CN116304701A - 基于条件去噪扩散概率模型的hrrp样本生成方法 - Google Patents

基于条件去噪扩散概率模型的hrrp样本生成方法 Download PDF

Info

Publication number
CN116304701A
CN116304701A CN202310239238.9A CN202310239238A CN116304701A CN 116304701 A CN116304701 A CN 116304701A CN 202310239238 A CN202310239238 A CN 202310239238A CN 116304701 A CN116304701 A CN 116304701A
Authority
CN
China
Prior art keywords
layer
denoising
conditional
probability model
hrrp
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
Application number
CN202310239238.9A
Other languages
English (en)
Inventor
刘宏伟
王鹏辉
印佳园
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 CN202310239238.9A priority Critical patent/CN116304701A/zh
Publication of CN116304701A publication Critical patent/CN116304701A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于条件去噪扩散概率模型的HRRP样本生成方法，涉及雷达信号处理技术领域，包括：生成小样本训练集；构建条件去噪扩散概率模型，并设置参数；其中，条件去噪扩散概率模型包括U‑Net网络模块和输出模块，U‑Net网络模块包括下采样层、跳跃连接层和上采样层；根据小样本训练集，训练条件去噪扩散概率模型，得到训练好的条件去噪扩散概率模型；根据训练好的条件去噪扩散概率模型，生成扩充样本训练集。本发明能够充分利用雷达HRRP样本的方位角信息，可以生成指定方位角下的HRRP样本，生成的HRRP样本质量较高。

