CN113821967A - 基于散射中心模型的大样本训练数据生成方法 - Google Patents
基于散射中心模型的大样本训练数据生成方法 Download PDFInfo
- Publication number
- CN113821967A CN113821967A CN202110624415.6A CN202110624415A CN113821967A CN 113821967 A CN113821967 A CN 113821967A CN 202110624415 A CN202110624415 A CN 202110624415A CN 113821967 A CN113821967 A CN 113821967A
- Authority
- CN
- China
- Prior art keywords
- target
- scattering center
- training
- parameters
- neural network
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于散射中心模型的大样本训练数据生成方法,一、初始化仿真参数,所述仿真参数包括雷达方位角、频率及接收角度;二、设置目标的几何参数,在对应的仿真参数下,计算目标体的散射场数据;三、利用遗传算法拟合各散射中心幅度值,得到含有尺寸信息和幅值信息的目标散射中心参数模型;四、通过改变仿真参数和几何参数得到更多对应的RCS与时频像,实现训练样本的扩充;本发明能够快速生成满足神经网络训练需求的大量的训练样本。
Description
技术领域
本发明属于电磁散射及应用的技术领域,具体涉及一种基于散射中心模型的大样本训练数据生成方法。
背景技术
近些年来,神经网络被广泛应用于计算机视觉、目标识别等领域,依靠其学习能力和非线性映射能力强的特点,通过自身训练的模型避免众多外部非确定性的干扰,在传统特征提取方法无法解决的问题中往往能取得良好的效果。
ISAR具有全天候、全天时的远距离观测能力,在各个领域上都有巨大的作用,基于时频变换的ISAR成像不仅可以获取高分辨率的清晰图像,而且可以从目标图像的一个时刻到另一个时刻的变化,对观察出目标精细的表征有更大的帮助。但采用数值法计算目标的散射数据借助专业的计算软件虽然操作简单,但对于ISAR像这种多频率多角度的计算耗时非常严重。近年来电磁散射应用领域与神经网络结合愈加紧密,训练神经网络需要大量的训练样本,传统的数值法计算自然无法满足大样本数量的训练要求。并且针对不同的角度、不同频率和尺寸下的目标数而言,需要手动输入角度、频率等参数,极大的增加了实验者的工作量,因此想要获得满足神经网络训练要求的充足的训练样本非常困难。
发明内容
有鉴于此,本发明提供了一种基于散射中心模型的大样本训练数据生成方法,能够快速生成满足神经网络训练需求的大量的训练样本。
实现本发明的技术方案如下:
一种基于散射中心模型的大样本训练数据生成方法,包括以下步骤:
步骤一、初始化仿真参数,所述仿真参数包括雷达方位角、频率及接收角度;
步骤二、设置目标的几何参数,在对应的仿真参数下,计算目标体的散射场数据;
步骤三、利用遗传算法拟合各散射中心幅度值,得到含有尺寸信息和幅值信息的目标散射中心参数模型;
步骤四、通过改变仿真参数和几何参数得到更多对应的RCS与时频像,实现训练样本的扩充。
进一步地,所述雷达方位角的范围为0°~180°。
进一步地,利用扩充后的训练样本对神经网络进行训练,得到用于目标识别和参数提取的神经网络模型。
进一步地,利用扩充后的训练样本对卷积神经网络进行训练,利用训练后的卷积神经网络进行目标识别。
进一步地,利用扩充后的训练样本对BP神经网络进行训练,利用训练后的BP神经网络进行参数提取。
有益效果:
1、相比于现有的通过数值法计算散射场数据的方法,本发明方法利用散射中心模型计算极大地减少了目标几何体散射场数据的计算时间。
2、本发明方法采用CNN网络提取目标时频图像中的特征,分辨目标类别,之后用BP网络反演得到典型结构目标的几何参数。本发明方法的泛用性和精度都得到了验证。与传统方法相比,本发明方法操作简单,节省计算资源,实现了在少量数据下的实现典型目标体目标的自动化识别和参数提取。
附图说明
图1为本发明方法的流程图。
图2为本发明实施例弹头目标的几何结构和散射中心分布,其中,(a)为烈火1弹头的几何结构;(b)为弹头目标的散射中心分布。
