CN112784930A - 基于cacgan的hrrp识别数据库样本扩充方法 - Google Patents
基于cacgan的hrrp识别数据库样本扩充方法 Download PDFInfo
- Publication number
- CN112784930A CN112784930A CN202110283773.5A CN202110283773A CN112784930A CN 112784930 A CN112784930 A CN 112784930A CN 202110283773 A CN202110283773 A CN 202110283773A CN 112784930 A CN112784930 A CN 112784930A
- Authority
- CN
- China
- Prior art keywords
- sample
- cacgan
- network
- generated
- samples
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 40
- 230000005484 gravity Effects 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 13
- 238000004088 simulation Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 8
- 230000008034 disappearance Effects 0.000 description 5
- 238000004880 explosion Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000010008 shearing Methods 0.000 description 3
- 230000003042 antagnostic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于CACGAN的HRRP识别数据库样本扩充方法,实现的步骤为:(1)生成训练集;(2)构建CACGAN网络;(3)生成样本集;(4)训练CACGAN网络;(5)计算CACGAN网络的损失值;(6)对识别数据库进行扩充。本发明构建由生成器、判别器和辅助分类器组成的CACGAN网络,将训练集和生成样本集中的每个样本与对应的类别标签拼接后作为CACGAN网络中判别器的输入,设置含有梯度惩罚项的CACGAN网络中判别器的损失函数,从而实现高质量的HRRP样本生成,利用生成的HRRP样本实现识别数据库的样本扩充,提升分类***的识别性能。
Description
技术领域
本发明属于雷达技术领域,更进一步涉及雷达目标识别技术领域中的一种基于条件辅助分类生成对抗网络CACGAN(Conditional Auxiliary Classifier GenerativeAdversarial Networks)的雷达高分辨距离像HRRP(High Resolution Range Profile)识别数据库样本扩充方法。本发明可用于飞机、车辆等目标的识别***中,对HRRP识别数据库进行样本扩充,达到提升分类器的识别性能和泛化能力的目的。
背景技术
HRRP包含雷达目标丰富的结构和特征信息,并具有易于获取、存储和处理等优点,对雷达目标识别与分类十分有价值,它已成为雷达自动目标识别领域研究的热点。但是对于先进的敌方非合作目标,雷达很难检测并持续跟踪目标,因此难以获得足够的HRRP样本建立目标的HRRP识别数据库。使用HRRP识别数据库中的样本训练识别***时,由于输入识别***的HRRP样本数较少,识别***提取的特征可能无法代表目标的本质特性,影响分类***的识别性能和泛化能力。
司进修在其发表的论文“基于深度学习的雷达一维距离像目标识别方法研究与实现”(电子科技大学硕士学位论文2019年6月)中公开了一种基于条件Wasserstein生成对抗网络CWGAN(Conditional Wasserstein Generative Adversarial Networks)的HRRP识别数据库样本扩充方法。该方法首先对获取的HRRP数据进行数据预处理并划分训练集和测试集。然后构建由生成器和判别器两个模块组成的CWGAN网络结构。再设计生成器和判别器的损失函数,采用权值剪切的方法优化判别模块的损失函数。最后利用CWGAN网络生成HRRP数据对原始数据集进行数据增强。该方法存在的不足之处是,采用权值剪切的方法优化CWAGN中判别器的损失函数会导致判别器出现梯度***或者梯度消失的情况,CWGAN网络生成的HRRP数据的质量较差。
