions
CN110988818A (zh
Inventor
周峰
丁毅
樊伟伟
刘磊
石晓然
白雪茹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201911251208.XA priority Critical patent/CN110988818B/zh
Publication of CN110988818A publication Critical patent/CN110988818A/zh
Application granted granted Critical
Publication of CN110988818B publication Critical patent/CN110988818B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/38—Jamming means, e.g. producing false echoes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/418—Theoretical aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于条件生成式对抗网络的欺骗干扰模板生成方法，属于雷达信号处理技术领域；本发明设计了欺骗干扰模板生成对抗网络，能够根据不同目标类型、方位角、俯仰角与分辨率，自适应的生成欺骗干扰模板，可解决现有方法不能对目标精细特征进行反演的不足，为干扰机实时生成高逼真度欺骗干扰模板以及对不同SAR平台进行智能化高效欺骗干扰奠定了一定基础。

Description

基于条件生成式对抗网络的欺骗干扰模板生成方法
技术领域
本发明属于雷达信号处理技术领域，尤其涉及基于条件生成式对抗网络的欺骗干扰模板生成方法，本发明可用于自适应结合不同SAR系统参数，快速生成高逼真度的欺骗干扰模板，为实现干扰机对SAR系统的智能化欺骗干扰奠定基础。
背景技术
合成孔径雷达(Synthetic Aperture Radar，SAR)具有全天时、全天候、远作用距离与高分辨率成像等优势，在地球遥感、侦察、监视与态势感知等领域具有重要作用。针对SAR的蓬勃发展与重要作用，为了阻止SAR对己方目标的检测与识别，SAR欺骗干扰技术也得到了迅速发展。
欺骗干扰效果取决于欺骗干扰模板的精细化程度，现有的SAR欺骗干扰方法大多还停留在生成相似度较低的假目标信号阶段，很难体现目标真实的电磁散射特性，由此造成生成的假目标和真实目标差别较大，难以达到高逼真度欺骗干扰的目的。高逼真度虚假图像生成主要依赖于目标和场景的几何特性、电磁散射特性等固有属性，而SAR目标的真实纹理是目标对雷达发射信号散射特性的表征，因此，提取与重构SAR目标的多维精细化特性是生成高逼真虚假图像的基础。同时，随着SAR技术的发展，多模式、多体制的SAR系统层出不穷，目标与场景在不同的SAR系统下的成像结果存在着较大的差异性。并且，SAR系统在不同方位角与俯仰角下，目标与场景的成像结果的差异性也较大。而现有的欺骗干扰模板均是针对特定SAR平台而事先生成的，很难满足对不同模式与体制SAR进行高精度欺骗干扰的要求。因此，欺骗干扰模板生成算法需要能够提取目标精细特征的能力以及能够根据SAR的方位角、俯仰角、图像分辨率以及目标的类型实时生成高逼真度欺骗干扰模板的能力。
生成式对抗网络(Generative Adversarial Network，GAN)与条件生成式对抗网络(conditional Generative Adversarial Network，cGAN)是根据博弈论中的二人零和博弈提出的新的生成框架，它由生成器与判别器两部分组成，生成器学习训练样本数据的特征并生成虚假的样本，而判别器则判定输入样本的真实性。GAN已经在图像生成、图像转化、目标识别以及音频信号生成等领域有了广泛的应用。同时，结合SAR图像特征，在SAR图像生成、去噪、图像转化等研究方向取得了一些成果。其中，J.Guo利用条件生成式对抗网络对不同方位角下的T72坦克SAR图像数据进行训练并生成在新方位角下的T72坦克SAR图像，从实验结果中可以看出生成的SAR图像中T72坦克轮廓很清晰，说明条件生成式对抗网络具备提取不同方位角下目标特征的能力。但是，也发现生成的SAR图像中T72坦克有很多细节信息缺失了，如目标的炮管等。同时，J.Guo为了消除噪声对SAR图像生成的影响，利用杂波归一化将噪声去除的同时也丢失了目标的阴影信息。
发明内容