图3为本发明实施例弹头目标模型的时频像与全波法结果相比。(a)为全波法结果;(b)为模型仿真结果。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
如图1所示,本发明提供了一种基于散射中心模型的大样本训练数据生成方法,本发明利用参数化散射中心模型快速生成训练样本,对于目标而言,通过改变散射中心模型中的几何参数快速得到电场数据,进而生成对应的RCS、TFR图像库,满足大样本数据的需求,并可以通过改变频率、观测角度进一步丰富数据库。为更好地研究复杂目标体的相关散射性能提供了更加简洁的思路。
以弹头目标为例,结构如图2(a)所示。依据散射中心的位置分布特征可以分为分布型散射中心(DSC)(如平面、单曲面、长直棱边反射所形成)、局部型散射中心(LSC)(尖顶、小圆顶等绕射或反射所形成),不同类型的散射中心其时频像特征也不同。弹头目标的散射中心分布如2(b)所示。
利用散射中心模型生成大样本训练数据的具体过程如下:
步骤一、初始化仿真参数,包括雷达方位角、频率及接收角度等;计算过程中可以固定数值也可以随机改变这些仿真参数。
步骤二、如图2(a)所示,设置烈火1弹头对应的几何参数:r0、r1、r2、h1、h2、h3,其中,r0为弹头顶部半径,r1为底座底面半径,r2为尖顶底面半径,h1、h2、h3分别为尖顶、柱身、底座的高。在对应的仿真参数下,计算目标体的散射场数据。
步骤三、使用遗传算法拟合各散射中心幅度值,得到含有尺寸信息和幅值信息的对应几何体散射中心参数模型。
步骤四、通过改变几何参数和仿真参数得到更多对应的RCS与时频像,扩充训练样本,进一步英语之后的目标识别或参数提取等。
本发明基于少量的散射场数据,实现散射中心建模,以烈火1弹头目标为例,散射中心模型可高精度地模拟散射场,模型模拟得到的散射场的时频像与全波法结果相比相关系数可以达到92%以上,可替代数值计算结果用作训练样本,对比结果如图3(a)和(b)所示。散射中心模型参数直接与目标的几何参数相关,通过改变散射中心的参数,可以快速得到多种结构、不同尺寸的目标的大量训练数据,极大节约获得训练样本所需的计算资源和时间。
本发明实施例中雷达波频率为3GHz,雷达视角相对目标的变化范围为:φ=0-180°。通过少次数的迭代就具有很好的识别精度。同时为了验证CNN的识别有效性,对两种干扰情况下进行测试,分别为:改变雷达频率、加入白噪声。两种情况的识别效果统计如表1所示
表1改变频率、加入白噪声后的识别效果
从上述数据可以得知,在不同频率的情况下,目标的识别效果几乎不受影响,因为改变频率对时频像特征而言仅为尺度缩放,图像特征并没有明显改变;在散射场数据中加入白噪声,在时频像中体现为斑点噪声,但信噪比SNR>15时,并不改变时频像特征的分布,因此虽然CNN的识别效果会有0.01-0.05的降低,但整体来说不会对神经网络的识别造成过大的干扰。
除了目标识别之外,得到的大样本训练数据还可用在目标几何参数提取方面根据网络的效果来调整输入层节点、隐含层节点和输出层节点的个数。BP神经网络算法由数据的前向传播和误差的反向传播两个部分组成。前向传播是弹头的时频像从输入层传入,到达隐含层处理再传向输出层,如果输出的几何参数值与实际的参数有偏差,则将偏差沿着网络进行反向传播。BP神经网络通过学习几何体时频像中的数据不停更新连接权重,拟合出数据的变化趋势。本发明中训练样本占总体样本的98%,剩下的为测试样本。在网络经历不断的迭代更新,当预测准确率达到设定的精度之后训练停止。最后将训练出符合要求的BP神经网络用于弹头的几何参数的预测。
本发明BP网路中,目标时频像的个数即为网络中的输入层节点数,几何参数个数即为网络中的输出层节点数。随机抽取的10个测试样本,测试样本的实际几何参数与预测参数对比,见表2。误差统计平均结果如表3所示,可以看出预测得出的参数与几何体实际参数具有很高一致性。
表2样本的实际参数与预测参数对比
表3几何参数误差统计结果
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于散射中心模型的大样本训练数据生成方法,其特征在于,包括以下步骤:
步骤一、初始化仿真参数,所述仿真参数包括雷达方位角、频率及接收角度;
步骤二、设置目标的几何参数,在对应的仿真参数下,计算目标体的散射场数据;
步骤三、利用遗传算法拟合各散射中心幅度值,得到含有尺寸信息和幅值信息的目标散射中心参数模型;
步骤四、通过改变仿真参数和几何参数得到更多对应的RCS与时频像,实现训练样本的扩充。
