CN112731327B - 一种基于cn-lsgan、stft和cnn的hrrp雷达目标识别方法 - Google Patents
一种基于cn-lsgan、stft和cnn的hrrp雷达目标识别方法 Download PDFInfo
- Publication number
- CN112731327B CN112731327B CN202011560099.2A CN202011560099A CN112731327B CN 112731327 B CN112731327 B CN 112731327B CN 202011560099 A CN202011560099 A CN 202011560099A CN 112731327 B CN112731327 B CN 112731327B
- Authority
- CN
- China
- Prior art keywords
- data
- lsgan
- hrrp
- network
- stft
- 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
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
- G01S7/41—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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- 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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明专利公开了提出了一种基于约束朴素最小二乘生成对抗网络(Constrained Naive Least Squares Generative Adversarial Network,CN‑LSGAN)、短时傅里叶变换(Short‑time Fourier transform,STFT)和卷积神经网络(Convolutional Neural Network,CNN)的HRRP雷达目标识别方法。所述方法包括以下步骤:S1,用CN‑LSGAN对HRRP数据去噪,该网络结合了最小二乘生成对抗网络(Least Squares Generative Adversarial Network,LSGAN)和带梯度惩罚的Wasserstein生成对抗网络(Wasserstein Generative Adversarial Nets‑Gradient Penalty,WGAN‑GP)特点,将含噪声的HRRP数据通过CN‑LSGAN,生成与干净的HRRP数据相似的数据,实现数据增强;S2,采用STFT对HRRP数据进行时频分析,引入目标的频域和相位特征,以便于特征学习;S3,将时频分析得到的数据通过CNN进行目标识别。
Description
技术领域
本发明涉及低信噪比情况下基于高分辨率距离像(High Resolution RangeProfile,HRRP)的目标识别技术领域,具体涉及提出了一种基于约束朴素最小二乘生成对抗网络(Constrained Naive Least Squares Generative Adversarial Network,CN-LSGAN)、短时傅里叶变换(Short-time Fourier transform,STFT)和卷积神经网络(Convolutional Neural Network,CNN)的HRRP雷达目标识别方法。
背景技术
高分辨率距离像(High Resolution Range Profile,HRRP)是高分辨率宽带雷达发射的电磁波信号在目标每个分辨距离单元内所有散射回波的矢量和,能够反映目标的几何结构、散射点能量分布等特征。
由于其易于获取和处理,且算法具有参数少、计算量小以及识别速度快等关键优势,因而基于HRRP的雷达目标识别成为学术界备受关注的研究热点。但是在低信噪比情况下,依旧存在基于HRRP难以进行目标识别的问题。
发明内容
本发明所要解决的问题是:提出了一种基于约束朴素最小二乘生成对抗网络(Constrained Naive Least Squares Generative Adversarial Network,CN-LSGAN)、短时傅里叶变换(Short-time Fourier transform,STFT)和卷积神经网络(ConvolutionalNeural Network,CNN)的HRRP雷达目标识别方法,以解决上述背景技术提到的问题。该方法实现了数据增强,并且在数据增强的基础上,采用STFT与CNN的识别方法,相对于一维CNN和长短期记忆网络(Long Short-term MemoryNetwork,LSTM)两种目标识别方法,其识别效果更好。