为了解决上述问题，本发明的目的在于提供基于条件生成式对抗网络的欺骗干扰模板生成方法，能够根据侦察到的SAR系统参数，快速生成高逼真度的欺骗干扰模板。本发明建立了基本的SAR回波模型以及SAR欺骗干扰模型，进而进行SAR图像集与平台参数集的构建；此外，设计了欺骗干扰模板生成对抗网络(Deceptive jamming templategenerative adversarial network，DJTGAN)，能够根据不同目标类型、方位角、俯仰角与分辨率，自适应的生成欺骗干扰模板，可解决现有方法不能对目标精细特征进行反演的不足，为干扰机实时生成高逼真度欺骗干扰模板以及对不同SAR平台进行智能化高效欺骗干扰奠定了一定基础。
本发明的基本思路是：首先，建立SAR回波模型以及SAR欺骗干扰模型。其次，根据SAR回波模型，建立真实SAR图像集以及相应的SAR平台参数集。之后，设计欺骗干扰模板生成对抗网络，自适应的生成精细化的欺骗干扰模板。最后，对多平台SAR参数集进行编码预处理，并将图像集与参数集划分为训练集和测试集，基于训练集优化网络的参数，在测试集中进行精细化欺骗干扰模板生成并采用多指标评估模板逼真度与欺骗效果。
为了达到上述目的，本发明采用以下技术方案予以解决。
基于条件生成式对抗网络的欺骗干扰模板生成方法，包括以下步骤：
步骤1，建立SAR回波模型，并据此建立SAR欺骗干扰调制转发模型；
步骤2，根据SAR回波模型，建立真实的多场景多目标SAR图像集和相应的SAR平台参数集；
其中，SAR平台参数为SAR平台方位角、SAR平台俯仰角和图像分辨率；
步骤3，基于多平台SAR参数集，构建基于多尺度特征提取机制的欺骗干扰模板生成网络和判别网络，将欺骗干扰模板生成网络的输出、真实的地物目标SAR图像和条件矢量作为判别网络的输入，形成基于多尺度特征提取机制的生成式对抗网络；
步骤4，将多场景多目标的SAR图像集划分为训练集和测试集，利用训练集对基于多尺度特征提取机制的生成式对抗网络进行训练优化，得到优化后的生成式对抗网络；将测试集中的图像样本输入优化后的生成式对抗网络，生成对应的欺骗干扰模板；并基于SAR欺骗干扰调制转发模型进行欺骗干扰。
与现有技术相比，本发明的有益效果为：
(1)本发明提出了基于条件生成式对抗网络的欺骗干扰模板生成模型，它能够快速生成不同方位角、俯仰角、分辨率与目标类型的高逼真度欺骗干扰模板。
(2)本发明提出了基于去卷积神经网络的多尺度特征提取方法，它能够有效的提取目标的低频内容与高频细节信息，从而生成更精细的欺骗干扰模板。
附图说明
下面结合附图和具体实施例对本发明做进一步详细说明。
图1为本发明基于条件生成式对抗网络的欺骗干扰模板生成方法的流程图；
图2为本发明SAR模型与欺骗干扰模型的几何关系图；
图3为本发明欺骗干扰模板生成对抗网络的网络框架示意图；其中，G为欺骗干扰模板生成网络，D为判别网络；
图4为本发明实施例中条件矢量的编码结构示意图；
图5为本发明T72坦克生成SAR图像与真实SAR图像对比结果图；其中，(a)、(b)、(c)分别为T72坦克在俯仰角15°、17°、30°下的真实SAR图像，(d)、(e)、(f)分别为T72坦克在俯仰角15°、17°、30°下通过本发明方法生成的SAR图像；
图6为本发明山地与平原场景生成SAR图像与真实SAR图像对比结果图；其中，(a)、(b)分别为不同区域的真实山地SAR图像；(c)为真实平原SAR图像；(d)、(e)、(f)分别为本发明方法生成的山地SAR图像；(g)、(h)、(i)分别为本发明方法生成的平原SAR图像；
图7为本发明实施例的各模型训练过程各指标变化曲线图；其中，(a)对应LIF指标变化曲线图，(b)对应AG指标变化曲线图，(c)对应MSD指标变化曲线图，(d)对应GLD指标变化曲线图。
具体实施方式
下面结合附图对本发明的实施例及效果作进一步详细描述。
本发明的一种基于条件生成式对抗网络的欺骗干扰模板生成方法，按照以下步骤实施：
步骤1，建立SAR回波模型，并据此建立SAR欺骗干扰调制转发模型；
包含以下子步骤：
子步骤1a，基于SAR系统几何关系，获取平台与干扰机、平台与虚假场景点的瞬时距离函数；
设定SAR平台以恒定速度v沿理想直线飞行；如附图2所示，以O点为坐标原点和SAR平台飞行起始点，SAR平台飞行方向的切向为x轴(方位向)，垂直航线并平行于地面的方向为y轴(距离向)，z轴根据右手准则确定，建立空间坐标系；图中，(x0，y0)是干扰机在空间坐标系中的位置，(x，y)是干扰机产生的虚假场景的某一点。SAR系统工作在正侧视模式下，tm为慢时间，合成孔径长度为L。
根据SAR系统的几何关系，平台与干扰机的瞬时斜距RJ(tm)、平台到虚假场景点的瞬时斜距RP(tm)表示为：
Figure BDA0002309086810000061
Figure BDA0002309086810000062
其中，RJ0为SAR平台与干扰机最短斜距，R0为SAR平台与虚假场景点的最短斜距；
子步骤1b，建立SAR回波模型，获得SAR接收虚假目标回波函数；