2.如权利要求1所述的一种基于散射中心模型的大样本训练数据生成方法,其特征在于,所述雷达方位角的范围为0°~180°。
3.如权利要求1所述的一种基于散射中心模型的大样本训练数据生成方法,其特征在于,利用扩充后的训练样本对神经网络进行训练,得到用于目标识别和参数提取的神经网络模型。
4.如权利要求3所述的一种基于散射中心模型的大样本训练数据生成方法,其特征在于,利用扩充后的训练样本对卷积神经网络进行训练,利用训练后的卷积神经网络进行目标识别。
5.如权利要求3所述的一种基于散射中心模型的大样本训练数据生成方法,其特征在于,利用扩充后的训练样本对BP神经网络进行训练,利用训练后的BP神经网络进行参数提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110624415.6A CN113821967A (zh) | 2021-06-04 | 2021-06-04 | 基于散射中心模型的大样本训练数据生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110624415.6A CN113821967A (zh) | 2021-06-04 | 2021-06-04 | 基于散射中心模型的大样本训练数据生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113821967A true CN113821967A (zh) | 2021-12-21 |
Family
ID=78923831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110624415.6A Pending CN113821967A (zh) | 2021-06-04 | 2021-06-04 | 基于散射中心模型的大样本训练数据生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113821967A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116256714A (zh) * | 2022-12-31 | 2023-06-13 | 南京航空航天大学 | 基于雷达成像的电磁散射特性测量方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108983228A (zh) * | 2018-07-10 | 2018-12-11 | 北京理工大学 | 一种基于深度神经网络的rcs近远场变换方法 |
CN109239684A (zh) * | 2018-10-15 | 2019-01-18 | 中国航天科工集团八五研究所 | 基于电磁散射模型的雷达目标回波模拟系统及其模拟方法 |
CN109270510A (zh) * | 2018-11-21 | 2019-01-25 | 北京理工大学 | 一种复杂小结构目标散射中心模型精确提取方法 |
CN110879391A (zh) * | 2019-12-02 | 2020-03-13 | 北京航空航天大学 | 基于电磁仿真和弹载回波仿真的雷达图像数据集制作方法 |
WO2020098256A1 (zh) * | 2018-11-14 | 2020-05-22 | 平安科技(深圳)有限公司 | 基于全卷积神经网络的语音增强方法、装置及存储介质 |
CN112560966A (zh) * | 2020-12-18 | 2021-03-26 | 西安电子科技大学 | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 |
-
2021
- 2021-06-04 CN CN202110624415.6A patent/CN113821967A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108983228A (zh) * | 2018-07-10 | 2018-12-11 | 北京理工大学 | 一种基于深度神经网络的rcs近远场变换方法 |
CN109239684A (zh) * | 2018-10-15 | 2019-01-18 | 中国航天科工集团八五研究所 | 基于电磁散射模型的雷达目标回波模拟系统及其模拟方法 |
WO2020098256A1 (zh) * | 2018-11-14 | 2020-05-22 | 平安科技(深圳)有限公司 | 基于全卷积神经网络的语音增强方法、装置及存储介质 |