南昌航空大学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 Adversarial Networks)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***的识别性能较低。
发明内容
本发明的目的是针对上述现有技术的不足,提出一种基于CACGAN的HRRP识别数据库样本扩充方法,用于解决利用CWGAN网络进行HRRP识别数据库样本扩充时,CWGAN网络中判别器出现梯度***或者梯度消失的情况,生成的HRRP数据的质量较差,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,利用LSGAN网络进行HRRP识别数据库样本扩充时,在识别样本库样本数少的情况下,生成数据的质量较差,进行识别数据库样本扩充后训练的分类***识别性能较低的问题。
实现本发明目的的思路是:首先,设置含有梯度惩罚项的CACGAN网络中判别器的损失函数,对判别器的梯度范围进行限制,使得本发明进行网络训练时,判别器的训练的过程更加稳定性,不会出现梯度***或者梯度消失的情况,提升网络生成数据的质量,对识别数据库进行样本扩充后,提升了分类***的识别性能。其次,将训练集和生成样本集中的每个样本与对应的类别标签拼接后作为CACGAN网络中判别器和生成器的输入,提供给判别器样本的类别标签信息,使得本发明在识别样本库样本数少的情况下,网络对数据的特征提取和特征选择偏差减小,网络生成数据的质量也比较高,对识别数据库进行样本扩充后,提升了分类***的识别性能。
本发明的具体步骤如下:
(1)生成训练集:
(1a)提取雷达回波在雷达视线上沿着距离维的幅度信息中至少一个类别、P个HRRP样本组成识别数据库,50≤P≤5000;
(1b)对识别数据库中每个样本依次进行二范数归一化、重心对齐和设置类别标签处理,将处理后的所有样本组成训练集;
(2)构建CACGAN网络:
(2a)搭建一个由两个隐藏层串联组成的生成器;将隐藏层的节点数目分别设置为64、128;
(2b)搭建一个由两个隐藏层串联组成的判别器;将隐藏层的节点数目分别设置为128、64;
(2c)搭建一个由第一卷积层,第二卷积层,第三卷积层,全连接层组成的辅助分类器;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,全连接层的节点数目设置为64;
(2d)将生成器、判别器和辅助分类器组成CACGAN网络;
(3)生成样本集:
(3a)从正态分布中随机产生M个噪声样本,从[1,V]中随机产生N个类别标签,将M个噪声样本与N个类别标签依次拼接后输入到CACGAN网络的生成器中,输出生成样本集,其中,V表示训练集中类别标签的总数,M、N和P的取值相等;
(3b)将生成样本集中的每个样本与对应的类别标签依次拼接后得到生成样本标签集,将训练集中的每个样本与对应的类别标签拼接后得到真实样本标签集;
(3c)对生成样本集和训练集进行随机插值采样,得到随机插值采样样本集;
(4)训练CACGAN网络:
(4a)将生成样本集和训练集输入到CACGAN网络的辅助分类器中,输出每个样本被分类为各类别标签的概率;
(4b)将生成样本标签集和真实样本标签集输入到CACGAN网络的判别器中,输出每个样本被判断为真实样本的概率;
(5)计算CACGAN网络的损失值:
(5a)按照下式设置含有梯度惩罚项的CACGAN网络的判别器的损失函数,计算当前迭代时CACGAN网络中判别器的损失值:
其中,表示第z次迭代时CACGAN网络中判别器的损失值,A表示生成样本标签集中样本的总数,Σ表示求和操作,a表示生成样本标签集中样本的序号,D(·)表示输入判别器的样本被判断为真实样本的概率,表示生成样本标签集中第a个样本,B表示真实样本标签集中样本的总数,b表示真实样本标签集中样本的序号,表示真实样本标签集中第b个样本,H表示随机插值采样样本集中样本的总数,h表示随机插值采样样本集中样本的序号,λ表示用于调节梯度惩罚项和判断数据真假比重的权重因子,||·||2表示求二范数操作,表示求梯度操作,表示随机插值采样样本集中第h个样本;
(5b)按照下式,计算当前迭代时CACGAN网络中生成器的损失值:
其中,表示第z次迭代时CACGAN网络中生成器的损失函数,R表示生成样本标签集中样本的总数,r表示生成样本标签集中样本的序号,D'(·)表示输入判别器的样本被判断为真实样本的概率,表示生成样本标签集中第r个样本,T表示生成样本集中样本的总数,t表示生成样本集中样本的序号,Q表示生成样本集中类别标签的总数,q表示生成样本集中类别标签的序号,wt表示生成样本集中第t个样本的类别标签,ln(·)表示以自然常数e为底的对数操作,表示生成样本集中第t个样本,C(q)(·)表示输入辅助分类器的样本被分类为第q个类别标签的概率;
(5c)利用交叉熵损失函数计算当前迭代时CACGAN网络的辅助分类器的损失值;
(5d)利用随机梯度下降方法,用当前迭代时CACGAN网络中依次更新CACGAN网络中判别器、辅助分类器和生成器的参数;
(5e)判断CACGAN网络中判别器的损失值、生成器的损失值、辅助分类器的损失值是否均小于0.0001,若是,则得到训练好的CACGAN网络,执行步骤(6),否则,执行步骤(3);
(6)对识别数据库进行扩充:
(6a)从正态分布中随机产生与步骤(1b)生成的训练集中类别标签个数相等的噪声样本,将噪声样本与类别标签拼接后输入到训练好的CACGAN网络的生成器中,输出生成目标样本集;
(6b)将生成目标样本集添加进识别数据库中,完成识别数据库的样本扩充。
本发明与现有技术相比较具有以下优点:
第一,由于本发明设置了一个含有梯度惩罚项的CACGAN网络中判别器的损失函数,克服了现有技术采用权值剪切的方法优化判别器的损失函数导致判别器出现梯度***或者梯度消失的情况,导致生成的HRRP数据的质量较差的问题,使得本发明的CACGAN网络中判别器训练过程更加稳定,不会出现梯度***或者梯度消失的情况。
第二,由于本发明将训练集和生成样本集中的每个样本与对应的类别标签拼接后作为CACGAN网络中判别器的输入,克服了现有技术在HRRP识别数据库样本数较小的情况下,网络对数据的特征提取和特征选择偏差较大,导致生成数据的质量较差,影响后续分类***的识别性能的问题,使得本发明在识别数据库样本数比较小的情况下,网络对数据的特征提取和特征选择偏差减小,可以生成质量较高的HRRP数据。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合附图1对本发明的具体步骤做进一步的详细描述。
步骤1.生成训练集。
提取雷达回波在雷达视线上沿着距离维的幅度信息中至少一个类别、P个HRRP样本组成识别数据库,50≤P≤5000。
对识别数据库中每个样本依次进行二范数归一化、重心对齐和设置类别标签处理,将处理后的所有样本组成训练集。
所述的二范数归一化处理如下:
按照下式,对识别数据库中每个样本进行二范数归一化处理:
其中,xi'表示二范数归一化处理后的识别数据库中的第i个样本,xi表示识别数据库中的第i个样本。
所述的重心对齐处理如下:
按照下式,对二范数归一化处理后的识别数据库中的每个样本进行重心对齐处理:
其中,xk”表示重心对齐处理后的识别数据库中的第k个样本,IFFT(·)表示逆快速傅里叶变换操作,FFT(·)表示快速傅里叶变换操作,e(·)表示以自然常数e为底的指数操作,j表示虚数单位符号,φ(·)表示求相位操作,Wk表示二范数归一化处理后识别数据库中第k个样本的重心,Sk表示二范数归一化处理后的识别数据库中第k个样本的中心,lk表示二范数归一化处理后的识别数据库中第k个样本的重心与中心之间的相对距离。
所述的设置类别标签处理如下:
分别将重心对齐处理后的识别数据库中类别序号为1的每个样本的标签记为y1,将类别序号为2的每个样本的标签记为y2,…,将类别序号为U的每个样本的标签记为yU,y1取值为1,y2取值为2,…,yU取值为U,U表示识别数据库集中类别标签的总数。
步骤2.构建CACGAN网络。
搭建一个由两个隐藏层串联组成的生成器;将隐藏层的节点数目分别设置为64、128。
搭建一个由两个隐藏层串联组成的判别器;将隐藏层的节点数目分别设置为128、64。
搭建一个由第一卷积层,第二卷积层,第三卷积层,全连接层组成的辅助分类器;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,全连接层的节点数目设置为64。
将生成器、判别器和辅助分类器组成CACGAN网络。
步骤3.生成样本集。
从正态分布中随机产生M个噪声样本,从[1,V]中随机产生N个类别标签,将M个噪声样本与N个类别标签依次拼接后输入到CACGAN网络的生成器中,输出生成样本集,其中,V表示训练集中类别标签的总数,M、N和P的取值相等。
将生成样本集中的每个样本与对应的类别标签依次拼接后得到生成样本标签集,将训练集中的每个样本与对应的类别标签拼接后得到真实样本标签集。
对生成样本集和训练集进行随机插值采样,得到随机插值采样样本集。