Description

基于条件去噪扩散概率模型的HRRP样本生成方法
技术领域
本发明属于雷达信号处理技术领域，具体涉及一种基于条件去噪扩散概率模型的HRRP样本生成方法。
背景技术
雷达高分辨率距离像(High Resolution Range Profile，HRRP)是指在宽带雷达中，被测目标的回波信号可以看做每个分辨距离单元内所有散射回波的矢量和。HRRP是一维信息，包含目标的几何结构、散射点能量分布等特征信息，与二维回波信号(SAR、ISAR)等相比，具有易于获取、存储和处理等优点，因此对雷达目标识别与分类十分有价值。
现有技术中，在建立敌方非合作目标的HRRP识别数据库时，雷达很难检测并持续跟踪目标，因此难以获得足够的且覆盖所有方位角的HRRP样本，进一步使用不完备的HRRP识别数据库的样本作为训练集来训练识别系统时，由于输入的HRRP样本姿态不完备导致识别性能差，识别系统提取的特征无法代表目标的本质特性，影响分类系统的识别性能和泛化能力。
因此，亟需改善现有技术中存在的缺陷。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于条件去噪扩散概率模型的HRRP样本生成方法。本发明要解决的技术问题通过以下技术方案实现：
第一方面，本发明提供一种基于条件去噪扩散概率模型的HRRP样本生成方法，包括：
生成小样本训练集；
构建条件去噪扩散概率模型，并设置参数；其中，条件去噪扩散概率模型包括U-Net网络模块和输出模块，U-Net网络模块包括下采样层、跳跃连接层和上采样层；
根据小样本训练集，训练条件去噪扩散概率模型，得到训练好的条件去噪扩散概率模型；
根据训练好的条件去噪扩散概率模型，生成扩充样本训练集。
本发明的有益效果：
本发明提供的一种基于条件去噪扩散概率模型的HRRP样本生成方法，一方面，相比于生成对抗网络GAN模型是通过生成器和判别器的对抗来训练网络，需要训练两个网络，本发明提出的网络模型为条件去噪扩散概率模型，该模型主要分为前向扩散过程和反向生成过程，且该模型只需要训练一个网络，与生成对抗网络GAN模型相比，扩散模型更容易收敛，稳定性更好，生成的样本多样性更高；另一方面，本发明将训练集中的每个样本与对应的类别标签和方位角标签信息一起作为模型网络的输入，克服了现有技术在生成HRRP样本时，没有考虑到方位角的情况，导致生成的HRRP样本方位角不完备，影响后续分类系统的识别性能的问题，本发明能够充分利用雷达HRRP样本的方位角信息，可以生成指定方位角下的HRRP样本，生成的HRRP样本质量较高。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的基于条件去噪扩散概率模型的HRRP样本生成方法的一种流程图；
图2是本发明实施例提供的U-Net网络模块的一种结构示意图；
图3是本发明实施例提供的CNN分类器识别系统的一种结构示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
现有技术中，南昌航空大学聂江华在其申请的专利文献“一种基于改进的LSGAN和CNN的HRRP雷达目标识别方法”(专利申请号：202010940775.2，申请公开号：112230210A)中公开了一种基于最小二乘生成对抗网络LSGAN(Least Squares Generative AdversarialNetworks)和卷积神经网络CNN(Convolutional Neural Network)的HRRP识别数据库样本扩充方法，该方法首先通过数据去噪模块接受带噪和干净的HRRP数据；然后在网络结构设计阶段，在判别网络和生成网络的损失函数上各添加一个惩罚项，得到由判别网络和生成网络组成的LSGAN网络；再利用LSGAN网络生成高信噪比的HRRP数据进行识别数据库样本扩充；最后采用目标识别模块接收HRRP数据，利用CNN进行目标识别得到识别结果；该方法存在的不足之处是，在HRRP识别数据库样本数少的情况下，将使得LSGAN网络对数据的特征提取和特征选择的偏差较大，导致LSGAN网络生成的HRRP数据的质量较差，利用生成的HRRP数据进行识别数据库样本扩充后训练的分类系统的识别性能较低。
