CN110033043B - 基于条件生成式对抗网络的雷达一维距离像拒判方法 - Google Patents

Abstract

本发明公开了一种基于条件生成式对抗网络的雷达一维距离像拒判方法，包括如下步骤：S1：对原始HRRP样本集进行预处理；S2：搭建模型：在TensorFlow平台上搭建条件生成式对抗网络，根据网络特点设计优化目标函数；S3：调参训练：每一帧都按相同步骤训练出一个判别器，使用所述优化目标函数进行参数更新；S4：用训练好的模型在测试样本集上进行测试：从每一帧训练集所训练出的条件生成式判别网络中分别提取出判别器进行测试，对判别器设置相应阈值，若测试样本经过所有判别器的输出都小于阈值，则对该测试样本进行拒判。

Description

基于条件生成式对抗网络的雷达一维距离像拒判方法

技术领域

本发明属于雷达一维距离像拒判领域，具体是用于雷达HRRP样本拒判的网络是基于生成式对抗网络构建。

背景技术

雷达是一种无线电探测电子设备，它通过无线电波的后向散射回波来发现目标并测定其空间方位、大小以及形状等信息。由于具有全天时、全天候以及探测距离远等优势，雷达成为探测战场周围环境的重要工具，在军事领域中具有举足轻重的作用，这一背景下，雷达自动目标识别技术作为雷达应用的重要方向便应运而生了。但在传统HRRP自动目标识别***的研究背景中，待识别目标通常具有完备的训练样本库，并且该样本库涵盖了测试HRRP出现的所有可能性。然而在实际战场环境下，我们的识别对象通常是非合作目标和敌对目标，这些目标所能构建的目标库往往不完备，有可能接收到的HRRP来自于我们之前从未观测到的目标。并且，雷达收到的HRRP回波有可能源于敌方的无源干扰和有源干扰，如在不明空情领域中，HRRP回波有可能来自加装了角散射器的空飘球或敌方装载的可调制并发射自身接收到的雷达波形的有源射频电路。甚至，接收到的HRRP回波有可能是因为大气状况、杂波剩余及目标回波多径反射等各种因素造成。当有别于构建的目标库内所有目标的新目标的测试样本出现时，将其简单粗暴地直接判别为目标库内的任一类样本是不正确的，有可能会导致判断决策失误，带来灾难性的严重后果。此时最合理地做法是将该库外目标的测试样本拒判，以备后续处理。许多传统方法在解决库外目标拒判问题时，通常直接将这一问题作为识别模型的延伸，直接测试拒判能力。然而拒判和识别所对应的优化目标不一致，一个识别能力很强的模型其拒判效果并不一定好，反之亦然。在雷达HRRP目标识别领域，库外目标拒判能力是评价分类器性能的一项重要指标。如何构建一个既具备很好的识别性能又具备良好的拒判能力的目标识别***是当前亟待解决的一个关键问题。

发明内容

为解决上述背景介绍中出现的具体问题，本发明针对传统HRRP识别模型中拒判模块的不足，从模型的拒判能力本身着手，提出了一种基于条件生成式对抗网络的拒判方法。

为实现上述目的，本发明包括以下步骤：

S1：对原始HRRP样本集进行预处理。为了能对HRRP样本有效的搭建模型，我们需要针对样本集的强度敏感性和样本不平衡问题，对样本集进行强度归一化、样本对齐、均匀分帧处理。

S2：搭建模型。在TensorFlow平台上搭建条件生成式对抗网络，根据网络的特点设计优化目标函数。

S3：调参训练。每一帧都按相同步骤训练出一个判别器，使用S2中设计的优化目标函数进行参数更新，最终实现网络的良好拒判性能。

S4：用训练好的模型在测试样本集上进行测试。从每一帧训练集所训练出的条件生成式判别网络中分别提取出判别器进行测试，对判别器设置相应阈值，若测试样本经过所有判别器的输出都小于阈值，则对该测试样本进行拒判。