本发明为解决上述问题所提供的技术方案为:
一种基于约束朴素最小二乘生成对抗网络(Constrained Naive Least SquaresGenerative Adversarial Network,CN-LSGAN)、短时傅里叶变换(Short-time Fouriertransform,STFT)和卷积神经网络(Convolutional Neural Network,CNN)的HRRP雷达目标识别方法,其特征在于,包括以下步骤:
S1,用CN-LSGAN对HRRP数据去噪,该网络结合了最小二乘生成对抗网络(LeastSquares Generative Adversarial Network,LSGAN)和带梯度惩罚的Wasserstein生成对抗网络(Wasserstein Generative Adversarial Nets-Gradient Penalty,WGAN-GP)特点,将含噪声的HRRP数据通过CN-LSGAN生成与干净的HRRP数据相似的数据,实现数据增强。
S2,采用STFT对HRRP数据进行时频分析,引入目标的频域和相位特征,以便于特征学习。
S3,将时频分析得到的数据通过CNN进行目标识别。
所述的将含噪声的HRRP数据通过CN-LSGAN生成与干净的HRRP数据相似的数据,实现数据增强的方法如下。
随机噪声向量z输入生成器G,输出G(z),当输入判别器D的数据为真实数据x时,D输出1,当输入判别器D的数据为G(z)时,D输出0。生成器和判别器利用损失函数进行对抗训练,网络对抗训练的目的是为使G(z)接近真实数据分布Pdata。经过不断对抗训练且迭代优化,当D最终无法判别数据来源时,认为生成器已学到真实数据分布。
GAN的总体损失函数:
式中:E代表分布函数的期望,Pdata代表的是真实数据分布,Pz代表的是噪声分布。
使用GAN对HRRP数据去噪时,真实数据为干净的HRRP数据,生成器的输入为低信噪比的HRRP数据,通过两个网络的对抗训练,使生成器生成的数据与干净的HRRP数据非常接近,实现数据增强目的。
使用LSGAN代替GAN,LSGAN的损失函数如式(2)所示:
相对于GAN,LSGAN使用最小二乘损失代替交叉熵损失,能够有效的解决模型训练时梯度消失的问题。
当然LSGAN也有缺陷,和GAN一样,LSGAN存在输出自由度较大,且在训练时容易发生模型崩塌的问题,从而导致生成的样本质量很差,而且多样性低。
进一步地,针对这些问题,在LSGAN的D和G的损失函数中各添加一个约束项,两个约束项如式(3)和式(4)所示。
通过改进损失函数,式(2)可以改写为:
式中,λ1和λ2表示调节权重。分别调节ξ(D)和ξ(G),ξ(D)有助于解决模型崩塌,ξ(G)则可以降低G的输出自由度,提高生成样本的质量,把含上述约束项ξ(D)和ξ(G)的LSGAN称为CN-LSGAN。
其中CN-LSGAN的生成器和判别器都采用全连接网络结构。
所述的STFT对HRRP数据时频分析的方法具体如下:HRRP的时域分析仅表征信号的幅度,这只为特征学习提供了有限的信息,相比之下,频谱特征是HRRP信号的二维(时间和频率)表示,它嵌入了目标的频域特性并反映了更多的相位信息。为了有效地跟踪频谱随深度(时间)的变化,采用STFT对HRRP信号时频分析,其中窗函数选取常用的汉宁窗。窗的宽度影响着时域和频域的相对分辨率,为了权衡信号的时域和频域分辨率,采取相邻信号段之间相互叠加的方式,根据数据的特征,选取相邻信号段之间的叠加长度为每段长度的一半,且分别采用窗长为32、16、8和4的汉宁窗进行STFT。
所述的将时频分析得到的数据通过CNN进行目标识别具体方法如下:通过对HRRP数据的时频分析,得到的时频数据维度为(2,64),根据这个的维度设计CNN,该CNN由两个卷积层、一个池化层、两个全连接层和一个SoftMax分类器组成,其中这两个卷积层的卷积核形状都为3*3。
本发明的有益效果是,本发明方法将含噪声的HRRP数据通过CN-LSGAN生成与干净的HRRP数据相似的数据,实现数据增强;采用STFT对HRRP信号进行时频分析,引入目标的频域和相位特征;解决了在低信噪比情况下,基于HRRP进行目标识别的问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为GAN结构示意图。
图2为GAN用于HRRP去噪示意图。
图3为CN-LSGAN的生成器结构示意图。
图4为CN-LSGAN的判别器结构示意图
图5为CNN结构示意图。
具体实施方式