西安电子科技大学马佩雯在其申请的专利文献“基于CACGAN的HRRP识别数据库样本扩充方法”(专利申请号：202110283773.5，申请公布号：112784930A)中公开了一种基于生成对抗网络CACGAN的HRRP识别数据库样本扩充方法，该方法首先将样本与对应的类别标签拼接后作为生成对抗网络CACGAN的输入；然后在网络结构设计阶段，构建由生成器、判别器和辅助分类器组成的条件辅助分类生成网络，在判别器的损失函数中添加一个梯度惩罚项，利用交叉熵损失函数计算辅助分类器的损失值；最后利用CACGAN网络生成不同类别的HRRP样本进行识别数据库样本扩充；该方法存在的不足之处是，对每个类别的HRRP样本，没有考虑利用方位角信息作为标签，生成指定方位角下的样本，导致CACGAN网络生成的HRRP样本方位角不完备、质量较差，利用生成的HRRP数据进行识别数据库样本扩充后训练的分类系统的识别性能较低。
有鉴于此，本发明提供一种基于条件去噪扩散概率模型的HRRP样本生成方法，用于解决利用LSGAN和CACGAN网络进行HRRP识别数据库样本扩充时，HRRP样本的方位角不完备并且没有充分利用HRRP样本的方位角信息，导致生成的HRRP数据方位角不完备、质量较差，进行识别数据库样本扩充后训练的分类器识别性能较低的问题。
请参见图1～图2所示，图1是本发明实施例提供的基于条件去噪扩散概率模型的HRRP样本生成方法的一种流程图，图2是本发明实施例提供的U-Net网络模块的一种结构示意图，本发明所提供的一种基于条件去噪扩散概率模型的HRRP样本生成方法，包括：
S101、生成小样本训练集。
具体而言，本实施例中，通过以下过程获取小样本训练集。
S1011、在雷达视线上沿着距离维的雷达回波中，提取多个类别、覆盖多个方位角域的HRRP样本。
S1012、使用平均分帧方法将每个类别的HRRP样本分为多个方位帧，并且将类别和方位帧赋予两种标签。
需要说明的是，平均分帧方法包括：
获取散射点不发生越距离单元徙动的最大角度，根据该最大角度对HRRP样本的方位角进行等间隔划分；其中，最大角度
Figure BDA0004123529560000041
的表达式为：
Figure BDA0004123529560000042
其中，L为目标相对于雷达的横向尺寸，ΔR为距离分辨单元长度。
S1013、将所有的HRRP样本、以及HRRP样本对应的类别标签和方位帧标签组成所述小样本训练集。
需要说明的是，将HRRP样本赋予类别标签和方位帧标签的过程包括：
将小样本训练集中类别序号为1的每个HRRP样本的类别标签记为y1，将类别序号为2的每个HRRP样本的类别标签记为y2，以此类推，将类别序号为U的每个HRRP样本的类别标签记为yU，y1取值为1，y2取值为2，以此类推，yU取值为U，U表示小样本训练集中类别标签的总数；将小样本训练集中方位帧序号为1的每个HRRP样本的方位帧标签记为z1，将方位帧序号为2的每个HRRP样本的方位帧标签记为z2，以此类推，将方位帧序号为V的每个HRRP样本的方位帧标签记为zV，z1取值为1，z2取值为2，以此类推zV取值为V，V表示方位帧标签的总数。
S102、构建条件去噪扩散概率模型，并设置参数；其中，所述条件去噪扩散概率模型包括U-Net网络模块和输出模块，所述U-Net网络模块包括下采样层、跳跃连接层和上采样层。
具体而言，请继续参见图2所示，本实施例中，需要先搭建条件去噪扩散概率模型的主体部分U-Net网络模块，其中，U-Net网络模块包括下采样层、跳跃连接层和上采样层；下采样层包括多层结构，分别为第一下采样层、第二下采样层、第三下采样层、第四下采样层和第五下采样层，第一下采样层的输出端连接第二下采样层的输入端，第二下采样层的输出端连接第三下采样层的输入端，第三下采样层的输出端连接第四下采样层的输入端，第四下采样层输出端连接第五下采样层的输入端；其中，第一下采样层依次包括第一卷积模块、第一残差模块、第二残差模块和第二卷积模块，第二下采样层依次包括第三残差模块、第四残差模块和第三卷积模块，第三下采样层依次包括第五残差模块、第一自注意力模块、第六残差模块、第二自注意力模块和第四卷积模块，第四下采样层依次包括第七残差模块和第八残差模块，第五下采样层包括第九残差模块；
上采样层包括多层结构，分别为第一上采样层、第二上采样层、第三上采样层、第四上采样层和第五上采样层，第一上采样层的输入端连接第二上采样层的输出端和第一下采样层的输出端，第二上采样层的输入端连接第三上采样层的输出端和第二下采样层的输出端，第三上采样层的输入端连接第四上样层的输出端和第三下采样层的输出端，第四上采样层输入端连接第五上采样层的输出端和第四下采样层的输出端；其中，第一上采样层的结构与第一下采样层的结构相同，第二上采样层的结构与第二下采样层的结构相同，第三上采样层的结构与第三下采样层的结构相同，第四上采样层的结构与第四下采样的结构相同，第五上采样层的结构与第五下采样层的结构相同；