所述的对生成样本集和训练集进行随机插值采样的步骤如下:
第1步,按照下式,计算每个随机插值采样样本:
第2步,将所有的随机插值采样样本组成随机插值采样样本集。
步骤4.训练CACGAN网络。
将生成样本集和训练集输入到CACGAN网络的辅助分类器中,输出每个样本被分类为各类别标签的概率。
将生成样本标签集和真实样本标签集输入到CACGAN网络的判别器中,输出每个样本被判断为真实样本的概率。
步骤5.计算CACGAN网络的损失值。
按照下式设置含有梯度惩罚项的CACGAN网络的判别器的损失函数,计算当前迭代时CACGAN网络中判别器的损失值:
其中,表示第z次迭代时CACGAN网络中判别器的损失值,A表示生成样本标签集中样本的总数,Σ表示求和操作,a表示生成样本标签集中样本的序号,D(·)表示输入判别器的样本被判断为真实样本的概率,表示生成样本标签集中第a个样本,B表示真实样本标签集中样本的总数,b表示真实样本标签集中样本的序号,表示真实样本标签集中第b个样本,H表示随机插值采样样本集中样本的总数,h表示随机插值采样样本集中样本的序号,λ表示用于调节梯度惩罚项和判断数据真假比重的权重因子,||·||2表示求二范数操作,表示求梯度操作,表示随机插值采样样本集中第h个样本。
按照下式,计算当前迭代时CACGAN网络中生成器的损失值:
其中,表示第z次迭代时CACGAN网络中生成器的损失函数,R表示生成样本标签集中样本的总数,r表示生成样本标签集中样本的序号,D'(·)表示输入判别器的样本被判断为真实样本的概率,表示生成样本标签集中第r个样本,T表示生成样本集中样本的总数,t表示生成样本集中样本的序号,Q表示生成样本集中类别标签的总数,q表示生成样本集中类别标签的序号,wt表示生成样本集中第t个样本的类别标签,ln(·)表示以自然常数e为底的对数操作,表示生成样本集中第t个样本,C(q)(·)表示输入辅助分类器的样本被分类为第q个类别标签的概率。
利用交叉熵损失函数计算当前迭代时CACGAN网络的辅助分类器的损失值。
利用随机梯度下降方法,用当前迭代时CACGAN网络中判别器的损失值、辅助分类器的损失值、生成器的损失值依次更新CACGAN网络中判别器、辅助分类器和生成器的参数。
判断CACGAN网络中判别器的损失值、生成器的损失值、辅助分类器的损失值是否均小于0.0001,若是,则得到训练好的CACGAN网络,执行步骤6,否则,执行步骤3。
步骤6.对识别数据库进行扩充。
从正态分布中随机产生与步骤1生成的训练集中类别标签个数相等的噪声样本,将噪声样本与类别标签拼接后输入到训练好的CACGAN网络的生成器中,输出生成目标样本集。
将生成目标样本集添加进识别数据库中,完成识别数据库的样本扩充。
下面结合仿真实验对本发明的效果做进一步的说明:
1、仿真条件:
本发明的仿真实验的硬件平台为:Intel(R)Core(TM)i7-8700k CPU,处理器的主频率为3.20GHz,内存16GB。
本发明的仿真实验的软件平台为:Windows 10操作***、Python 3.5。
2、仿真内容与结果分析:
本发明的仿真实验1是利用本发明和现有技术的基于辅助分类生成对抗网络ACGAN的识别数据库样本扩充方法,分别生成HRRP数据,利用生成的HRRP数据对识别数据库中的样本进行扩充,得到本发明扩充后的识别数据库和ACGAN扩充后的识别数据库。
下面通过构建CNN分类器识别***,验证本发明扩充后的识别数据库和ACGAN扩充后的识别数据库的HRRP样本的质量。将采用本发明方法扩充后的识别数据库的样本和采用ACGAN方法扩充后的识别数据库的样本,分别输入到CNN分类器识别***中,得到两个训练好的CNN分类器。将本发明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。
在仿真实验中所采用的一个现有技术基于辅助分类生成对抗网络ACGAN的识别数据库样本扩充方法是指,Augustus Odena等人在“Odena A,Olah C,Shlens J.ConditionalImage Synthesis With Auxiliary Classifier GANs[J].2016.”中提出的辅助分类生成对抗网络数据生成方法。该方法可以用于生成HRRP数据,将生成的HRRP数据添加进识别数据库中,完成识别数据库的样本扩充。简称基于ACGAN的识别数据库样本扩充方法。
本发明的仿真实验中所用的识别数据库和训练集均为3类飞机的HRRP实测数据,3类飞机型号分别为雅克42,奖状,安26。其中,识别数据库含有第1类HRRP数据250个,第2类HRRP数据250个,第3类HRRP数据175个。测试样本集含有第1类HRRP数据2000个,第2类HRRP数据2000个,第3类HRRP数据1200个。每个HRRP样本均包含256个距离单元。