以下将配合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
GAN是由Goodfellow等于2014年设计的一种生成模型,该模型由一个生成器(Generator,G)和判别器(Discriminator,D)组成,具体框架如图1所示。
随机噪声向量z输入生成器G,输出G(z),当输入判别器D的数据为真实数据x时,D输出1,当输入判别器D的数据为G(z)时,D输出0。生成器和判别器利用损失函数进行对抗训练,网络对抗训练的目的是为使G(z)接近真实数据分布Pdata。经过不断对抗训练且迭代优化,当D最终无法判别数据来源时,认为生成器已学到真实数据分布。
GAN的总体损失函数:
式中:E代表分布函数的期望,Pdata代表的是真实数据分布,Pz代表的是噪声分布。
使用GAN对HRRP数据去噪时,真实数据为干净的HRRP数据,生成器的输入为低信噪比的HRRP数据,通过两个网络的对抗训练,使生成器生成的数据与干净的HRRP数据非常接近,实现数据增强目的,具体的模型如图2所示
使用LSGAN代替GAN,LSGAN的损失函数如式(2)所示:
相对于GAN,LSGAN使用最小二乘损失代替交叉熵损失,有效的解决了模型训练时梯度消失的问题。当然LSGAN也有缺陷,和GAN一样,LSGAN存在输出自由度较大,且在训练时容易发生模型崩塌的问题,这些问题会导致生成的样本质量很差,而且多样性低。针对这些问题提出在LSGAN的D和G的损失函数中各添加一个约束项,两个约束项如式(3)和式(4)所示。
通过改进损失函数,式(2)就可以改写为:
式中,λ1和λ2表示调节权重。分别调节ξ(D)和ξ(G),ξ(D)有助于解决模型崩塌,ξ(G)则可以降低G的输出自由度,提高生成样本的质量,把含上述约束项ξ(D)和ξ(G)的LSGAN称为CN-LSGAN。
CN-LSGAN的生成器和判别器都采用全连接网络结构,如图3、图4所示。
HRRP的时域分析仅表征信号的幅度,这只为特征学习提供了有限的信息,相比之下,频谱特征是HRRP信号的二维(时间和频率)表示,它嵌入了目标的频域特性并反映了更多的相位信息。为了有效地跟踪频谱随深度(时间)的变化,采用STFT对HRRP信号时频分析,其中窗函数选取常用的汉宁窗,同时窗的宽度影响着时域和频域的相对分辨率,为了权衡信号的时域和频域分辨率,采取相邻信号段之间相互叠加的方式,根据数据的特征,选取相邻信号段之间的叠加长度为每段长度的一半,且分别采用窗长为32、16、8和4的汉宁窗进行STFT。
通过对HRRP数据的时频分析,得到的时频数据维度为(2,64),根据这个的维度设计CNN,该CNN由两个卷积层、一个池化层、两个全连接层和一个SoftMax分类器组成,其中这两个卷积层的卷积核形状都为3*3,如图5所示。
本项目得到国家自然科学基金(No.61661035)江西省自然科学基金面上项目(No.20192BAB207001)和航空科学基金(No.201920056001)资助。本发明将含噪声的HRRP数据通过CN-LSGAN生成与干净的HRRP数据相似的数据,实现数据增强;采用STFT对HRRP信号时频分析,引入目标的频域和相位特征;解决了在低信噪比情况下,基于HRRP进行目标识别的问题。
以上所述是本发明的优选实施例,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (4)
1.一种基于约束朴素最小二乘生成对抗网络CN-LSGAN、短时傅里叶变换STFT和卷积神经网络CNN的HRRP雷达目标识别方法,其特征在于,所述方法包括以下步骤:
S1,用CN-LSGAN对HRRP数据去噪,该网络结合了最小二乘生成对抗网络LSGAN和带梯度惩罚的Wasserstein生成对抗网络WGAN-GP特点,将含噪声的HRRP数据通过CN-LSGAN,生成与干净的HRRP数据相似的数据,实现数据增强;
S2,采用STFT对HRRP数据进行时频分析,引入目标的频域和相位特征,以进行特征学习;
S3,将时频分析得到的数据通过CNN进行目标识别;
步骤S1中CN-LSGAN为LSGAN在D和G的损失函数中各添加一个约束项形成,LSGAN的损失函数如式(1)所示
式(1)中,随机噪声向量z输入生成器G,输出G(z),当输入判别器D的数据为真实数据x时,D输出1,当输入判别器D的数据为G(z)时,D输出0;
D和G的损失函数中添加的约束项如式(2)和式(3)所示
CN-LSGAN损失函数为:
式(4)中,λ1和λ2表示调节权重;分别调节ξ(D)和ξ(G),ξ(D)解决模型崩塌,ξ(G)降低G的输出自由度。E代表分布函数的期望,Pdata代表的是真实数据分布,Pz代表的是噪声分布。