首先，SAR接收到在干扰机位置(x0，y0)的目标回波
Figure BDA0002309086810000063
即为J点处真实目标回波；
Figure BDA0002309086810000064
其中，j为虚数单位，σJ(x0，y0)为(x0，y0)处的散射系数，rect表示矩形脉冲函数，fc为载波频率，c为光速，K为信号调频率，
Figure BDA0002309086810000065
为快时间，Tp为脉冲周期；上式为SAR接收目标回波在距离快时间-方位慢时间的表示形式。
其次，在虚假场景点(x，y)处的回波
Figure BDA0002309086810000066
(虚假目标点P的回波)为：
Figure BDA0002309086810000071
其中，σP(x，y)为(x，y)处的虚假场景点的散射系数；
最后，在干扰机位置(x0，y0)的信号即干扰机截获信号为：
Figure BDA0002309086810000072
比较真实目标回波与虚假目标回波的表达式可知，两者仅仅是斜距存在一定的差异；为了达到欺骗干扰的目的，干扰机产生的虚假干扰点的瞬时斜距须和真实点(x，y)的瞬时斜距基本相等。
子步骤1c，根据SAR接收目标回波在距离快时间-方位慢时间的表示形式，建立SAR欺骗干扰调制转发模型；
欺骗干扰信号的调制可以看成是对干扰机截获信号
Figure BDA0002309086810000073
进行延时操作，通过对干扰机截获信号
Figure BDA0002309086810000074
和单位冲击响应进行卷积，得到欺骗干扰调制信号：
Figure BDA0002309086810000075
式中，
Figure BDA0002309086810000076
表示卷积操作，δ(·)是迪拉克脉冲函数，ΔR(tm)＝RP(tm)-RJ(tm)，ΔΦ为相位补偿量，ΔΦ＝-j4πfcΔR(tm)/c。
上式表示的是单个虚假目标点的欺骗干扰信号调制方式，由于欺骗干扰模板是由很多孤立的散射点组成的，因此，对欺骗干扰模板中的散射点逐点进行调制并进行累加，即可得到完整的欺骗干扰模板。
步骤2，根据SAR回波模型，建立真实的多场景多目标SAR图像集和相应的SAR平台参数集；
包含以下子步骤：
子步骤2a，根据SAR回波模型，建立典型场景及目标的SAR回波数据，得到多场景多目标的SAR图像集；
子步骤2b，干扰机侦察SAR平台参数，构建多平台SAR参数集；
其中，SAR平台参数为SAR平台方位角、SAR平台俯仰角和图像分辨率；
步骤3，基于多平台SAR参数集，构建基于多尺度特征提取机制的欺骗干扰模板生成网络和判别网络，将欺骗干扰模板生成网络的输出、真实的地物目标SAR图像和条件矢量作为判别网络的输入，形成基于多尺度特征提取机制的生成式对抗网络；
包含以下子步骤：
子步骤3a，根据电子侦察得到的雷达方位角、俯仰角与图像分辨率，基于多尺度特征提取机制，构建欺骗干扰模板生成网络G；
所述欺骗干扰模板生成网络G包括输入层、多尺度特征提取层和输出层；其中，输入层为全连接层，多尺度特征提取层由多个去卷积-批标准化-LeakyReLU激活函数层(Deconvolution-BatchNorm-LeakyReLU)组成，输出层为去卷积-Tanh激活函数层。
所述欺骗干扰模板生成网络G的输入矢量(z，x)，其中，z为噪声矢量，x为包含元素为目标和场景类型、方位角、俯仰角与图像分辨率的条件矢量；
为了减小权值空间的大小及加快网络的收敛速度，采用二进制数对条件矢量x进行编码，得到编码后条件矢量，条件矢量的编码结构如附图4所示。
条件矢量的编码过程：对于输入参数中，方位角取值范围为0°～359°，由于训练样本较少，为了提高欺骗干扰模板的生成精度，将方位角5°之内的样本归为一类，所以方位角范围变为0～71，用7位二进制数表示。同理，俯仰角取值范围为0～89，用7位二进制数表示。
目标和场景类型类型包括：山脉，山地、海洋、农田、乡镇、城市、汽车、卡车、飞机等，本发明利用4位二进制数表示目标与场景类型。图像分辨率包括：0.3m、0.5m、0.7m、1m、3m、5m、7m、10m、20m等，利用4位二进制表示。因此，条件矢量最终变为22位的二进制数，然后将其转化为十进制数，并进行归一化，得到编码后条件矢量。
欺骗干扰模板生成网络G采用多尺度特征提取机制，低尺度特征提取器可以获取目标的低频特征(如图像幅度)，而高尺度特征提取器可以有效的提取目标的高频细节信息(如目标边缘信息)，通过融合目标的多尺度特征，可以提升图像生成的质量。
欺骗干扰模板生成网络G采用一系列的Deconvolution-BatchNorm-LeakyReLU层提取目标特征，其具体网络结构如附表1所示。其中，层3-层10为特征提取层，逐层深入，分别提取目标低频至高频部分的特征，最后经过去卷积网络融合所提取到的多尺度特征，实现对SAR图像不同频率特征的综合利用，有效提升欺骗干扰模板生成质量。