跳跃连接层的输入端与第五下采样层的输出端连接，跳跃连接层的输出端与第五上采样层的输入端连接，跳跃连接层用于将下采样层输出的特征图连接到上采样层。
在本发明的一种可选地实施例中，第一残差模块、第二残差模块、第三残差模块、第四残差模块、第五残差模块、第六残差模块、第七残差模块、第八残差模块和第九残差模块均包括卷积模块一、卷积模块二和位置编码模块，卷积模块一包括依次设置的组归一化层、SiLU函数和1×3卷积层，卷积模块二包括依次设置的组归一化层、SiLU函数、Dropout和1×3卷积层，位置编码模块包括依次设置的SiLU函数和全连接层。
第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块均由1×3的卷积层构成；第一自注意力模块和第二自注意力模块中所使用的卷积核大小均为1×1。
其中，SiLU函数的表达式为：
f(w)＝w*sigmoid(w)；
其中，w为经过激活层前的网络参数，f(w)为经过激活层后的网络参数，sigmoid(·)为激活函数ReLU函数。
本实施例中，还需要搭建条件去噪扩散概率模型的输出模块，输出模块包括组归一化层、SiLU函数和1×3的卷积层。
本实施例中，还需要设置条件去噪扩散概率模型的参数，分为两部分，其中，一部分为：U-Net的网络模块参数设置，包括卷积模块数、残差模块数、自注意力模块数、优化器、损失函数和激活函数；另一部分为：条件扩散概率模型的训练参数
Figure BDA0004123529560000061
其表达式为：
Figure BDA0004123529560000062
其中，s为偏移量，T为总时间步，初始化为500，t为某一时刻，t与T值均为整数。
本实施例中，请继续参见图2所示，将特征图输入构建好的条件去噪扩散概率模型，依次经过第一下采样层中的第一卷积模块、第一残差模块、第二残差模块和第二卷积模块处理后，输出处理后的特征图，该特征图分别传输至第一上采样层和第二下采样层，该特征图经过第二下采样层中的第三残差模块、第四残差模块和第三卷积模块处理后，输出处理后的特征图，直至由第五下采样层处理后，输出处理后的特征图，该处理后的特征图传输至跳跃连接层，经跳跃连接层处理后传输至第五上采样层，第五上采样层将处理后的特征图传输至第四上采样层，该处理后的特征图与第四下采样层处理后的特征图进行结合，第四上采样层对结合后的特征图进行处理，直至传输至第一上采样层的输入端，第一上采样层将结合后的特征图处理，并依次由输出模块中的组归一化层、SiLU函数和卷积层再处理，得到输出结构，如此，能够保证U-Net网络模块的输入为HRRP样本，输出与HRRP样本同样长度的噪声。
S103、训练条件去噪扩散概率模型，得到训练好的条件去噪扩散概率模型。
具体而言，本实施例中，通过一下过程对条件去噪扩散概率模型进行训练。
S1031、使用条件去噪扩散概率模型，将小样本训练集进行处理，得到预测噪声；
S1032、使用均方差损失函数，计算实际噪声与预测噪声之间的损失；再使用反向传播算法迭代更新条件去噪扩散概率模型的参数，直至收敛为止，得到训练好的条件去噪扩散概率模型，并保存训练好的条件去噪扩散概率模型的参数。
需要说明的是，在条件去噪扩散概率模型训练过程中，模型的损失函数为：
Figure BDA0004123529560000071
其中，θ为U-Net网络模块的可训练参数，∈θ(·)为U-Net网络模块输出的预测噪声，x0为小样本训练集中采样得到的一组HRRP样本，y为该组HRRP样本对应的类别标签向量，z为该组HRRP样本对应的方位帧标签向量，t为时刻，∈为高斯噪声。
S104、根据所述训练好的条件去噪扩散概率模型，生成扩充样本训练集。
具体而言，本实施中，通过以下过程生成扩充样本训练集。
S1041、根据训练好的条件去噪扩散概率模型的参数初始化所述条件去噪扩散概率模型；
S1042、从正态分布中随机产生M个噪声样本，并随机产生噪声样本对应的类别标签和方位帧标签；
S1043、使用初始化的条件去噪扩散概率模型，将M个噪声样本、及其类别标签和方位帧标签进行处理，生成指定方位角的HRRP样本，构成生成样本集；