2.根据权利要求1所述的一种基于约束朴素最小二乘生成对抗网络CN-LSGAN、短时傅里叶变换STFT和卷积神经网络CNN的HRRP雷达目标识别方法,其特征在于,所述的CN-LSGAN的生成器和判别器都采用全连接网络结构。
3.根据权利要求1所述的一种基于约束朴素最小二乘生成对抗网络CN-LSGAN、短时傅里叶变换STFT和卷积神经网络CNN的HRRP雷达目标识别方法,其特征在于,所述步骤S2具体为:采用STFT对HRRP信号进时频分析,其中窗函数通常选取汉宁窗;窗的宽度影响着时域和频域的相对分辨率,为了权衡信号的时域和频域分辨率,采取相邻信号段之间相互叠加的方式,根据数据的特征,选取相邻信号段之间的叠加长度为每段长度的一半,分别采用窗长为32、16、8和4的汉宁窗进行STFT。
4.根据权利要求1所述的一种基于约束朴素最小二乘生成对抗网络CN-LSGAN、短时傅里叶变换STFT和卷积神经网络CNN的HRRP雷达目标识别方法,其特征在于,所述步骤S3具体为:通过对HRRP数据的时频分析,得到的时频数据维度为(2,64),根据这个的维度设计CNN,该CNN由两个卷积层、一个池化层、两个全连接层和一个SoftMax分类器组成,其中这两个卷积层的卷积核形状都为3*3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011560099.2A CN112731327B (zh) | 2020-12-25 | 2020-12-25 | 一种基于cn-lsgan、stft和cnn的hrrp雷达目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011560099.2A CN112731327B (zh) | 2020-12-25 | 2020-12-25 | 一种基于cn-lsgan、stft和cnn的hrrp雷达目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112731327A CN112731327A (zh) | 2021-04-30 |
CN112731327B true CN112731327B (zh) | 2023-05-23 |
Family
ID=75615998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011560099.2A Active CN112731327B (zh) | 2020-12-25 | 2020-12-25 | 一种基于cn-lsgan、stft和cnn的hrrp雷达目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112731327B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117633528A (zh) * | 2023-11-21 | 2024-03-01 | 元始智能科技(南通)有限公司 | 一种基于小样本数据修复与增强的制造车间能耗预测技术 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111077523A (zh) * | 2019-12-13 | 2020-04-28 | 南京航空航天大学 | 一种基于生成对抗网络的逆合成孔径雷达成像方法 |
CN111476294A (zh) * | 2020-04-07 | 2020-07-31 | 南昌航空大学 | 一种基于生成对抗网络的零样本图像识别方法及系统 |
CN111539467A (zh) * | 2020-04-17 | 2020-08-14 | 北京工业大学 | 基于生成对抗网络为医疗影像数据集做数据增广的gan网络架构及方法 |
CN111580059A (zh) * | 2020-04-02 | 2020-08-25 | 杭州电子科技大学 | 基于谱图切分预处理和卷积神经网络的雷达hrrp目标识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018053340A1 (en) * | 2016-09-15 | 2018-03-22 | Twitter, Inc. | Super resolution using a generative adversarial network |
US11544928B2 (en) * | 2019-06-17 | 2023-01-03 | The Regents Of The University Of California | Athlete style recognition system and method |