表1
Figure BDA0002309086810000101
子步骤3b，构建判别网络，设置于欺骗干扰模板生成网络G的输出端，得到基于多尺度特征提取机制的生成式对抗网络；
计算欺骗干扰模板生成网络G生成的欺骗干扰模板与真实模板之间的差异值；并通过差异值反向优化欺骗干扰模板生成网络G，从而得到优化后的欺骗干扰模板生成网络；
判别网络D的结构如附图3所示，判别网络D的输入为欺骗干扰模板生成网络G生成的欺骗干扰模板、真实的地物目标SAR图像和条件矢量。
从DJTGAN网络框架中可以看出条件矢量一直存在于判别网络结构中，从而保障了判别器能够通过条件矢量对产生的欺骗干扰模板的真实性进行准确的判断。
判别网络中：引入PatchGAN结构，通过全卷积网络结构将输入样本转化为N×N个区域块，并给出每个区域块对应图像为真实样本的概率。同时，目标总是在模板的中间区域，为了加速网络的收敛速度与目标的生成精度，本发明设置中间区域的损失权值为10。
判别网络D利用一系列的卷积-LeakyReLU激活函数层(Convolution-LeakyReLU)提取目标的高尺度信息，其具体结构如附表2所示。
表2
Figure BDA0002309086810000111
Figure BDA0002309086810000121
步骤4，将多场景多目标的SAR图像集划分为训练集和测试集，利用训练集对基于多尺度特征提取机制的生成式对抗网络进行训练优化，得到优化后的生成式对抗网络；将测试集中的图像样本输入优化后的生成式对抗网络，生成对应的欺骗干扰模板；并基于SAR欺骗干扰调制转发模型进行欺骗干扰。
所述利用训练集对基于多尺度特征提取机制的生成式对抗网络进行训练优化，其具体为：
首先，将训练集中的样本输入基于多尺度特征提取机制的生成式对抗网络；
然后，采用Adam优化算法训练优化基于多尺度特征提取机制的生成式对抗网络的权值参数，直到损失函数开始收敛，即完成训练，保存网络结构和权值参数，得到优化后的生成式对抗网络；
具体过程为：设置最小批量数据，beta1与beta2分别设置为0.5与0.9，学习率为0.0001，惩罚系数λ，PatchGAN结构将输入样本转化为4×4个区域块；训练过程中，训练两次欺骗干扰模板生成网络，对应训练一次判别网络；
判别网络用于计算生成的欺骗干扰模板与真实模板之间的差异值，并通过这个差异值反向优化网络参数，从而获取更优异的欺骗干扰模板，其损失函数可以表示为：
Figure BDA0002309086810000131
其中，λ为损失权值，
Figure BDA0002309086810000132
为Wassertein距离，
Figure BDA0002309086810000133
为欺骗干扰模板生成网络的损失项，
Figure BDA0002309086810000134
为梯度惩罚项。
将测试集中的图像样本输入优化后的生成式对抗网络，生成对应的欺骗干扰模板；并基于步骤(1.3)中的SAR欺骗干扰调制转发模型进行欺骗干扰。
仿真实验
性能指标：
本发明采用多指标评估分析欺骗干扰模板生成性能：
为了验证DJTGAN的性能，本发明设计了定性与定量实验来评估欺骗干扰模板生成性能。对于定性评估实验，本发明通过目视观测真实模板样本与生成的模板样本的差异性。同时，本发明利用线性模糊性指数(Linear index of fuzziness，LIF)、平均梯度(Averagegradient，AG)、均方差(Mean square deviation，MSD)和灰度差(Gray level difference，GLD)对欺骗干扰模板生成网络生成的欺骗干扰模板中目标的边缘清晰度与对比度进行定量评估。
LIF用于评估图像在空域的增强效果，反映了评估图像的模糊度。给定大小为M×N的欺骗干扰模板样本I，LIF定义为：
Figure BDA0002309086810000141
Figure BDA0002309086810000142
其中，I(m，n)表示的是图像坐标(m，n)对应的灰度值，Imax代表欺骗模板I的最大灰度值。LIF越小代表欺骗干扰模板中目标的边缘对比度越强。
AG反映图像的细节与纹理信息，用来评估图像清晰度。给定大小为M×N的欺骗干扰模板样本I，AG定义为：
Figure BDA0002309086810000143
其中，
Figure BDA0002309086810000144
与
Figure BDA0002309086810000145
分别代表图像坐标(m，n)在垂直与水平方向上的梯度值。AG越大代表欺骗干扰模板中目标的边缘更清晰。
MSD用于评估图像灰度值的起伏情况，进而判定图像的聚焦度。给定大小为M×N的欺骗干扰模板样本I，MSD定义为：