S1044、将生成样本集与小样本训练集进行组合，构成扩充样本训练集。
综上所述，本发明提供的一种基于条件去噪扩散概率模型的HRRP样本生成方法，一方面，相比于生成对抗网络GAN模型是通过生成器和判别器的对抗来训练网络，需要训练两个网络，本发明提出的网络模型为条件去噪扩散概率模型，该模型主要分为前向扩散过程和反向生成过程，且该模型只需要训练一个网络，与生成对抗网络GAN模型相比，扩散模型更容易收敛，稳定性更好，生成的样本多样性更高；另一方面，本发明将训练集中的每个样本与对应的类别标签和方位角标签信息一起作为模型网络的输入，克服了现有技术在生成HRRP样本时，没有考虑到方位角的情况，导致生成的HRRP样本方位角不完备，影响后续分类系统的识别性能的问题，本发明能够充分利用雷达HRRP样本的方位角信息，可以生成指定方位角下的HRRP样本，生成的HRRP样本质量较高。
在本发明的一种可选地实施例中，通过仿真实验对本发明提出的样本生成方法的性能进行验证。
一、仿真条件
本实施例的仿真实验的硬件平台为：Intel i7-10700 2.9GHz，内存为16GB，操作系统为Windows10，Python版本为3.9。
二、仿真内容与结果分析
本实施例的仿真实验1是利用本发明生成指定方位角的HRRP数据，利用生成的HRRP数据对小样本集中的样本进行扩充，得到扩充后的扩充训练集。将小样本训练集和采用上述实施例提供的方法进行扩充，扩充后的训练集的样本输入到CNN分类器识别系统中，得到训练好的CNN分类器；将本实施例仿真实验生成的测试集的样本分别输入到训练好的CNN分类器中，输出测试集中每个样本的预测类别。
本实施例中的仿真实验中所用的识别数据库和训练集均为5类飞机的HRRP电磁仿真数据；其中，小样本训练集含有第1类HRRP数据1200个，第2类HRRP数据1200个，第3类HRRP数据1200个，第4类HRRP数据1200个，第5类HRRP数据1200个；测试样本集含有第1类HRRP数据1600个，第2类HRRP数据1600个，第3类HRRP数据1600个，第4类HRRP数据1600个，第5类HRRP数据1600个。每个HRRP样本均包含256个距离单元。
本实施例的仿真实验1是利用本发明的样本扩充方法生成HRRP数据得到本发明生成数据集，该生成数据集包含第1类HRRP数据400个，第2类HRRP数据400个，第3类HRRP数据400个，第4类HRRP数据400个，第5类HRRP数据400个；使用上述实施例提供的方法生成数据集完成小样本训练集的样本扩充，获得本发明扩充后的扩充训练集。
搭建一个五层的CNN分类器识别系统，其结构依次为第一卷积层，第二卷积层，第三卷积层，第一全连接层、第二全连接层，请参见图3所示，图3是本发明实施例提供的CNN分类器识别系统的一种结构示意图。将第一至第三卷积层的特征映射图数目分别设置为32、64、128，卷积核尺寸均设置为1×9，卷积核滑动步长大小均设置为1，池化下采样核尺寸均设置为1×2，下采样核滑动步长均设置为2，第一、第二全连接层的输入维度分别为4096和128，输出维度分别为128和5。
将扩充前后的训练集，分别输入到CNN分类器中，经过300次迭代训练后得到训练好的两个CNN分类器；利用两个CNN分类器分别对测试集中的每个样本进行类别预测，然后分别计算两个CNN分类器对测试集中每个样本预测的类别与该样本的类别相符的测试样本个数与测试样本总数的比值，得到两个目标识别准确率；目标识别准确率越高，则代表CNN分类器的识别性能越高，扩充后的训练集HRRP样本的方位角越完备。
上述两个目标识别准确率的结果如表1所示。
表1目标识别准确率对比表
Figure BDA0004123529560000091
Figure BDA0004123529560000101
由表1可见，采用本发明进行样本扩充后训练的CNN的识别性能优于小样本训练集训练的CNN的识别性能，表明本发明生成指定方位角的HRRP样本，生成的HRRP对小样本训练集进行样本扩充后训练的CNN的分类系统的识别性能高。
应当说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属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，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (9)