本发明的仿真实验1是利用本发明和现有技术的基于ACGAN的识别数据库样本扩充方法分别生成HRRP数据得到本发明生成数据集和ACGAN生成数据集,两个生成数据集均包含第1类HRRP数据250个,第2类HRRP数据250个,第3类HRRP数据175个。然后使用本发明生成数据集和ACGAN生成数据集完成识别数据库的样本扩充,获得本发明扩充后的识别数据库和ACGAN扩充后的识别数据库。
搭建一个四层的CNN分类器识别***,其结构依次为第一卷积层,第二卷积层,第三卷积层,全连接层。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,全连接层的节点数目设置为64,输入维度为256,输出维度为3。
将扩充后的识别数据库、ACGAN扩充后的识别数据库,分别输入到CNN分类器中,经过500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,扩充后的识别数据库HRRP样本的质量越好。
上述两个目标识别准确率的结果如表1所示。
表1.目标识别率准确率一览表
识别数据库类别 | 识别率(%) |
ACGAN扩充后的识别数据库 | 87.90 |
本发明扩充后的识别数据库 | 90.79 |
由表1的仿真结果可见,本发明进行识别数据库样本扩充后训练的CNN的识别性能优于现有方法进行识别数据库样本扩充后训练的CNN的识别性能。这表明本发明生成的HRRP样本质量较高,生成的HRRP对识别数据库进行样本扩充后训练的CNN的分类***的识别性能更高。
Claims (5)
1.一种基于CACGAN的HRRP识别数据库样本扩充方法,其特征在于,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对抗网络CACGAN网络,将训练集和生成样本集中的每个样本与对应的类别标签拼接后作为CACGAN网络中判别器的输入,设置含有梯度惩罚项的CACGAN网络中判别器的损失函数,该方法的步骤包括如下:
(1)生成训练集:
(1a)提取雷达回波在雷达视线上沿着距离维的幅度信息中至少一个类别、P个HRRP样本组成识别数据库,50≤P≤5000;
(1b)对识别数据库中每个样本依次进行二范数归一化、重心对齐和设置类别标签处理,将处理后的所有样本组成训练集;
(2)构建CACGAN网络:
(2a)搭建一个由两个隐藏层串联组成的生成器;将隐藏层的节点数目分别设置为64、128;
(2b)搭建一个由两个隐藏层串联组成的判别器;将隐藏层的节点数目分别设置为128、64;
(2c)搭建一个由第一卷积层,第二卷积层,第三卷积层,全连接层组成的辅助分类器;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,全连接层的节点数目设置为64;
(2d)将生成器、判别器和辅助分类器组成CACGAN网络;
(3)生成样本集:
(3a)从正态分布中随机产生M个噪声样本,从[1,V]中随机产生N个类别标签,将M个噪声样本与N个类别标签依次拼接后输入到CACGAN网络的生成器中,输出生成样本集,其中,V表示训练集中类别标签的总数,M、N和P的取值相等;
(3b)将生成样本集中的每个样本与对应的类别标签依次拼接后得到生成样本标签集,将训练集中的每个样本与对应的类别标签拼接后得到真实样本标签集;
(3c)对生成样本集和训练集进行随机插值采样,得到随机插值采样样本集;
(4)训练CACGAN网络:
(4a)将生成样本集和训练集输入到CACGAN网络的辅助分类器中,输出每个样本被分类为各类别标签的概率;
(4b)将生成样本标签集和真实样本标签集输入到CACGAN网络的判别器中,输出每个样本被判断为真实样本的概率;
(5)计算CACGAN网络的损失值:
(5a)按照下式设置含有梯度惩罚项的CACGAN网络的判别器的损失函数,计算当前迭代时CACGAN网络中判别器的损失值:
其中,表示第z次迭代时CACGAN网络中判别器的损失值,A表示生成样本标签集中样本的总数,Σ表示求和操作,a表示生成样本标签集中样本的序号,D(·)表示输入判别器的样本被判断为真实样本的概率,表示生成样本标签集中第a个样本,B表示真实样本标签集中样本的总数,b表示真实样本标签集中样本的序号,表示真实样本标签集中第b个样本,H表示随机插值采样样本集中样本的总数,h表示随机插值采样样本集中样本的序号,λ表示用于调节梯度惩罚项和判断数据真假比重的权重因子,||·||2表示求二范数操作,表示求梯度操作,表示随机插值采样样本集中第h个样本;