Figure BDA0002309086810000146
其中，μ是欺骗干扰模板灰度图像的均值，MSD越大越能说明欺骗干扰模板越清晰。
GLD考虑边缘的灰度值变化，描述图像边缘的性质，GLD越大越能说明欺骗干扰模板有清晰的边缘细节信息。给定大小为M×N的欺骗干扰模板样本I，GLD定义为：
Figure BDA0002309086810000151
实验过程：
为了充分训练DJTGAN，本发明采用MSTAR数据集及Sentinel卫星录取的TOPSAR模式下的平原与山脉数据集作为训练与测试数据集。MSTAR数据集是X波段聚束SAR录取的0.3m分辨率的SAR图像集，包含十类不同的地面目标，分别为装甲车(BMP-2、BRDM-2、BTR-60和BTR-70)、坦克(T-62、T-72)、火箭发射器(2S1)、防空单元(ZSU-234)、卡车(ZIL-131)与推土机(D7)。MSTAR数据集中包含这些目标在不同俯仰角以及方位角(0°～359°)下录取的SAR图像。本发明采用T72坦克的数据集作为虚假目标的训练与测试数据集。Sentinel卫星在TOPSAR模式下录取的大量的低分辨(20m)地面场景图像，包括山脉、农田与山地等场景。本发明利用TOPSAR数据集作为虚假场景的训练与测试数据集。
训练数据集中的样本为128×128的SAR图像，共51718张T72坦克的SAR图像、1344张山脉与1547张山地。其中，T72坦克具有不同方位角(0°～360°)与三个俯仰角(15°、17°与30°)。
本发明利用Tensorflow在英伟达Titan-X GPU上训练欺骗干扰模板生成对抗网络。利用Adam优化算法优化网络训练参数，设置最小批量数据为128个样本，beta1与beta2分别设置为0.5与0.9，学习率为0.0001，惩罚系数λ设置为10，PatchGAN结构将输入样本转化为4×4个区域块。训练过程中，训练一次判别网络需要训练欺骗干扰模板生成网络两次，每个实验的训练迭代次数为80k。当网络的损失函数收敛后，即认为训练完成，保存此时的网络模型及参数，并对测试集中的样本进行分类。
针对以上实施例中的两类样本目标数据分别训练网络，训练结果如附图5和图6所示。
图5对T72坦克在不同方位角(0°～360°)与不同俯仰角(15°，17°，30°)的真实SAR图像与生成SAR图像进行比较。图5(a)、5(b)、5(c)分别为T72坦克在俯仰角(15°，17°，30°)下的真实SAR图像，图5(d)、5(e)、5(f)分别为T72坦克在俯仰角(15°，17°，30°)下通过本发明所述DJTGAN网络生成SAR图像。图6对山地与平原的真实SAR场景图像和通过DJTGAN生成的SAR图像进行对比。图6(a)、6(b)分别为不同区域的真实山地SAR图像；6(c)为真实平原SAR图像；(d)、(e)、(f)分别为本发明方法生成的山地SAR图像；(g)、(h)、(i)分别为本发明方法生成的平原SAR图像；对比可以发现，本发明的DJTGAN生成的欺骗干扰模板与真实模板具有很高的相似性。
针对以上示例，本发明分别进行DJTGAN-MLF、DJTGAN-PG与DJTGAN-MLF-PG以及本发明的DJTGAN欺骗模板生成，其中，DJTGAN-MLF指在DJTGAN的基础上去掉多尺度特征提取结构，DJTGAN-PG指在判别器中去掉PatchGAN结构，DJTGAN-MLF-PG指同时去掉多尺度特征提取结构与PatchGAN结构，各方法的性能指标对比如附图7所示。
附图7(a)、7(b)、7(c)、7(d)分别为各个模型训练过程中各指标(LIF、AG、MSD与GLD)的变化曲线。可以看出，随着迭代次数的增加，各个指标逐渐趋于稳定，但是，本发明的DJTGAN的生成效果最好，各项指标均与理论值(0.484、0.065、0.0029与0.498)最接近，可以说明本发明的DJTGAN生成的欺骗干扰模板中目标具有边缘清晰且对比度高的优势，验证了本发明DJTGAN的有效性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.基于条件生成式对抗网络的欺骗干扰模板生成方法，其特征在于，包括以下步骤：
步骤1，建立SAR回波模型，并据此建立SAR欺骗干扰调制转发模型；
步骤2，根据SAR回波模型，建立真实的多场景多目标SAR图像集和相应的SAR平台参数集；
其中，SAR平台参数为SAR平台方位角、SAR平台俯仰角和图像分辨率；
步骤3，基于多平台SAR参数集，构建基于多尺度特征提取机制的欺骗干扰模板生成网络和判别网络，将欺骗干扰模板生成网络的输出、真实的地物目标SAR图像和条件矢量作为判别网络的输入，形成基于多尺度特征提取机制的生成式对抗网络；