-
2020
- 2020-12-25 CN CN202011560099.2A patent/CN112731327B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111077523A (zh) * | 2019-12-13 | 2020-04-28 | 南京航空航天大学 | 一种基于生成对抗网络的逆合成孔径雷达成像方法 |
CN111580059A (zh) * | 2020-04-02 | 2020-08-25 | 杭州电子科技大学 | 基于谱图切分预处理和卷积神经网络的雷达hrrp目标识别方法 |
CN111476294A (zh) * | 2020-04-07 | 2020-07-31 | 南昌航空大学 | 一种基于生成对抗网络的零样本图像识别方法及系统 |
CN111539467A (zh) * | 2020-04-17 | 2020-08-14 | 北京工业大学 | 基于生成对抗网络为医疗影像数据集做数据增广的gan网络架构及方法 |
Non-Patent Citations (1)
Title |
---|
余宪.基于生成对抗网络的雷达高分辨距离像生成方法研究.《中国优秀硕士学位论文全文数据库信息科技辑》.2020,(第 07期),第I136-684页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112731327A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
CN110618453B (zh) | 一种基于改进阻尼最小二乘法的波阻抗反演方法 | |
CN101303764B (zh) | 基于非下采样轮廓波的多传感器图像自适应融合方法 | |
CN110456332B (zh) | 一种基于自动编码器的水声信号增强方法 | |
CN111723701B (zh) | 一种水中目标识别方法 | |
CN113571067B (zh) | 一种基于边界攻击的声纹识别对抗样本生成方法 | |
CN106529428A (zh) | 基于深度学习的水下目标识别方法 | |
CN104751000A (zh) | 一种机电复合传动状态监测信号小波降噪方法 | |
CN104849757B (zh) | 消除地震信号中随机噪声系统及方法 | |
CN112086100B (zh) | 基于量化误差熵的多层随机神经网络的城市噪音识别方法 | |
CN112731327B (zh) | 一种基于cn-lsgan、stft和cnn的hrrp雷达目标识别方法 | |
CN114117912A (zh) | 一种数据模型双驱动下的海杂波建模与抑制方法 | |
CN106707334A (zh) | 一种提高地震资料分辨率的方法 | |
CN113935240A (zh) | 基于生成式对抗网络算法的人工地震波模拟方法 | |
CN115374710A (zh) | 基于改进海鸥优化算法和多核极限学习机的风速预测方法 | |
Huang et al. | Radar waveform recognition based on multiple autocorrelation images | |
CN109344751A (zh) | 一种车内噪声信号的重构方法 | |
Liu et al. | Few-shot learning with data enhancement and transfer learning for underwater target recognition | |
CN112906591A (zh) | 基于多级跳线残差网络的雷达辐射源识别方法 | |
CN107765259A (zh) | 一种基于提升小波改进阈值的输电线路激光测距信号去噪算法 | |
CN115372960B (zh) | 一种改进生成对抗网络的天波雷达地海杂波数据增强方法 | |
CN107783939B (zh) | 一种模型驱动的多项式相位信号自适应时频变换方法 | |
CN104463325A (zh) | 一种极地探冰雷达原始数据噪声抑制方法 | |
CN111898476B (zh) | 一种耦合随机共振的自适应线谱增强方法 | |
Wu et al. | Low-frequency underwater acoustic signal denoising method in the shallow sea with a low signal-to-noise ratio |
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 |