(5b)按照下式,计算当前迭代时CACGAN网络中生成器的损失值:
其中,表示第z次迭代时CACGAN网络中生成器的损失函数,R表示生成样本标签集中样本的总数,r表示生成样本标签集中样本的序号,D'(·)表示输入判别器的样本被判断为真实样本的概率,表示生成样本标签集中第r个样本,T表示生成样本集中样本的总数,t表示生成样本集中样本的序号,Q表示生成样本集中类别标签的总数,q表示生成样本集中类别标签的序号,wt表示生成样本集中第t个样本的类别标签,ln(·)表示以自然常数e为底的对数操作,表示生成样本集中第t个样本,C(q)(·)表示输入辅助分类器的样本被分类为第q个类别标签的概率;
(5c)利用交叉熵损失函数计算当前迭代时CACGAN网络的辅助分类器的损失值;
(5d)利用随机梯度下降方法,用当前迭代时CACGAN网络中判别器的损失值、辅助分类器的损失值、生成器的损失值依次更新CACGAN网络中判别器、辅助分类器和生成器的参数;
(5e)判断CACGAN网络中判别器的损失值、生成器的损失值、辅助分类器的损失值是否均小于0.0001,若是,则得到训练好的CACGAN网络,执行步骤(6),否则,执行步骤(3);
(6)对识别数据库进行扩充:
(6a)从正态分布中随机产生与步骤(1b)生成的训练集中类别标签个数相等的噪声样本,将噪声样本与类别标签拼接后输入到训练好的CACGAN网络的生成器中,输出生成目标样本集;
(6b)将生成目标样本集添加进识别数据库中,完成识别数据库的样本扩充。
3.根据权利要求1所述的基于CACGAN的HRRP识别数据库样本扩充方法,其特征在于:步骤(1b)中所述的重心对齐处理如下:
按照下式,对二范数归一化处理后的识别数据库的每个样本进行重心对齐处理:
其中,xk”表示重心对齐处理后的识别数据库中的第k个样本,IFFT(·)表示逆快速傅里叶变换操作,FFT(·)表示快速傅里叶变换操作,e(·)表示以自然常数e为底的指数操作,j表示虚数单位符号,φ(·)表示求相位操作,Wk表示二范数归一化处理后的识别数据库中第k个样本的重心,Sk表示二范数归一化处理后的识别数据库中第k个样本的中心,lk表示二范数归一化处理后的识别数据库中第k个样本的重心与中心之间的相对距离。
4.根据权利要求1所述的基于CACGAN的HRRP识别数据库样本扩充方法,其特征在于:步骤(1b)中所述的设置类别标签处理如下:
分别将重心对齐处理后的识别数据库中类别序号为1的每个样本的标签记为y1,将类别序号为2的每个样本的标签记为y2,…,将类别序号为U的每个样本的标签记为yU,y1取值为1,y2取值为2,…,yU取值为U,U表示识别数据库中类别标签的总数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110283773.5A CN112784930B (zh) | 2021-03-17 | 2021-03-17 | 基于cacgan的hrrp识别数据库样本扩充方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110283773.5A CN112784930B (zh) | 2021-03-17 | 2021-03-17 | 基于cacgan的hrrp识别数据库样本扩充方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112784930A true CN112784930A (zh) | 2021-05-11 |
CN112784930B CN112784930B (zh) | 2022-03-04 |
Family
ID=75762637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110283773.5A Active CN112784930B (zh) | 2021-03-17 | 2021-03-17 | 基于cacgan的hrrp识别数据库样本扩充方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784930B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486917A (zh) * | 2021-05-17 | 2021-10-08 | 西安电子科技大学 | 一种基于度量学习的雷达hrrp小样本目标识别方法 |