步骤4，将多场景多目标的SAR图像集划分为训练集和测试集，利用训练集对基于多尺度特征提取机制的生成式对抗网络进行训练优化，得到优化后的生成式对抗网络；将测试集中的图像样本输入优化后的生成式对抗网络，生成对应的欺骗干扰模板；并基于SAR欺骗干扰调制转发模型进行欺骗干扰。
2.根据权利要求1所述的基于条件生成式对抗网络的欺骗干扰模板生成方法，其特征在于，所述建立SAR回波模型，具体步骤为：
1.1，基于SAR系统几何关系，获取平台与干扰机、平台与虚假场景点的瞬时距离函数；
首先，设定SAR平台以恒定速度v沿理想直线飞行；以O点为坐标原点和SAR平台飞行起始点，SAR平台飞行方向的切向为x轴，垂直航线并平行于地面的方向为y轴，z轴根据右手准则确定，建立空间坐标系；设定(x0，y0)是干扰机在空间坐标系中的位置，(x，y)是干扰机产生的虚假场景的某一点；SAR 系统工作在正侧视模式下，tm为慢时间，合成孔径长度为L；
其次，根据SAR系统的几何关系，平台与干扰机的瞬时斜距RJ(tm)、平台到虚假场景点的瞬时斜距RP(tm)表示为：
Figure FDA0002309086800000021
Figure FDA0002309086800000022
其中，RJ0为SAR平台与干扰机最短斜距，R0为SAR平台与虚假场景点的最短斜距；
1.2，建立SAR回波模型，获得SAR接收虚假目标回波函数；
首先，SAR接收到在干扰机位置(x0，y0)的目标回波
Figure FDA0002309086800000023
即为J点处真实目标回波；
Figure FDA0002309086800000024
其中，j为虚数单位，σJ(x0，y0)为(x0，y0)处的散射系数，rect表示矩形脉冲函数，fc为载波频率，c为光速，K为信号调频率，
Figure FDA0002309086800000025
为快时间，Tp为脉冲周期；
上式为SAR接收目标回波在距离快时间-方位慢时间的表示形式；
其次，在虚假场景点(x，y)处的回波
Figure FDA0002309086800000026
(虚假目标点P的回波)为：
Figure FDA0002309086800000027
其中，σP(x，y)为(x，y)处的虚假场景点的散射系数；
最后，在干扰机位置(x0，y0)的信号即干扰机截获信号为：
Figure FDA0002309086800000031
3.根据权利要求2所述的基于条件生成式对抗网络的欺骗干扰模板生成方法，其特征在于，所述建立SAR欺骗干扰调制转发模型，具体为：将欺骗干扰信号的调制看成是对干扰机截获信号
Figure FDA0002309086800000032
进行延时操作，通过对干扰机截获信号
Figure FDA0002309086800000033
和单位冲击响应进行卷积，得到欺骗干扰调制信号：
Figure FDA0002309086800000034
式中，
Figure FDA0002309086800000035
表示卷积操作，δ(·)是迪拉克脉冲函数，ΔR(tm)＝RP(tm)-RJ(tm)，ΔΦ为相位补偿量，ΔΦ＝-j4πfcΔR(tm)/c；
上式表示的是单个虚假目标点的欺骗干扰信号调制方式；欺骗干扰模板是由很多孤立的散射点组成的，对欺骗干扰模板中的散射点逐点进行调制并进行累加，即可得到完整的欺骗干扰模板。
4.根据权利要求1所述的基于条件生成式对抗网络的欺骗干扰模板生成方法，其特征在于，所述构建基于多尺度特征提取机制的欺骗干扰模板生成网络，其具体为：
所述欺骗干扰模板生成网络包括输入层、多尺度特征提取层和输出层；其中，输入层为全连接层，多尺度特征提取层由多个去卷积-批标准化-LeakyReLU激活函数层组成，输出层为去卷积-Tanh激活函数层；
所述欺骗干扰模板生成网络的输入矢量为(z，x)，其中，z为噪声矢量，x为包含元素为目标和场景类型、方位角、俯仰角与图像分辨率的条件矢量。
5.根据权利要求1所述的基于条件生成式对抗网络的欺骗干扰模板生成方法，其特征在于，所述构建判别网络为：建立由全连接层和多个卷积-LeakyReLU激活函数层组成的网络；判别网络的输入为欺骗干扰模板生成网络生成的欺骗干扰模板、真实的地物目标SAR图像和条件矢量；所述判别网络引入PatchGAN结构，通过全卷积网络结构将输入样本转化为N×N个区域块，输出每个区域块对应图像为真实样本的概率。
6.根据权利要求4或5所述的基于条件生成式对抗网络的欺骗干扰模板生成方法，其特征在于，所述条件矢量采用二进制数进行编码后，再输入网络；具体编码过程为：对于各输入参数，将方位角5°之内的样本归为一类，采用7位二进制数表示；同理，俯仰角也采用7位二进制数表示；目标和场景类型和图像分辨率分别采用4位二进制数表示；则编码后的条件矢量为22位的二进制数；然后将二进制条件矢量转化为十进制数，再进行归一化，得到编码后条件矢量。