1.一种基于条件去噪扩散概率模型的HRRP样本生成方法，其特征在于，包括：
生成小样本训练集；
构建条件去噪扩散概率模型，并设置参数；其中，所述条件去噪扩散概率模型包括U-Net网络模块和输出模块，所述U-Net网络模块包括下采样层、跳跃连接层和上采样层；
根据所述小样本训练集，训练所述条件去噪扩散概率模型，得到训练好的条件去噪扩散概率模型；
根据所述训练好的条件去噪扩散概率模型，生成扩充样本训练集。
2.根据权利要求1所述的基于条件去噪扩散概率模型的HRRP样本生成方法，其特征在于，所述生成小样本训练集的过程包括：
在雷达视线上沿着距离维的雷达回波中，提取多个类别、覆盖多个方位角域的HRRP样本；
使用平均分帧法将每个类别的HRRP样本分为多个方位帧，并且将类别和方位帧赋予两种标签；
将所有的HRRP样本、以及HRRP样本对应的类别标签和方位帧标签组成所述小样本训练集。
3.根据权利要求2所述的基于条件去噪扩散概率模型的HRRP样本生成方法，其特征在于，所述平均分帧法包括：
获取散射点不发生越距离单元徙动的最大角度，根据该最大角度对HRRP样本的方位角进行等间隔划分；其中，最大角度
Figure FDA0004123529550000011
的表达式为：
Figure FDA0004123529550000012
其中，L为目标相对于雷达的横向尺寸，ΔR为距离分辨单元长度。
4.根据权利要求1所述的基于条件去噪扩散概率模型的HRRP样本生成方法，其特征在于，所述下采样层包括多层结构，分别为第一下采样层、第二下采样层、第三下采样层、第四下采样层和第五下采样层，所述第一下采样层的输出端连接所述第二下采样层的输入端，所述第二下采样层的输出端连接所述第三下采样层的输入端，所述第三下采样层的输出端连接所述第四下采样层的输入端，所述第四下采样层输出端连接所述第五下采样层的输入端；其中，所述第一下采样层依次包括第一卷积模块、第一残差模块、第二残差模块和第二卷积模块，所述第二下采样层依次包括第三残差模块、第四残差模块和第三卷积模块，所述第三下采样层依次包括第五残差模块、第一自注意力模块、第六残差模块、第二自注意力模块和第四卷积模块，所述第四下采样层依次包括第七残差模块和第八残差模块，第五下采样层包括第九残差模块；
所述上采样层包括多层结构，分别为第一上采样层、第二上采样层、第三上采样层、第四上采样层和第五上采样层，所述第一上采样层的输入端连接所述第二上采样层的输出端和所述第一下采样层的输出端，所述第二上采样层的输入端连接所述第三上采样层的输出端和所述第二下采样层的输出端，所述第三上采样层的输入端连接所述第四上采样层的输出端和所述第三下采样层的输出端，所述第四上采样层输入端连接所述第五上采样层的输出端和所述第四下采样层的输出端；其中，所述第一上采样层的结构与所述第一下采样层的结构相同，所述第二上采样层的结构与所述第二下采样层的结构相同，所述第三上采样层的结构与所述第三下采样层的结构相同，所述第四上采样层的结构与所述第四下采样的结构相同，所述第五上采样层的结构与所述第五下采样层的结构相同；
所述跳跃连接层的输入端与所述第五下采样层的输出端连接，所述跳跃连接层的输出端与所述第五上采样层的输入端连接，所述跳跃连接层用于将所述下采样层输出的特征图连接到所述上采样层。
5.根据权利要求4所述的基于条件去噪扩散概率模型的HRRP样本生成方法，其特征在于，所述第一残差模块、所述第二残差模块、所述第三残差模块、所述第四残差模块、所述第五残差模块、所述第六残差模块、所述第七残差模块、所述第八残差模块和所述第九残差模块均包括卷积模块一、卷积模块二和位置编码模块，所述卷积模块一包括依次设置的组归一化层、SiLU函数和卷积层，所述卷积模块二包括依次设置的组归一化层、SiLU函数、Dropout和卷积层，所述位置编码模块包括依次设置的SiLU函数和全连接层。
6.根据权利要求5所述的基于条件去噪扩散概率模型的HRRP样本生成方法，其特征在于，所述SiLU函数的表达式为：
f(w)＝w*sigmoid(w)；
其中，w为经过激活层前的网络参数，f(w)为经过激活层后的网络参数，sigmoid(·)为激活函数ReLU函数。
7.根据权利要求1所述的基于条件去噪扩散概率模型的HRRP样本生成方法，其特征在于，所述根据所述小样本训练集，训练所述条件去噪扩散概率模型，得到训练好的条件去噪扩散概率模型的过程包括：
使用所述条件去噪扩散概率模型，将所述小样本训练集进行处理，得到预测噪声；
使用均方差损失函数，计算实际噪声与预测噪声之间的损失；再使用反向传播算法迭代更新所述条件去噪扩散概率模型的参数，直至收敛为止，得到训练好的条件去噪扩散概率模型，并保存所述训练好的条件去噪扩散概率模型的参数。
8.根据权利要求7所述的基于条件去噪扩散概率模型的HRRP样本生成方法，其特征在于，所述U-Net网络模块的损失函数为：
Figure FDA0004123529550000031
Figure FDA0004123529550000032
其中，θ为U-Net网络模块的可训练参数，∈θ(·)为U-Net网络模块输出的预测噪声，x0为小样本训练集中采样得到的一组HRRP样本，y为该组HRRP样本对应的类别标签向量，z为该组HRRP样本对应的方位帧标签向量，∈为高斯噪声，
Figure FDA0004123529550000033
为初始化的参数，s为偏移量，T为总时间步，t为某一时刻，t与T值均为整数。
9.根据权利要求1所述的基于条件去噪扩散概率模型的HRRP样本生成方法，其特征在于，所述根据所述训练好的条件去噪扩散概率模型，生成扩充样本训练集包括：
根据训练好的条件去噪扩散概率模型的参数初始化所述条件去噪扩散概率模型；
从正态分布中随机产生M个噪声样本，并随机产生噪声样本对应的类别标签和方位帧标签；
使用初始化的所述条件去噪扩散概率模型，将M个噪声样本、及其类别标签和方位帧标签进行处理，生成指定方位角的HRRP样本，构成生成样本集；
将所述生成样本集与所述小样本训练集进行组合，构成扩充样本训练集。
CN202310239238.9A 2023-03-13 2023-03-13 基于条件去噪扩散概率模型的hrrp样本生成方法 Pending CN116304701A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310239238.9A CN116304701A (zh) 2023-03-13 2023-03-13 基于条件去噪扩散概率模型的hrrp样本生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310239238.9A CN116304701A (zh) 2023-03-13 2023-03-13 基于条件去噪扩散概率模型的hrrp样本生成方法