优选地，所述S1详细步骤为：

S1.1：强度归一化。对样本集{x¹,x²,...,xⁿ}中的每一个HRRP样本

进行归一化操作：

其中

是第j个HRRP样本中的第i维特征，||·||₂是求二范数操作。

S1.2：样本对齐。对样本集{x¹,x²,...,xⁿ}中的每一个HRRP样本

进行对齐操作，采用质心对齐公式

计算并取整得到一个质心特征的位置，对样本进行平移，直到将这个特征移到中心处。

S1.3：均匀分帧。将经过S2.1和S2.2处理后的每一类训练样本集都进行均匀分帧。在训练过程中以帧为单位，即每一帧训练出一个拒判网络。

优选地，所述S2详细步骤为：

S2.1：条件生成式对抗网络介绍。CGAN由两个部分组成：一部分是生成器G，生成器依据随机噪声输入和所给的HRRP各帧的平均距离像生成伪造样本；另一部分是判别器D，判别器用于判定输入的样本和标签组成的数据对是否真实并可互相对应，本发明中用到的标签是样本的平均距离像。网络内部结构和卷积神经网络类似，输入样本会被卷积层、池化层、全连接层进行处理，需要优化的参数有每一层的权重和偏置。

S2.2生成器G和判别器D的实现目标。在模型中，生成器G和判别器D有不同的实现目标，生成器G的实现目标是尽可能生成可以骗过判别器D的样本，再和真实HRRP样本标签相反的标签组成数据对，最后送入判别器D并让它错误判断。而判别器D的目标是尽可能正确识别出真实的HRRP样本标签组成的数据对。即最终要实现的是一个由生成器G和判别器D共同组成的一个最小最大化目标函数V(G,D)。目标函数V(G,D)为:

其中E[·]表示求期望操作,其下标x～p_data(x)表示样本x抽样于真实的数据集，z～p_z(z)表示样本z抽样于随机分布p_z(z)。y表示需要用到的条件，本发明中用到的条件是每一帧HRRP样本的平均距离像，D(·|y)表示括号内样本在给定y的条件下为真实样本的概率。G(z|y)表示给定条件y的前提下生成的样本。

优选地，所述S3详细步骤为：

S3.1初始化第k帧生成器G^k的参数θ_g，初始化判别器D^k的参数θ_d。整个训练过程一共迭代T次，以下为每一轮迭代过程中的训练步骤。

S3.2固定生成器G^k的参数，训练判别器D^k。

S3.2.1从第k帧中共计r个训练样本集中取样出l个样本X＝{x¹,x²,...,x^l}，X∈R^{l ×m}，其中

从一个标准分布p_prior(z)中取样出l个样本Z＝{z¹,z²,...,z^l}，Z∈R^l×m，其中

S3.2.2一帧样本的平均距离像是由一帧中所有样本的每一维特征平均值组成的向量，记第k帧训练样本集的平均距离像为

其中

将l个平均距离像

与样本Z在维度列上进行拼接，即组成一个矩阵P₁送入生成器G^k，P₁∈R^l×2m。生成器G^k在给定

的条件下生成l个样本

其中

S3.2.3将样本X和

分别与l个平均距离像

在维度列上拼接成矩阵P₂，P₃，其中P₂,P₃∈R^l×2m，再将P₂，P₃在维度行上拼接成矩阵P，P∈R^2l×2m。拼接好的矩阵P作为判别器D的输入。

S3.2.4矩阵P输入进判别器D^k，模型的输出为一个长度为2l的向量，对向量进行切片操作，前l维为对l个真实样本X的预测结果，将输出记为y_X；后l维为对l个虚假样本，即

