[發(fā)明專利]一種基于改進的LSGAN和CNN的HRRP雷達目標識別方法

有效

• 申請?zhí)枺?/td>: 202010940775.2
• 申請日: 2020-09-09
• 公開（公告）號: CN112230210B
• 公開（公告）日: 2022-07-29
• 發(fā)明（設計）人: 肖永生;聶江華;黃麗貞;喻小龍;毛聰;孫成立
• 申請（專利權）人: 南昌航空大學
• 主分類號: G01S13/02
• 分類號: G01S13/02;G06N3/04
• 代理公司: 南昌洪達專利事務所 36111
• 代理人: 劉凌峰

1.一種基于改進的LSGAN和CNN的HRRP雷達目標識別方法，其特征在于：所述方法包括以下步驟，

S1、通過數(shù)據(jù)去噪模塊接收帶噪聲和干凈的HRRP數(shù)據(jù)，利用改進的LSGAN，生成高信噪比的HRRP數(shù)據(jù)；所述數(shù)據(jù)去噪模塊由一個改進的LSGAN構成，這個改進的LSGAN由判別網(wǎng)絡和生成網(wǎng)絡組成，兩個網(wǎng)絡進行對抗訓練，利用低信噪比的HRRP數(shù)據(jù)生成與干凈HRRP數(shù)據(jù)接近的HRRP數(shù)據(jù)，提高了HRRP數(shù)據(jù)的信噪比；

所述改進的LSGAN的判別網(wǎng)絡包括：

依次相連，第一層為含有256個神經(jīng)元的全連接層，第二層為只含有1個神經(jīng)元的全連接層；

所述改進的LSGAN的生成網(wǎng)絡包括：依次相連第一層為含有256個神經(jīng)元的全連接層，第二層為只含有128個神經(jīng)元的全連接層；

所述改進的LSGAN是在LSGAN的損失函數(shù)上進行改進的，在判別網(wǎng)絡和生成網(wǎng)絡的損失函數(shù)上各添加一個懲罰項；判別網(wǎng)絡上添加的懲罰項有效的避免網(wǎng)絡出現(xiàn)模型坍塌，生成網(wǎng)絡上添加的懲罰項則使得生成數(shù)據(jù)和干凈數(shù)據(jù)更加接近；兩個懲罰項為：

第一個為判別網(wǎng)絡上添加的懲罰項，第二個為生成網(wǎng)絡上添加的懲罰項，改進的LSGAN損失函數(shù)為：

其中，P_z(x)為含噪聲HRRP數(shù)據(jù)分布函數(shù)，P_data(x)為干凈HRRP數(shù)據(jù)分布函數(shù)，D(x)，D(G(z)分別表示干凈的和含噪聲的HRRP數(shù)據(jù)通過判別網(wǎng)絡得到的結果，表示上述兩種數(shù)據(jù)組合通過判別網(wǎng)絡得到的結果，λ₁和λ₂表示調(diào)節(jié)權重；

S2、采用目標識別模塊接收HRRP數(shù)據(jù)，利用CNN進行目標識別，得到識別結果。

2.根據(jù)權利要求1所述的一種基于改進的LSGAN和CNN的HRRP雷達目標識別方法，其特征在于：所述干凈的HRRP數(shù)據(jù)是使用電磁仿真手段對五種飛機仿真得到的，該數(shù)據(jù)不含噪聲；含噪聲的HRRP數(shù)據(jù)是在仿真數(shù)據(jù)中添加高斯噪聲得到的，通過調(diào)節(jié)參數(shù)來控制噪聲數(shù)據(jù)的信噪比。

3.根據(jù)權利要求1所述的一種基于改進的LSGAN和CNN的HRRP雷達目標識別方法，其特征在于：所述目標識別模塊是由一個CNN構成的，HRRP數(shù)據(jù)輸入到這個CNN中訓練，得到識別率。

4.根據(jù)權利要求1所述的一種基于改進的LSGAN和CNN的HRRP雷達目標識別方法，其特征在于：所述CNN包括：依次相連，第一層為含有64個輸出的卷積層，第二層為最大池化層，第三層為含有128個輸出的卷積層，第四層為最大池化層，第五層為含有1024個神經(jīng)元的全連接層，第六層為含有1024個神經(jīng)元的全連接層，第七層為含有5個神經(jīng)元的全連接層，第八層為softmax層。

5.根據(jù)權利要求1所述的一種基于改進的LSGAN和CNN的HRRP雷達目標識別方法，其特征在于：所述CNN有三個全連接層，前兩個全連接層后面都加上dropout層，使得這兩個全連接層一定比例的神經(jīng)元隨機失活，可以有效的解決網(wǎng)絡過擬合的問題。

6.根據(jù)權利要求1所述的一種基于改進的LSGAN和CNN的HRRP雷達目標識別方法，其特征在于：所述CNN使用的是一維卷積神經(jīng)網(wǎng)絡，卷積層使用一維卷積核，最大池化層使用一維池化核。