[發明專利]基于GAN和自注意力的雷達高分辨距離像降噪識別方法

在審

• 申請號: 202111592204.5
• 申請日: 2021-12-23
• 公開（公告）號: CN114428234A
• 公開（公告）日: 2022-05-03
• 發明（設計）人: 白雪茹;韓夏欣;劉瀟丹;王力;周峰
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G01S7/41
• 分類號: G01S7/41;G01S13/89;G06N3/04;G06N3/08
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華

本發明公開了一種基于GAN和自注意力的雷達高分辨距離像降噪識別方法，主要解決現有雷達高分辨距離像降噪識別技術中將可分性強的特征當作噪聲消除，且無法提取遠距離依賴信息的問題。其實現方案為：1)獲取目標雷達回波，生成訓練樣本集和測試樣本集；2)構建由生成器、判別器和識別器構成的基于GAN和自注意力的雷達高分辨距離像降噪識別網絡；3)利用訓練樣本集采用反向傳播算法對2)構建的降噪識別網絡進行訓練；4)將測試樣本集輸入到訓練好的雷達高分辨距離像降噪識別網絡中，得到雷達高分辨距離像降噪與識別結果。本發明提高了低信噪比環境下的目標識別率，可用于實現低信噪比環境下飛機、衛星目標的識別。

技術領域

本發明屬于目標識別技術領域，更進一步涉及一種端到端的雷達高分辨距離像HRRP降噪與目標識別方法，可用于實現低信噪比環境下飛機、衛星等目標的特征提取與識別。

背景技術

目標高分辨距離像HRRP是用寬帶雷達信號獲取的目標散射點子回波在雷達視線方向投影的矢量和的幅度波形，它包含了目標尺寸、結構、散射點分布這些重要信息，高分辨距離像HRRP識別是雷達自動目標識別RATR領域的重要研究方向。在實際應用場景中，目標的HRRP中包含噪聲，噪聲的存在會干擾特征提取過程，從而影響目標識別結果。

針對含噪HRRP，現有目標識別方法大致采用以下三種方案：

1)直接進行識別，不對包含噪聲的HRRP做特殊處理，將其輸入針對無噪HRRP建立的目標識別模型，給出識別結果，此類方法步驟簡單，但適配性較低，識別性能較差；

2)提取穩健特征，根據HRRP的物理特性，提取HRRP的噪聲穩健特征，如復數雷達信號的雙譜特征、目標主要散射中心的散射系數和位置等，進而依據這些特征設計分類器進行目標識別，但此類方法需要人工設計進行特征提取，當環境改變時性能受限；

3)先降噪再識別，分別構建降噪模型和識別模型，先使用降噪模型對含噪HRRP進行降噪，生成高信噪比的HRRP，再使用識別模型對高信噪比的HRRP進行特征提取與識別，此類方法可以利用多種已知的識別模型，但識別結果無法指導降噪過程，從而可能使降噪過程丟失有效識別特征。

C.Zhao,X.He,J.Liang,T.Wang,C.Huang，在其發表的論文“Radar HRRP targetrecognition via semi-supervised multi-task deep network”(IEEE Access，2019)中針對低信噪比環境下HRRP目標識別問題，提出一種半監督多任務識別框架，包含DUBDNet和RSRNet兩種模型，分別實現低信噪比HRRP的降噪與識別，將含噪的HRRP輸入DUBDNet，得到降噪后的HRRP，再使用RSRNet完成目標識別。但是這種方法先訓練降噪模型，再訓練識別模型，兩個過程互不影響，可能存在部分可分性強的特征在降噪過程中被當作噪聲消除，進而影響識別率的問題。

J.Nie,Y.Xiao,L.Huang,F.Lv，在其發表的論文“Time-Frequency Analysis andTarget Recognition of HRRP”(2021，Complexity)中提出一種基于CN-LSGAN、STFT和CNN的識別方法，CN-LSGAN用于對低信噪比的HRRP進行降噪，使用STFT對降噪后的HRRP進行變換，得到能夠同時表示信號時域與頻域信息的二維時頻圖，再使用CNN對二維時頻圖進行特征提取，進而得到目標識別結果。但是這種方法同樣將降噪和識別兩個過程分開處理，并不是端到端模型，依然存在部分可分性強的特征被當作噪聲消除的問題。

近年來，深度學習被廣泛應用于基于HRRP的自動目標識別ATR中，此類方法通過數據驅動進行特征提取，獲得了優良的識別性能，在雷達目標識別研究中受到廣泛關注。

現有基于深度學習的特征提取方法大致可采用以下幾種方案：

1)自編碼器