的预测结果，将输出记为

y_X、

中的数值大小映射到对l个真实样本和l个虚假样本真实与否的概率判断，即数值越靠近1则样本在判别器D^k看来就越真实。目标函数为

将y_X中的值带入

中的值带入

进行计算，通过梯度上升更新参数：

训练判别器D^k迭代K次。

S3.3固定判别器D^k的参数，训练生成器G^k。

S3.3.1从一个随机分布p_prior(z)中取样出另一组样本{z¹,z²,...,z^l}，其中

与l个平均距离像

在维度列上拼接后送进生成器G^k。

S3.3.2生成器G^k输出l个虚假样本

进行和3.2.3相同的处理后再输入进固定好参数的D^k。目标函数为

因判别器D^k的参数已被固定，故目标函数为

即在这部分训练中只需用到G^k输出的

通过梯度下降更新参数

训练生成器G^k迭代一次。

优选地，所述S4详细步骤为：

S4.1提取出已完成上述训练的条件生成式对抗网络中的判别器，设置拒判的阈值。

S4.2进行HRRP样本测试。用一个虚假样本分别和每一帧的平均距离像拼接起来组成输入样本，分别输入到所有判别器中，当所有判别器的输出结果都小于阈值时，对样本进行拒判。

附图说明

图1是基于条件生成式对抗网络发明的雷达一维距离像拒判方法的步骤流程图。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1所示，本发明的基于条件生成式对抗网络发明的雷达一维距离像拒判方法的步骤流程图，具体实施步骤如下：

数据采集及预处理阶段：

S1:将采集好的数据集进行分类，对所有类别中的每一个HRRP样本

都进行强度归一化处理。

强度归一化公式：

其中

是第j个HRRP样本中的第i维特征，||·||₂是求二范数操作。

第j个HRRP样本中的第i维特征，m是单个样本的特征维数。

完成上述归一化处理后的HRRP样本再进行对齐处理。

对齐公式：

单个样本带进公式中计算出质心特征点的位置，对样本进行平移操作，直到把质心特征点移到样本的中心位置，即

处。

完成上述归一化、对齐处理的所有类别样本集再进行类内均匀分帧。本发明将1024个HRRP样本分为一帧。在后续处理中，以帧为单位，用单独一帧的数据集训练网络。

S2：网络结构和卷积神经网络类似，即生成器和判别器都由卷积层、池化层、全连接层组成，卷积层的输出会由ReLU函数进行激活，全连接层中会用到dropout处理。生成器和判别器的优化目标不同，两个优化目标在不断对抗，在这个对抗过程中，判别器会逐渐强大，即在判别真实样本时输出更大的值，在判别虚假目标即生成器生成的目标时输出更小的值。根据生成器和判别器不同的优化目标，本发明中设计的优化目标函数为

从目标函数可以看出，经过参数不断迭代，真实样本经过判别器的输出会逐渐靠近1，虚假目标即生成器产生的样本经过判别器的输出会逐渐靠近0。

网络使用Adam优化器，它可以动态调整每个参数的学***稳。

给网络设置初始学习速率、batch_size、迭代次数等一系列参数，梯度下降算法实现参数不断微调，从而模型不断收敛，最终达到理想的效果。

S3:条件生成式对抗网络训练中的每一次参数迭代都分为两部分：1、固定生成器的参数，优化判别器的参数，这个过程会持续多次。2、固定判别器的参数，优化生成器的参数，这个过程只需进行一次。每一帧的训练都按相同步骤进行，用第k帧样本训练第k个网络的具体步骤为：