CN109270510A (zh) * | 2018-11-21 | 2019-01-25 | 北京理工大学 | 一种复杂小结构目标散射中心模型精确提取方法 |
CN110879391A (zh) * | 2019-12-02 | 2020-03-13 | 北京航空航天大学 | 基于电磁仿真和弹载回波仿真的雷达图像数据集制作方法 |
CN112560966A (zh) * | 2020-12-18 | 2021-03-26 | 西安电子科技大学 | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 |
Non-Patent Citations (2)
Title |
---|
卢再奇, 付强, 肖怀铁: "遗传算法在雷达目标匹配识别中的应用", 现代雷达, no. 05, pages 35 - 38 * |
陈玉洁;赵凌君;匡纲要;: "基于可变参数化几何模型的SAR图像飞机目标特征提取方法", 现代雷达, no. 10, pages 51 - 57 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116256714A (zh) * | 2022-12-31 | 2023-06-13 | 南京航空航天大学 | 基于雷达成像的电磁散射特性测量方法及装置 |
CN116256714B (zh) * | 2022-12-31 | 2023-10-13 | 南京航空航天大学 | 基于雷达成像的电磁散射特性测量方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086700B (zh) | 基于深度卷积神经网络的雷达一维距离像目标识别方法 | |
CN109766835B (zh) | 基于多参数优化生成对抗网络的sar目标识别方法 | |
CN104865562B (zh) | 基于混合模型的雷达非合作目标的识别方法 | |
CN103839073B (zh) | 一种基于极化特征和近邻传播聚类的极化sar图像分类方法 | |
CN109061774B (zh) | 一种雷暴核关联性处理方法 | |
CN112052762A (zh) | 基于高斯原型的小样本isar图像目标识别方法 | |
CN106324579A (zh) | 一种目标强散射源rcs提取算法 | |
CN113376597A (zh) | 基于数字高程地图和gpu的复杂地形电磁散射快速仿真方法 | |
CN109270510B (zh) | 一种复杂小结构目标散射中心模型精确提取方法 | |
CN104318593A (zh) | 一种雷达海杂波的仿真方法和系统 | |
CN116050007A (zh) | 基于混合自适应采样代理模型的复杂装备优化设计方法 | |
CN113821967A (zh) | 基于散射中心模型的大样本训练数据生成方法 | |
CN109932717A (zh) | 基于环境统计建模的isar高分辨成像方法 | |
CN110208764A (zh) | 基于电磁散射计算的动态海洋大型场景回波仿真方法 | |
CN104407336B (zh) | 一种方位敏感的目标电磁回波模拟方法 | |
CN112766381A (zh) | 有限样本下属性引导的sar图像生成方法 | |
CN108470183B (zh) | 基于聚类细化残差模型的极化sar分类方法 | |
CN114428249B (zh) | 非高斯海面sar成像方法 | |
CN116401844A (zh) | 一种基于散射中心正向模型的雷达目标特性规划方法 | |
CN116577748A (zh) | 一种基于微波光子信号的散射中心参数提取方法 | |
CN111414801B (zh) | 不确定性外形的电大非合作目标分类识别方法 | |
CN115409705A (zh) | 一种面向sar图像目标识别模型的对抗样本生成方法 | |
CN115308705A (zh) | 一种基于生成对抗网络的多姿态极窄脉冲回波生成方法 | |
CN114636982A (zh) | 分析紧邻动态弹头的等效耦合散射中心重构方法 | |
CN116125401A (zh) | 基于电磁散射计算的动态海面回波仿真方法 |
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 |