7.根据权利要求1所述的基于条件生成式对抗网络的欺骗干扰模板生成方法，其特征在于，所述利用训练集对基于多尺度特征提取机制的生成式对抗网络进行训练优化，其具体为：
首先，将训练集中的样本输入基于多尺度特征提取机制的生成式对抗网络；
然后，采用Adam优化算法训练优化基于多尺度特征提取机制的生成式对抗网络的权值参数，直到损失函数开始收敛，即完成训练，保存网络结构和权值参数，得到优化后的生成式对抗网络。
8.根据权利要求7所述的基于条件生成式对抗网络的欺骗干扰模板生成方法，其特征在于，采用Adam优化算法训练优化基于多尺度特征提取机制的生成式对抗网络的权值参数，具体为：计算生成的欺骗干扰模板与真实模板之间的差异值，并通过这个差异值反向优化网络参数，从而获取优化后的欺骗干扰模板，其损失函数可以表示为：
Figure FDA0002309086800000051
其中，λ为损失权值，
Figure FDA0002309086800000052
为Wassertein距离，
Figure FDA0002309086800000053
为欺骗干扰模板生成网络损失项，
Figure FDA0002309086800000054
为梯度惩罚项。
CN201911251208.XA 2019-12-09 2019-12-09 基于条件生成式对抗网络的欺骗干扰模板生成方法 Active CN110988818B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911251208.XA CN110988818B (zh) 2019-12-09 2019-12-09 基于条件生成式对抗网络的欺骗干扰模板生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911251208.XA CN110988818B (zh) 2019-12-09 2019-12-09 基于条件生成式对抗网络的欺骗干扰模板生成方法

Publications (2)

Publication Number Publication Date
CN110988818A CN110988818A (zh) 2020-04-10
CN110988818B true CN110988818B (zh) 2023-03-17

Family

ID=70091346

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911251208.XA Active CN110988818B (zh) 2019-12-09 2019-12-09 基于条件生成式对抗网络的欺骗干扰模板生成方法

Country Status (1)

Country Link
CN (1) CN110988818B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111999731B (zh) * 2020-08-26 2022-03-22 合肥工业大学 一种基于感知生成对抗网络的电磁逆散射成像方法
CN112183352A (zh) * 2020-09-29 2021-01-05 中国人民解放军国防科技大学 一种基于生成对抗网络的通信干扰方法
CN112327331A (zh) * 2020-11-02 2021-02-05 中山大学 一种gnss欺骗干扰检测方法、装置、设备和存储介质
CN113114408B (zh) * 2021-04-06 2022-06-24 电子科技大学 一种生成式欺骗干扰信号生成评估方法及装置
CN113296062B (zh) * 2021-05-31 2023-11-24 南昌大学 基于检索最优值的sar欺骗模板生成方法、系统及应用
CN113687326B (zh) * 2021-07-13 2024-01-05 广州杰赛科技股份有限公司 一种车载雷达回波降噪方法、装置、设备及介质
CN115694715B (zh) * 2023-01-03 2023-04-07 北京星天科技有限公司 一种卫星通信干扰方法和装置
CN116400311B (zh) * 2023-06-07 2023-09-19 清华大学 基于生成对抗网络的雷达干扰仿真方法、装置及电子设备
CN116930884B (zh) * 2023-09-15 2023-12-26 西安电子科技大学 一种基于光sar图像转换的sar欺骗干扰模板生成及干扰方法
CN117496000B (zh) * 2023-12-29 2024-05-17 北京宏锐星通科技有限公司 干扰模板图像的生成方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102721948A (zh) * 2012-07-06 2012-10-10 西安电子科技大学 一种大场景sar欺骗干扰实现方法