S3.1整个网络迭代T轮，每一轮迭代中判别器D^k迭代K次，即更新K次判别器D^k的参数，再将判别器D^k的参数进行固定并更新一次生成器G^k的参数。

S3.1初始化生成器G^k的参数θ_g，初始化判别器D^k的参数θ_d。整个训练过程一共迭代T轮，以下为每一轮迭代过程中的训练步骤。

S3.2固定生成器G^k的参数，训练判别器D^k，每次输入一个batch的训练样本。

S3.2.1从第k帧中共计r个训练样本中取出l个样本X＝{x¹,x²,...,x^l}，X∈R^l×m，其中

从一个随机分布p_prior(z)中取样出l个样本Z＝{z¹,z²,...,z^l}，Z∈R^l×m，其中

S3.2.2记第k帧训练样本集的平均距离像为

其中

将l个平均距离像

与样本Z在维度列上进行拼接，即组成一个矩阵P₁送入生成器G^k，P₁∈R^l×2m。生成器G^k在给定

的条件下生成l个样本

其中

S3.2.3将样本X和

分别与l个平均距离像

在维度列上拼接成矩阵P₂，P₃，其中P₂,P₃∈R^l×2m，再将P₂，P₃在维度行上拼接成矩阵P，P∈R^2l×2m。拼接好的矩阵P作为判别器D^k的输入。

S3.2.4矩阵P输入进判别器D^k，模型计算后的输出为一个长度为2l的向量，其中的数值大小代表判别器对样本的真假判断，对向量进行切片操作，前l维为对l个真实样本X的预测结果，记为y_X，后l维为对l个虚假样本，即

的预测结果，记为

目标函数为

将y_X中的值带进

中的值带进

进行计算，得到

的值。具体实施中，在目标函数前加上负号，即通过梯度下降更新参数：

S3.3固定判别器D^k的参数，训练生成器G^k。

S3.3.1从一个随机分布p_prior(z)中取样出另一组样本{z¹,z²,...,z^l}，其中

与l个平均距离像

在维度列上拼接后送进生成器G^k。

S3.3.2生成器G^k输出l个虚假样本

进行和S3.2.3相同的处理后再输入进固定好参数的D^k。目标函数为

因判别器D^k的参数已被固定，故目标函数为

即在这部分训练中只需用到G^k输出的

通过梯度下降更新参数

测试阶段：

S4.1：将所有已训练完成的判别器的拒判阈值都设置为0.3。被测试的样本通过判别器输出一个0～1的值，映射到样本真实与否的概率判断，即数值越靠近1则样本在判别器看来就越真实，反之样本在判别器看来就越虚假，即不属于真实样本。

S4.2：进行HRRP样本测试。取一个样本

分别和每一帧的平均距离像拼接起来组成输入样本，轮流输入进完成训练的判别器，若经过判别器判别后的输出都小于0.3，对该样本进行拒判，即判断该样本不属于已有数据集中的任一类。

Claims (5)

1.一种基于条件生成式对抗网络的雷达一维距离像拒判方法，包括如下步骤：

S1：对原始HRRP样本集进行预处理；

S2：搭建模型：在TensorFlow平台上搭建条件生成式对抗网络，根据网络特点设计优化目标函数；

S3：调参训练：每一帧都按相同步骤训练出一个判别器，使用所述优化目标函数进行参数更新；

S4：用训练好的模型在测试样本集上进行测试：从每一帧训练集所训练出的条件生成式判别网络中分别提取出判别器进行测试，对判别器设置相应阈值，若测试样本经过所有判别器的输出都小于阈值，则对该测试样本进行拒判。

2.如权利要求1所述的基于条件生成式对抗网络的雷达一维距离像拒判方法，其特征在于，所述S1具体步骤为：m是单个样本的特征维数

S1.1：强度归一化，对样本集{x¹,x²,...,xⁿ}中的每一个HRRP样本

进行归一化操作：

其中

是第j个HRRP样本中的第i维特征，||·||₂是求二范数操作；

S1.2：样本对齐，对样本集{x¹,x²,...,xⁿ}中的每一个HRRP样本

进行对齐操作，采用质心对齐公式

计算并取整得到一个质心特征的位置，对样本进行平移，直到将这个特征移到中心处；

S1.3：均匀分帧，将经过S2.1和S2.2处理后的每一类训练样本集都进行均匀分帧；在训练过程中以帧为单位，即每一帧训练出一个拒判网络。

3.如权利要求2所述的基于条件生成式对抗网络的雷达一维距离像拒判方法，其特征在于，所述S2具体步骤为：

S2.1：条件生成式对抗网络CGAN由两个部分组成：一部分是生成器G，生成器G依据随机噪声输入和所给的HRRP各帧的平均距离像生成伪造样本；另一部分是判别器D，判别器D用于判定输入的样本和标签组成的数据对是否真实并可互相对应；

