[發明專利]一種基于改進的LSGAN和CNN的HRRP雷達目標識別方法

有效

• 申請號: 202010940775.2
• 申請日: 2020-09-09
• 公開（公告）號: CN112230210B
• 公開（公告）日: 2022-07-29
• 發明（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

本發明公開了一種基于改進的LSGAN和CNN的HRRP雷達目標識別方法，所述方法包括以下步驟，S1、通過數據去噪模塊接收帶噪聲和干凈的HRRP數據，利用改進的LSGAN，生成高信噪比的HRRP數據；S2、采用目標識別模塊接收HRRP數據，利用CNN進行目標識別，得到識別結果。本發明能夠實現在HRRP數據信噪比較低時也能有很好的識別效果，同時通過改進網絡，彌補原始GAN和LSGAN的不足。

技術領域

本發明涉及HRRP雷達目標識別技術領域，具體涉及一種基于改進的LSGAN和CNN的HRRP雷達目標識別方法。

背景技術

在HRRP數據無噪聲的情況下，利用CNN進行目標識別，可以得到很好的識別效果。但是在實際應用場景中，很難采集完整的HRRP數據，且由于一些外部環境的干擾，獲取的HRRP數據中會夾雜著一些噪聲，這給目標識別增添了不小的困難。在這種情況下，僅采用CNN識別，識別效果有待提高。

在上述背景下，可以考慮先用生成對抗網絡(Generative Adversarial Network，GAN)提高HRRP數據的信噪比，再用CNN進行識別。但是傳統GAN的訓練存在許多問題，原始GAN在訓練時容易出現梯度消失繼而導致網絡難以訓練，而且，使用原始GAN進行數據生成時，生成的數據的輸出自由度過大，這使得生成的數據質量很差，使用該數據進行目標識別，識別效果并不可靠。

而采用LSGAN時，由于LSGAN容易發生模型坍塌，導致網絡生成的數據多樣性比較低，用這種生成的數據進行目標識別，識別效果也不可靠。

發明內容

本發明所要解決的問題是：提供一種基于改進的LSGAN和CNN的HRRP雷達目標識別方法，以解決上述背景技術提到的問題。實現在HRRP數據信噪比較低時也能有很好的識別效果，同時通過改進網絡，彌補原始GAN和LSGAN的不足。

本發明為解決上述問題所提供的技術方案為：一種基于改進的LSGAN和CNN的HRRP雷達目標識別方法，所述方法包括以下步驟，

S1、通過數據去噪模塊接收帶噪聲和干凈的HRRP數據，利用改進的LSGAN，生成高信噪比的HRRP數據；

S2、采用目標識別模塊接收HRRP數據，利用CNN進行目標識別，得到識別結果。

優選的，所述干凈的HRRP數據是使用電磁仿真手段對五種飛機仿真得到的，該數據不含噪聲；含噪聲的HRRP數據是在仿真數據中添加高斯噪聲得到的，通過調節參數來控制噪聲數據的信噪比。

優選的，所述數據去噪模塊由一個改進的LSGAN構成，這個改進的LSGAN由判別網絡和生成網絡組成，兩個網絡進行對抗訓練，利用低信噪比的HRRP數據生成與干凈HRRP數據接近的HRRP數據，提高了HRRP數據的信噪比。

優選的，所述目標識別模塊是由一個CNN構成的，HRRP數據輸入到這個CNN中訓練，得到識別率。

優選的，所述改進的LSGAN判別網絡包括：

依次相連，第一層為含有256個神經元的全連接層，第二層為只含有1個神經元的全連接層。

優選的，所述改進的LSGAN生成網絡包括：依次相連第一層為含有256個神經元的全連接層，第二層為只含有128個神經元的全連接層。

優選的，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個神經元的全連接層，第六層為含有1024個神經元的全連接層，第七層為含有5個神經元的全連接層，第八層為softmax層。