Publications (1)

Publication Number Publication Date
CN116304701A true CN116304701A (zh) 2023-06-23

Family

ID=86818156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310239238.9A Pending CN116304701A (zh) 2023-03-13 2023-03-13 基于条件去噪扩散概率模型的hrrp样本生成方法

Country Status (1)

Country Link
CN (1) CN116304701A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116645260A (zh) * 2023-07-27 2023-08-25 中国海洋大学 一种基于条件扩散模型的数字水印攻击方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116645260A (zh) * 2023-07-27 2023-08-25 中国海洋大学 一种基于条件扩散模型的数字水印攻击方法
CN116645260B (zh) * 2023-07-27 2024-02-02 中国海洋大学 一种基于条件扩散模型的数字水印攻击方法

Similar Documents

Publication Publication Date Title
An et al. Ship detection in Gaofen-3 SAR images based on sea clutter distribution analysis and deep convolutional neural network
CN110443143B (zh) 多分支卷积神经网络融合的遥感图像场景分类方法
CN107316013B (zh) 基于nsct变换和dcnn的高光谱图像分类方法
CN110232341B (zh) 基于卷积-堆叠降噪编码网络的半监督学习图像识别方法
CN103955701B (zh) 多层次结合的多视合成孔径雷达图像目标识别方法
CN112083422A (zh) 基于多级深度学习网络的单航过InSAR系统端对端分类方法
CN115034257B (zh) 一种基于特征融合的跨模态信息目标识别方法及装置
CN116304701A (zh) 基于条件去噪扩散概率模型的hrrp样本生成方法
Choi et al. Fusion of target and shadow regions for improved SAR ATR
CN111126361A (zh) 基于半监督学习和特征约束的sar目标鉴别方法
CN114926693A (zh) 基于加权距离的sar图像小样本识别方法及装置
Dong et al. Joint contextual representation model-informed interpretable network with dictionary aligning for hyperspectral and LiDAR classification
CN113359135B (zh) 一种成像及识别模型的训练方法、应用方法、装置及介质
CN109558803B (zh) 基于卷积神经网络与np准则的sar目标鉴别方法
CN112835008B (zh) 基于姿态自适应卷积网络的高分辨距离像目标识别方法
CN113239959B (zh) 基于解耦表征变分自编码机的雷达hrrp目标识别方法
Deng et al. A novel insulator defect detection scheme based on Deep Convolutional Auto‐Encoder for small negative samples
Wang et al. SAR image synthesis based on conditional generative adversarial networks
Hou et al. Retracted: KSSD: single‐stage multi‐object detection algorithm with higher accuracy
CN113240081B (zh) 针对雷达载频变换的高分辨距离像目标稳健识别方法
Ji et al. SAR image target recognition based on monogenic signal and sparse representation
CN116343016A (zh) 一种基于轻量型卷积网络的多角度声呐图像目标分类方法
CN115481659A (zh) 基于深度布朗距离的小样本sar图像目标识别方法
Liu et al. AARN: Anchor‐guided attention refinement network for inshore ship detection
Shi et al. SDNet: Image‐based sonar detection network for multi‐scale objects

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