S2.2构建由生成器G和判别器D共同组成的最小最大化目标函数V(G,D)，目标函数V(G,D)为:

其中E[·]表示求期望操作,其下标x～p_data(x)表示样本x抽样于真实的数据集，z～p_z(z)表示样本z抽样于随机分布p_z(z)；y表示需要用到的条件，本发明中用到的条件是每一帧HRRP样本的平均距离像，D(·|y)表示括号内样本在给定y的条件下为真实样本的概率；G(z|y)表示给定条件y的前提下生成的样本。

4.如权利要求3所述的基于条件生成式对抗网络的雷达一维距离像拒判方法，其特征在于，所述S3具体步骤为：

S3.1初始化第k帧生成器G^k的参数θ_g，初始化判别器D^k的参数θ_d；整个训练过程一共迭代T次，以下为每一轮迭代过程中的训练步骤；

S3.2固定生成器G^k的参数，训练判别器D^k；

S3.2.1从第k帧中共计r个训练样本集中取样出l个样本X＝{x ¹ ,x ² ,...,x ^l }，X∈R ^l×m ，其中

从一个标准分布p_prior(z)中取样出l个样本Z＝{z ¹ , z ² ,...,z ^l }，Z∈R ^l×m ，其中

(j＝1,2,...,l)；

S3.2.2一帧样本的平均距离像是由一帧中所有样本的每一维特征平均值组成的向量，记第k帧训练样本集的平均距离像为

其中

将l个平均距离像

与样本Z在维度列上进行拼接，即组成一个矩阵P₁送入生成器G^k，P₁∈R ^l×2m ；生成器G^k在给定

的条件下生成l个样本

其中

S3.2.3将样本X和

分别与l个平均距离像

在维度列上拼接成矩阵P₂，P₃，其中P₂,P₃∈R ^l×2m ，再将P₂，P₃在维度行上拼接成矩阵P，P∈R ^2l×2m ；拼接好的矩阵P作为判别器D的输入；

S3.2.4矩阵P输入进判别器D^k，模型的输出为一个长度为2l的向量，对向量进行切片操作，前l维为对l个真实样本X的预测结果，将输出记为y_X；后l维为对l个虚假样本，即

的预测结果，将输出记为

y_X、

中的数值大小映射到对l个真实样本和l个虚假样本真实与否的概率判断；目标函数为

将y_X中的值带入

中的值带入

进行计算，通过梯度上升更新参数：

训练判别器D^k迭代K次；

S3.3固定判别器D^k的参数，训练生成器G^k；

S3.3.1从一个随机分布p_prior(z)中取样出另一组样本{z ¹ ,z ² ,...,z ^l }，其中

与l个平均距离像

在维度列上拼接后送进生成器G^k；

S3.3.2生成器G^k输出l个虚假样本

进行和S3.2.3相同的处理后再输入进固定好参数的D^k；目标函数为

因判别器D^k的参数已被固定，故目标函数为

即在这部分训练中只需用到G^k输出的

通过梯度下降更新参数

训练生成器G^k迭代一次。

5.如权利要求4所述的基于条件生成式对抗网络的雷达一维距离像拒判方法，其特征在于，所述S4具体步骤为：

S4.1提取出已完成上述训练的条件生成式对抗网络中的判别器，设置拒判的阈值；

S4.2进行HRRP样本测试：用一个虚假样本分别和每一帧的平均距离像拼接起来组成输入样本，分别输入到所有判别器中，当所有判别器的输出结果都小于阈值时，对样本进行拒判。

Images