GB201911577D0 (en) * 2019-08-13 2019-09-25 Univ Of Hertfordshire Higher Education Corporation Method and apparatus

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102721948A (zh) * 2012-07-06 2012-10-10 西安电子科技大学 一种大场景sar欺骗干扰实现方法
GB201911577D0 (en) * 2019-08-13 2019-09-25 Univ Of Hertfordshire Higher Education Corporation Method and apparatus

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
对SAR雷达的成像欺骗干扰技术研究;侯文栋等;《航天电子对抗》;20170228(第01期);全文 *
虚假场景SAR欺骗式干扰技术及实时性分析;孙光才等;《西安电子科技大学学报》;20091020(第05期);全文 *

Also Published As

Publication number Publication date
CN110988818A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
CN110988818B (zh) 基于条件生成式对抗网络的欺骗干扰模板生成方法
CN108229404B (zh) 一种基于深度学习的雷达回波信号目标识别方法
CN110516561B (zh) 基于dcgan和cnn的sar图像目标识别方法
Cui et al. Image data augmentation for SAR sensor via generative adversarial nets
CN111626290B (zh) 一种复杂海面环境下的红外舰船目标检测识别方法
Wang et al. Ground target classification in noisy SAR images using convolutional neural networks
CN109636742B (zh) 基于对抗生成网络的sar图像和可见光图像的模式转换方法
CN109871902B (zh) 一种基于超分辨率对抗生成级联网络的sar小样本识别方法
CN106599808B (zh) 一种基于全波形激光雷达数据的隐蔽目标提取方法
CN104851097B (zh) 基于目标形状与阴影辅助的多通道sar‑gmti方法
CN104834915B (zh) 一种复杂云天背景下小红外目标检测方法
CN110895682A (zh) 一种基于深度学习的sar目标识别方法
CN111666854A (zh) 融合统计显著性的高分辨率sar影像车辆目标检测方法
CN117237740B (zh) 一种基于CNN和Transformer的SAR图像分类方法
CN114998365A (zh) 一种基于极化干涉sar的地物分类方法
CN112906564A (zh) 用于无人机载sar图像自动目标识别的智能决策支持系统设计及实现方法
CN107748885B (zh) 一种对模糊字符进行识别的方法
Zou et al. Sonar Image Target Detection for Underwater Communication System Based on Deep Neural Network.
Jones et al. Recognizing occluded objects in SAR images
CN105204010A (zh) 低信杂比合成孔径雷达图像的地物目标检测方法
Tang et al. Evaluation of deceptive jamming effect on SAR based on visual consistency
CN114049551B (zh) 一种基于ResNet18的SAR原始数据目标识别方法
Pan et al. Ship detection using online update of clutter map based on fuzzy statistics and spatial property
CN116311067A (zh) 基于高维特征图谱的目标综合识别方法、装置及设备
CN113960551A (zh) 一种针对sar图像的杂波图像生成方法和目标检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant