CN114970378A - 一种基于gan网络的海杂波样本库构建方法 - Google Patents

一种基于gan网络的海杂波样本库构建方法 Download PDF

Info

Publication number
CN114970378A
CN114970378A CN202210913122.4A CN202210913122A CN114970378A CN 114970378 A CN114970378 A CN 114970378A CN 202210913122 A CN202210913122 A CN 202210913122A CN 114970378 A CN114970378 A CN 114970378A
Authority
CN
China
Prior art keywords
sea clutter
data
sea
network
gan 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.)
Granted
Application number
CN202210913122.4A
Other languages
English (en)
Other versions
CN114970378B (zh
Inventor
张�浩
杨华
武淑敏
马丙燕
陈玉杰
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.)
Qingdao Guoshu Information Technology Co ltd
Original Assignee
Qingdao Guoshu Information Technology Co ltd
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 Qingdao Guoshu Information Technology Co ltd filed Critical Qingdao Guoshu Information Technology Co ltd
Priority to CN202210913122.4A priority Critical patent/CN114970378B/zh
Publication of CN114970378A publication Critical patent/CN114970378A/zh
Application granted granted Critical
Publication of CN114970378B publication Critical patent/CN114970378B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明属于海杂波样本库构建技术领域，公开了一种基于GAN网络的海杂波样本库构建方法。本发明方法首先利用动态海杂波模拟器输出的不同海情海况下雷达海面回波的大区域精细化动态仿真模拟数据作为初始样本数据集，并构建第一层GAN网络并进行迭代训练，然后基于相同海洋条件下实测海杂波数据对海洋动力过程海杂波数据，再次利用第二层GAN网络进行迭代优化，从而建设高质量的海量海杂波数据样本库。本发明方法实现了通过指定海洋环境参数下海洋动力过程海杂波生成特定海杂波数据的目的，进而有效地解决了目前实测海杂波数据难获取性的问题，为雷达海洋目标探测及海杂波特性研究提供数据支持。

Description

一种基于GAN网络的海杂波样本库构建方法
技术领域
本发明属于海杂波样本库构建领域，涉及一种基于GAN网络的海杂波样本库构建方法。
背景技术
雷达回波中的海杂波会严重影响雷达目标检测，尤其是在复杂的海洋环境中，由于海面风力、海面环境湿度、浪涌等多种自然因素的影响，雷达海面回波在雷达接收机中出现严重的多径效应，导致海杂波信号相比其他信号变化复杂、强度高。因此，海杂波特性及建模研究探索性强且难度很大，也是当前雷达海洋目标检测研究的难点和热点问题。
雷达对海上目标探测研究，需要雷达实测数据支持，由于技术保密等原因，大多数雷达实测海杂波实验获取的数据集均未公开，同时实测海杂波数据的获取需耗费大量人力和物力。因此，目前实测海杂波数据存在数量较少及获取受限等技术难题。
在深度学习领域，生成对抗（Generative Adversarial Networks,GAN）网络已成功用于训练数据的数据增强，通过网络模型学习真实海杂波数据的分布可生成与真实海杂波数据分布一致的海杂波数据，通过构建海量样本库为海杂波特性及目标检测研究提供数据支持。
发明内容
针对现有技术中存在的上述技术问题，本发明提出了一种基于GAN网络的海杂波样本库构建方法，该方法基于动态海杂波模拟器输出的不同海情海况下雷达海面回波的大区域精细化动态仿真模拟数据作为初始样本数据集，并通过两层GAN网络进行双重训练，以生成大量同时具有海洋-电磁散射特性、与真实海杂波数据分布相近的海杂波数据。
本发明为了实现上述目的，采用如下技术方案：
一种基于GAN网络的海杂波样本库构建方法，包括如下步骤：
步骤1.采集初始样本数据集，初始样本数据来源于动态海杂波模拟器，利用动态海杂波模拟器生成不同海洋环境参数下的海洋动力过程模拟海杂波数据；
步骤2.从海洋动力过程出发，构建第一层GAN网络，并利用步骤1中动态海杂波模拟器生成的海洋动力过程模拟海杂波数据进行对抗网络生成和鉴别模型训练；
通过第一层GAN网络生成基于海洋-电磁散射特性的海洋动力过程海杂波样本数据；
步骤3.从实测海杂波数据出发，构建第二层GAN网络，利用海洋动力过程海杂波样本数据与相同海洋环境条件下的实测海杂波数据，再次进行对抗网络生成和鉴别模型训练；
通过第二层GAN网络生成符合实际海杂波分布的模拟海杂波样本库。
本发明具有如下优点：
如上所述，本发明述及了一种基于GAN网络的海杂波样本库构建方法，该方法针对实测海杂波数据获取受限，难以得到不同海洋环境参数下海杂波数据的技术问题，提出利用GAN网络生成海杂波数据，通过构建两个具有相同网络结构的GAN网络，以便对海杂波样本进行双重训练，本发明方法首先利用动态海杂波模拟器输出的不同海情海况下雷达海面回波的大区域精细化动态仿真模拟数据作为初始样本数据集，并构建第一层GAN网络并进行迭代训练，然后基于相同海洋条件下实测海杂波数据对海洋动力过程海杂波数据，再次利用第二层GAN网络进行迭代优化，进而建设高质量的海量海杂波数据样本库。本发明方法实现了通过指定海洋环境参数下海洋动力过程海杂波生成特定海杂波数据的目的。
附图说明
图1为本发明实施例中基于GAN网络的海杂波样本库构建方法的网络结构图。
图2为本发明实施例中基于对抗式训练的参数优化模型示意图。
具体实施方式
本发明的目的在于通过深度学习手段构建海杂波样本库，通过应用动态海杂波模拟器输入海洋环境参数，生成海洋动力过程模拟海杂波数据，进行对抗网络生成和鉴别模型训练，同时用实测海杂波数据进行迭代优化，进而产生海量高精度数值模拟样本，以克服实测海杂波数据获取受限的技术问题，从而有利于开展海上目标分类与识别。
下面结合附图以及具体实施方式对本发明作进一步详细说明：
如图1所示，一种基于GAN网络的海杂波样本库构建方法，包括如下步骤：
步骤1.采集初始样本数据集，初始样本数据来源于动态海杂波模拟器，利用动态海杂波模拟器生成不同海洋环境参数下的海洋动力过程模拟海杂波数据。具体过程如下：
动态海杂波模拟器基于电磁波空间传播与海洋关键动力过程的时空频域变化规律与耦合作用机理，综合各环境信息（例如风速、浪高等）产生的不同形态的海洋运动模型、雷达电磁波传播过程以及后向散射的计算，仿真海杂波后向散射的产生、传播过程。
输入不同海洋环境参数，模拟海浪，完成海洋运动模型和电磁后向散射的动态耦合，从而得到不同海洋环境参数下的海洋动力过程模拟海杂波数据，从而为下述第一层GAN网络判决器提供不同海洋环境参数下具有海洋-电磁散射特性的数据输入。
其中，海洋环境参数包括波高、波向、波周期、风速、风向和擦地角。
步骤2.构建海杂波数据对抗生成网络。
如图2所示，从海洋动力过程出发，构建第一层GAN网络，并利用步骤1中动态海杂波模拟器生成的模拟海杂波数据进行对抗网络生成和鉴别模型训练。
通过第一层GAN网络生成基于海洋-电磁散射特性的海洋动力过程海杂波样本数据。
依据GAN网络原理进行网络构建，首先应用动态海杂波模拟器输入海洋环境参数，生成不同海洋环境参数下的海洋动力过程模拟海杂波数据，并将其作为初始样本进行对抗网络生成和鉴别模型训练优化，得到大量具有海洋-电磁散射特性海洋动力过程海杂波样本数据。
第一层GAN网络的处理过程如下：
生成器G的输入为从某个概率分布中采集的随机变量z，随机变量z经过生成器G后，得到输出信号G1(z)，将G1(z)称为生成数据。
定义不同海洋环境参数下的海洋动力过程模拟海杂波数据为真实数据
Figure 100002_DEST_PATH_IMAGE001
。
将真实数据
Figure 874990DEST_PATH_IMAGE001
和生成数据G1(z)同时输入判别器D，通过判别器D判断输入数据是 来自生成数据G1(z)还是真实数据
Figure 961895DEST_PATH_IMAGE001
。
通过迭代优化生成基于海洋-电磁散射特性的海洋动力过程海杂波样本数据。
具体的，第一层GAN网络的训练过程如下：
训练过程采用Wasserstein生成性对抗网络，即在GAN损失函数的基础上增加梯度惩罚项思想，设置学习率参数和网络训练中批样本数量，利用Adam优化器进行参数更新。
经过交替、迭代训练，判别器D和生成器G的网络参数不断更新，性能不断提高，即达到纳什均衡点时，生成基于海洋-电磁散射特性的海洋动力过程海杂波样本数据。
对于判别器的训练。判别器的训练目标为，当真实海杂波信号输入判别器网络后，判别器网络输出的判别概率越大越好；同时生成器生成的海杂波数据输入判别网络后，网络输出的判别概率越小越好，即判别器能够明确区分输入判别器信号是真实海杂波还是假的。
对于生成器的训练。生成器的训练目标是使生成器生成的“假的”海杂波数据通过判别器D后的概率越大越好，也就是说生成器生成的数据能够“骗过”判别器。在整个对抗生成网络的训练过程中，判别器D和生成器G交替进行；开始训练时，先对判别器进行训练5次。
训练过程中，为应对局部模式崩溃、梯度消失等导致生成网络和判别网络难以同时收敛问题，采用Wasserstein生成性对抗网络，即在GAN损失函数的基础上增加梯度惩罚项。
第一层GAN网络的损失函数中，增加的梯度惩罚项F1为：
Figure 100002_DEST_PATH_IMAGE002
。
其中，公式右边第一项
Figure 100002_DEST_PATH_IMAGE003
表示初始梯度项。
公式右边第二项
Figure 100002_DEST_PATH_IMAGE004
为梯度惩罚项。
Figure 100002_DEST_PATH_IMAGE005
表示海洋动力过程模拟海杂波数据，
Figure 100002_DEST_PATH_IMAGE006
为
Figure 100002_DEST_PATH_IMAGE007
的分布；
Figure 100002_DEST_PATH_IMAGE008
表示海洋动力过程模 拟海杂波数据与生成器生成数据间的线性插值，
Figure 100002_DEST_PATH_IMAGE009
为
Figure 12765DEST_PATH_IMAGE008
的分布。
Figure 100002_DEST_PATH_IMAGE010
=t
Figure 794907DEST_PATH_IMAGE008
+（1-t）
Figure 949945DEST_PATH_IMAGE001
，0≤t≤1,
Figure 100002_DEST_PATH_IMAGE011
为梯度惩罚项权重；
Figure 100002_DEST_PATH_IMAGE012
表示判别器判别为
Figure 750411DEST_PATH_IMAGE008
分 布的概率，
Figure 100002_DEST_PATH_IMAGE013
表示判别器判别为
Figure 332702DEST_PATH_IMAGE007
分布的概率，
Figure 100002_DEST_PATH_IMAGE014
为判别器判别为
Figure 100002_DEST_PATH_IMAGE015
分布的概 率，
Figure 100002_DEST_PATH_IMAGE016
代表
Figure 100002_DEST_PATH_IMAGE017
的均值，
Figure 100002_DEST_PATH_IMAGE018
代表
Figure 100002_DEST_PATH_IMAGE019
的均值；
Figure 100002_DEST_PATH_IMAGE020
表示
Figure 100002_DEST_PATH_IMAGE021
的均值。
根据学习率对网络模型的有效容限能力以及批样本数量对训练梯度下降方向的 影响，本发明将对Adam优化器相关参数及批样本数量进行合理设置，将学习率参数设置为 0.0001，批样本数量设置为256，通过控制训练网络梯度更新的量级和批样本数量，避免出 现训练过程中容易陷入局部最优解以及最优解收敛速度较慢等问题。Adam优化器中的β1、β 2设为0.5,0.9，梯度惩罚项权重
Figure 241621DEST_PATH_IMAGE011
设置为0.6，生成器的潜在变量z从N(0,1)中采样。
步骤3.通过实测海杂波数据对得到的海洋动力过程海杂波样本数据进行迭代优化。
从实测海杂波数据出发，构建第二层GAN网络，利用海洋动力过程海杂波样本数据与相同海洋环境条件下的实测海杂波数据，再次进行对抗网络生成和鉴别模型训练。
通过第二层GAN网络生成符合实际海杂波分布的模拟海杂波样本库。
第二层GAN网络具有与第一层GAN网络相同的网络结构。
第二层GAN网络的处理过程如下：
生成器G的输入为通过第一层GAN网络生成基于海洋-电磁散射特性的海洋动力过 程杂波样本数据
Figure 100002_DEST_PATH_IMAGE022
，
Figure 934771DEST_PATH_IMAGE022
经过生成器G后，得到输出信号G2(z)，将G2(z)称为生成数据。
定义实测海杂波数据为真实数据x3；将真实数据x3和生成数据G2(z)同时输入判别器D，通过判别器D判断输入数据是来自生成数据G2(z)还是真实数据x3。
通过迭代优化生成符合实际海杂波分布的模拟海杂波样本库。
同样的，第二层GAN网络的训练过程如下：
训练过程采用Wasserstein生成性对抗网络，即在GAN损失函数的基础上增加梯度惩罚项思想，设置学习率参数和网络训练中批样本数量，利用Adam优化器进行参数更新；
经过交替、迭代训练，判别器D和生成器G的网络参数不断更新，性能不断提高，即达到纳什均衡点时，生成符合实际海杂波分布的模拟海杂波样本库。
训练过程中，为应对局部模式崩溃、梯度消失等导致生成网络和判别网络难以同时收敛问题，采用Wasserstein生成性对抗网络，即在GAN损失函数的基础上增加梯度惩罚项。
第二层GAN网络的损失函数中，增加的梯度惩罚项F2为：
Figure 100002_DEST_PATH_IMAGE023
。
其中，公式右边第一项
Figure DEST_PATH_IMAGE024
表示初始梯度项。
公式右边第二项
Figure 100002_DEST_PATH_IMAGE025
为梯度惩罚项。
Figure 58584DEST_PATH_IMAGE022
表示海洋动力过程海杂波样本数据，
Figure 77356DEST_PATH_IMAGE006
为
Figure 615783DEST_PATH_IMAGE022
的分布；
Figure DEST_PATH_IMAGE026
表示海洋动力过程海 杂波样本数据与生成器生成数据间的线性插值，
Figure 112623DEST_PATH_IMAGE009
为
Figure 28627DEST_PATH_IMAGE026
的分布。
Figure 100002_DEST_PATH_IMAGE027
=t
Figure 100002_DEST_PATH_IMAGE028
+（1-t）
Figure 546196DEST_PATH_IMAGE022
，0≤t≤1,
Figure DEST_PATH_IMAGE029
为梯度惩罚项权重。
Figure 100002_DEST_PATH_IMAGE030
表示判别器判别为
Figure 524647DEST_PATH_IMAGE026
分 布的概率；
Figure DEST_PATH_IMAGE031
表示判别器判别为
Figure 559599DEST_PATH_IMAGE022
分布的概率；
Figure 100002_DEST_PATH_IMAGE032
为判别器判别为
Figure 454743DEST_PATH_IMAGE027
分布的概率；
Figure DEST_PATH_IMAGE033
代表
Figure 100002_DEST_PATH_IMAGE034
的均值，
Figure 100002_DEST_PATH_IMAGE035
代表
Figure DEST_PATH_IMAGE036
的均值；
Figure 100002_DEST_PATH_IMAGE037
表示
Figure DEST_PATH_IMAGE038
的均值。
本发明方法通过两个相同的GAN框架，先后基于海洋动力过程海杂波模拟数据和实测海杂波数据，进行相应的对抗网络生成和鉴别模型训练，进而通过双层迭代优化生成大量同时具有海洋-电磁散射特性、与真实海杂波数据分布相近的海杂波数据，从而解决了实测海杂波数据获取受限的技术问题，能够为海杂波特性及目标检测研究提供数据支持。
与现有技术相比，本发明的创新之处在于，针对实测海杂波数据数量较少及获取受限，即难以得到不同海洋环境参数下海杂波数据的技术问题，本发明首先从海洋动力过程入手，基于海杂波模拟器生成的具有海洋-电磁散射特性的海洋动力过程海杂波模拟数据，通过双层GAN网络进行迭代训练，即通过第一层GAN网络得到不同海洋环境参数下的海洋动力过程海杂波样本数据，然后通过相同海洋环境参数下实测海杂波数据进行第二层迭代优化，最终得到符合实际海杂波分布的高质量的海量模拟海杂波样本库，有效地解决了目前实测海杂波数据难获取性的问题，为雷达海洋目标探测及海杂波特性研究提供数据支持。
当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。

Claims (7)

1.一种基于GAN网络的海杂波样本库构建方法，其特征在于，
包括如下步骤：
步骤1.采集初始样本数据集，初始样本数据来源于动态海杂波模拟器，利用动态海杂波模拟器生成不同海洋环境参数下的海洋动力过程模拟海杂波数据；
步骤2.从海洋动力过程出发，构建第一层GAN网络，并利用步骤1中动态海杂波模拟器生成的海洋动力过程模拟海杂波数据进行对抗网络生成和鉴别模型训练；
通过第一层GAN网络生成基于海洋-电磁散射特性的海洋动力过程海杂波样本数据；
步骤3.从实测海杂波数据出发，构建第二层GAN网络，利用海洋动力过程海杂波样本数据与相同海洋环境条件下的实测海杂波数据，再次进行对抗网络生成和鉴别模型训练；
通过第二层GAN网络生成符合实际海杂波分布的模拟海杂波样本库。
2.根据权利要求1所述的基于GAN网络的海杂波样本库构建方法，其特征在于，
所述步骤1具体为：
动态海杂波模拟器基于电磁波空间传播与海洋关键动力过程的时空频域变化规律与耦合作用机理，综合各海洋环境信息产生的不同形态的海洋运动模型、雷达电磁波传播过程以及后向散射的计算，仿真海杂波后向散射的产生、传播过程；
输入不同海洋环境参数，模拟海浪，完成海洋运动模型和电磁后向散射的动态耦合，从而得到不同海洋环境参数下的海洋动力过程模拟海杂波数据。
3.根据权利要求1所述的基于GAN网络的海杂波样本库构建方法，其特征在于，
所述海洋环境参数包括波高、波向、波周期、风速、风向和擦地角。
4.根据权利要求1所述的基于GAN网络的海杂波样本库构建方法，其特征在于，
所述步骤2中，第一层GAN网络的处理过程如下：
生成器G的输入为从概率分布中采集的随机变量z，随机变量z经过生成器G后，得到输出信号G1(z)，将G1(z)称为生成数据；
定义不同海洋环境参数下的海洋动力过程模拟海杂波数据为真实数据
Figure DEST_PATH_IMAGE001
；
将真实数据
Figure 888622DEST_PATH_IMAGE001
和生成数据G1(z)同时输入判别器D，通过判别器D判断输入数据是来自 生成数据G1(z)还是真实数据
Figure 540184DEST_PATH_IMAGE001
；
通过迭代优化生成基于海洋-电磁散射特性的海洋动力过程海杂波样本数据
Figure DEST_PATH_IMAGE002
；
所述步骤3中，第二层GAN网络的处理过程如下：
生成器G的输入为第一层GAN网络生成的基于海洋-电磁散射特性的海洋动力过程海杂 波样本数据
Figure 180242DEST_PATH_IMAGE002
，
Figure 309872DEST_PATH_IMAGE002
经过生成器G后，得到输出信号G2(z)，将G2(z)称为生成数据；
定义实测海杂波数据为真实数据x3；将真实数据x3和生成数据G2(z)同时输入判别器D，通过判别器D判断输入数据是来自生成数据G2(z)还是真实数据x3；
通过迭代优化生成符合实际海杂波分布的模拟海杂波样本库。
5.根据权利要求4所述的基于GAN网络的海杂波样本库构建方法，其特征在于，
所述第一层GAN网络的训练过程如下：
训练过程采用Wasserstein生成性对抗网络，即在GAN损失函数的基础上增加梯度惩罚项思想，设置学习率参数和网络训练中批样本数量，利用Adam优化器进行参数更新；经过交替、迭代训练，判别器D和生成器G的网络参数不断更新，性能不断提高，即达到纳什均衡点时，生成基于海洋-电磁散射特性的海洋动力过程海杂波样本数据；
所述第二层GAN网络的训练过程如下：
训练过程采用Wasserstein生成性对抗网络，即在GAN损失函数的基础上增加梯度惩罚项思想，设置学习率参数和网络训练中批样本数量，利用Adam优化器进行参数更新；经过交替、迭代训练，判别器D和生成器G的网络参数不断更新，性能不断提高，即达到纳什均衡点时，生成符合实际海杂波分布的模拟海杂波样本库。
6.根据权利要求5所述的基于GAN网络的海杂波样本库构建方法，其特征在于，
第一层GAN网络的损失函数中，增加的梯度惩罚项F1为：
Figure DEST_PATH_IMAGE003
；
其中，公式右边第一项
Figure DEST_PATH_IMAGE004
表示初始梯度项；
公式右边第二项
Figure DEST_PATH_IMAGE005
为梯度惩罚项；
Figure DEST_PATH_IMAGE006
表示海洋动力过程模拟海杂波数据，
Figure DEST_PATH_IMAGE007
为
Figure DEST_PATH_IMAGE008
的分布；
Figure DEST_PATH_IMAGE009
表示海洋动力过程模拟海 杂波数据与生成器生成数据间的线性插值，
Figure DEST_PATH_IMAGE010
为
Figure 999610DEST_PATH_IMAGE009
的分布；
Figure DEST_PATH_IMAGE011
=t
Figure 290914DEST_PATH_IMAGE009
+（1-t）
Figure DEST_PATH_IMAGE012
，0≤t≤1,
Figure DEST_PATH_IMAGE013
为梯度惩罚项权重；
Figure DEST_PATH_IMAGE014
表示判别器判别为
Figure 620265DEST_PATH_IMAGE009
分布的 概率，
Figure DEST_PATH_IMAGE015
表示判别器判别为
Figure DEST_PATH_IMAGE016
分布的概率，
Figure DEST_PATH_IMAGE017
为判别器判别为
Figure DEST_PATH_IMAGE018
分布的概率，
Figure DEST_PATH_IMAGE019
代表
Figure DEST_PATH_IMAGE020
的均值，
Figure DEST_PATH_IMAGE021
代表
Figure DEST_PATH_IMAGE022
的均值；
Figure DEST_PATH_IMAGE023
表示
Figure 537274DEST_PATH_IMAGE024
的均值。
7.根据权利要求5所述的基于GAN网络的海杂波样本库构建方法，其特征在于，
第二层GAN网络的损失函数中，增加的梯度惩罚项F2为：
Figure DEST_PATH_IMAGE025
；
其中，公式右边第一项
Figure 674994DEST_PATH_IMAGE026
表示初始梯度项；
公式右边第二项
Figure DEST_PATH_IMAGE027
为梯度惩罚项；
Figure 261833DEST_PATH_IMAGE002
表示海洋动力过程海杂波样本数据，
Figure 750583DEST_PATH_IMAGE007
为
Figure 222016DEST_PATH_IMAGE002
的分布；
Figure DEST_PATH_IMAGE028
表示海洋动力过程海杂波 样本数据与生成器生成数据间的线性插值，
Figure 588144DEST_PATH_IMAGE029
为
Figure DEST_PATH_IMAGE030
的分布；
Figure 486830DEST_PATH_IMAGE031
=t
Figure 587510DEST_PATH_IMAGE030
+（1-t）
Figure 862634DEST_PATH_IMAGE002
，0≤t≤1,
Figure DEST_PATH_IMAGE032
为梯度惩罚项权重；
Figure 974946DEST_PATH_IMAGE033
表示判别器判别为
Figure 44533DEST_PATH_IMAGE028
分布的 概率；
Figure DEST_PATH_IMAGE034
表示判别器判别为
Figure 117663DEST_PATH_IMAGE002
分布的概率；
Figure DEST_PATH_IMAGE035
为判别器判别为
Figure 665319DEST_PATH_IMAGE031
分布的概率；
Figure 22351DEST_PATH_IMAGE036
代表
Figure DEST_PATH_IMAGE037
的均值，
Figure 262839DEST_PATH_IMAGE038
代表
Figure DEST_PATH_IMAGE039
的均值；
Figure 56221DEST_PATH_IMAGE040
表示
Figure DEST_PATH_IMAGE041
的均值。
CN202210913122.4A 2022-08-01 2022-08-01 一种基于gan网络的海杂波样本库构建方法 Active CN114970378B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210913122.4A CN114970378B (zh) 2022-08-01 2022-08-01 一种基于gan网络的海杂波样本库构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210913122.4A CN114970378B (zh) 2022-08-01 2022-08-01 一种基于gan网络的海杂波样本库构建方法

Publications (2)

Publication Number Publication Date
CN114970378A true CN114970378A (zh) 2022-08-30
CN114970378B CN114970378B (zh) 2022-10-25

Family

ID=82970424

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210913122.4A Active CN114970378B (zh) 2022-08-01 2022-08-01 一种基于gan网络的海杂波样本库构建方法

Country Status (1)

Country Link
CN (1) CN114970378B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116819484A (zh) * 2023-08-30 2023-09-29 青岛国数信息科技有限公司 一种涡旋背景下的海杂波动态模拟方法
CN116821093A (zh) * 2023-06-21 2023-09-29 宁波麦思捷科技有限公司武汉分公司 一种海杂波样本库构建方法及系统
CN117217103A (zh) * 2023-11-09 2023-12-12 南京航空航天大学 基于多尺度注意力机制的星载sar海杂波生成方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108983180A (zh) * 2018-06-28 2018-12-11 浙江大学 一种群智能高精度的雷达海杂波预报系统
US20200074239A1 (en) * 2018-09-04 2020-03-05 Seadronix Corp. Situation awareness method and device using image segmentation
WO2020136258A1 (fr) * 2018-12-27 2020-07-02 Thales Dispositif de génération d'un ensemble de données simulées du fouillis de mer, procédé et programme d'ordinateur associés
CN113902975A (zh) * 2021-10-08 2022-01-07 电子科技大学 一种用于sar舰船检测的场景感知数据增强方法
CN114117912A (zh) * 2021-11-26 2022-03-01 东南大学 一种数据模型双驱动下的海杂波建模与抑制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108983180A (zh) * 2018-06-28 2018-12-11 浙江大学 一种群智能高精度的雷达海杂波预报系统
US20200074239A1 (en) * 2018-09-04 2020-03-05 Seadronix Corp. Situation awareness method and device using image segmentation
WO2020136258A1 (fr) * 2018-12-27 2020-07-02 Thales Dispositif de génération d'un ensemble de données simulées du fouillis de mer, procédé et programme d'ordinateur associés
CN113902975A (zh) * 2021-10-08 2022-01-07 电子科技大学 一种用于sar舰船检测的场景感知数据增强方法
CN114117912A (zh) * 2021-11-26 2022-03-01 东南大学 一种数据模型双驱动下的海杂波建模与抑制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIAOQIAN MOU等: "Sea Clutter Suppression for Radar PPI Images Based on SCS-GAN", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS 》 *
施祖帅: "基于深度学习的雷达杂波模拟技术研究", 《中国优秀硕士学位论文全文数据库（电子期刊）》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116821093A (zh) * 2023-06-21 2023-09-29 宁波麦思捷科技有限公司武汉分公司 一种海杂波样本库构建方法及系统
CN116821093B (zh) * 2023-06-21 2023-12-15 宁波麦思捷科技有限公司武汉分公司 一种海杂波样本库构建方法及系统
CN116819484A (zh) * 2023-08-30 2023-09-29 青岛国数信息科技有限公司 一种涡旋背景下的海杂波动态模拟方法
CN116819484B (zh) * 2023-08-30 2024-01-09 青岛国数信息科技有限公司 一种涡旋背景下的海杂波动态模拟方法
CN117217103A (zh) * 2023-11-09 2023-12-12 南京航空航天大学 基于多尺度注意力机制的星载sar海杂波生成方法及系统
CN117217103B (zh) * 2023-11-09 2024-03-15 南京航空航天大学 基于多尺度注意力机制的星载sar海杂波生成方法及系统

Also Published As

Publication number Publication date
CN114970378B (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN114970378B (zh) 一种基于gan网络的海杂波样本库构建方法
CN109993280B (zh) 一种基于深度学习的水下声源定位方法
Marmain et al. Assimilation of HF radar surface currents to optimize forcing in the northwestern Mediterranean Sea
CN109284280A (zh) 仿真数据优化方法、装置及存储介质
CN104318593B (zh) 一种雷达海杂波的仿真方法和系统
CN106254010A (zh) 一种时变海洋信道建模方法
CN114595732B (zh) 基于深度聚类的雷达辐射源分选方法
CN113568055A (zh) 一种基于lstm网络的航空瞬变电磁数据反演方法
CN110501683B (zh) 一种基于四维数据特征的海陆杂波分类方法
CN114201987B (zh) 一种基于自适应识别网络的有源干扰识别方法
CN112560342A (zh) 一种基于dnn的大气波导参数估计方法
CN114117912A (zh) 一种数据模型双驱动下的海杂波建模与抑制方法
CN115169216A (zh) 面向水声智能伪装的高鲁棒性的对抗样本生成方法及系统
CN115356702A (zh) 一种基于海上多源雷达回波的蒸发波导深度学习联合反演方法
Saffari et al. Classification of marine mammals using trained multilayer perceptron neural network with whale algorithm developed with fuzzy system
CN116956737A (zh) 基于神经网络和遗传算法对低电离层电子密度反演的方法
CN114814776B (zh) 基于图注意力网络和迁移学习的pd雷达目标检测方法
Krasnopolsky et al. Development of neural network convection parameterizations for numerical climate and weather prediction models using cloud resolving model simulations
CN115598714A (zh) 基于时空耦合神经网络的探地雷达电磁波阻抗反演方法
CN113343924B (zh) 一种基于循环谱特征和生成对抗网络的调制信号识别方法
Guo et al. Target depth estimation by deep neural network based on acoustic interference structure in deep water
CN113702923A (zh) 一种雷达杂波模拟方法及电子设备
CN111931412A (zh) 一种基于生成式对抗网络的水中目标噪声lofar谱图仿真方法
Li et al. Sparse Bayesian learning for horizontal wavenumber retrieval in underwater acoustical signal processing
Lei et al. Multi-feature fusion sonar image target detection evaluation based on particle swarm optimization algorithm

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