CN113947146A (zh) * | 2021-10-15 | 2022-01-18 | 北京百度网讯科技有限公司 | 样本数据生成方法、模型训练方法、图像检测方法及装置 |
CN114176549A (zh) * | 2021-12-23 | 2022-03-15 | 杭州电子科技大学 | 基于生成式对抗网络的胎心率信号数据增强方法和装置 |
CN114373089A (zh) * | 2022-01-13 | 2022-04-19 | 上海汉时信息科技有限公司 | 货架商品自主聚类识别方法及装置 |
CN114530250A (zh) * | 2022-04-24 | 2022-05-24 | 广东工业大学 | 基于数据增强的可穿戴血糖检测方法、***及存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334904A (zh) * | 2018-02-07 | 2018-07-27 | 深圳市唯特视科技有限公司 | 一种基于统一生成对抗网络的多域图像转换技术 |
CN108470187A (zh) * | 2018-02-26 | 2018-08-31 | 华南理工大学 | 一种基于扩充训练数据集的类别不平衡问题分类方法 |
CN109376574A (zh) * | 2018-08-14 | 2019-02-22 | 西安电子科技大学 | 基于cnn的可拒判雷达hrrp目标识别方法 |
CN109389080A (zh) * | 2018-09-30 | 2019-02-26 | 西安电子科技大学 | 基于半监督wgan-gp的高光谱图像分类方法 |
CN109918999A (zh) * | 2019-01-22 | 2019-06-21 | 西安交通大学 | 一种小样本数据下基于生成模型的机械设备故障智能诊断方法 |
CN109934282A (zh) * | 2019-03-08 | 2019-06-25 | 哈尔滨工程大学 | 一种基于sagan样本扩充和辅助信息的sar目标分类方法 |
CN109948693A (zh) * | 2019-03-18 | 2019-06-28 | 西安电子科技大学 | 基于超像素样本扩充和生成对抗网络高光谱图像分类方法 |
CN110097103A (zh) * | 2019-04-22 | 2019-08-06 | 西安电子科技大学 | 基于生成对抗网络的半监督图像分类方法 |
CN110110745A (zh) * | 2019-03-29 | 2019-08-09 | 上海海事大学 | 基于生成对抗网络的半监督x光图像自动标注 |
CN110197514A (zh) * | 2019-06-13 | 2019-09-03 | 南京农业大学 | 一种基于生成式对抗网络的蘑菇表型图像生成方法 |
CN110348330A (zh) * | 2019-06-24 | 2019-10-18 | 电子科技大学 | 基于vae-acgan的人脸姿态虚拟视图生成方法 |
CN111191709A (zh) * | 2019-12-25 | 2020-05-22 | 清华大学 | 深度神经网络的持续学习框架及持续学习方法 |
CN111814875A (zh) * | 2020-07-08 | 2020-10-23 | 西安电子科技大学 | 基于样式生成对抗网络的红外图像中舰船样本扩充方法 |
CN112052893A (zh) * | 2020-09-01 | 2020-12-08 | 西安电子科技大学 | 基于生成对抗网络的半监督图像分类方法 |
CN112230210A (zh) * | 2020-09-09 | 2021-01-15 | 南昌航空大学 | 一种基于改进的lsgan和cnn的hrrp雷达目标识别方法 |
-
2021
- 2021-03-17 CN CN202110283773.5A patent/CN112784930B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334904A (zh) * | 2018-02-07 | 2018-07-27 | 深圳市唯特视科技有限公司 | 一种基于统一生成对抗网络的多域图像转换技术 |
CN108470187A (zh) * | 2018-02-26 | 2018-08-31 | 华南理工大学 | 一种基于扩充训练数据集的类别不平衡问题分类方法 |
CN109376574A (zh) * | 2018-08-14 | 2019-02-22 | 西安电子科技大学 | 基于cnn的可拒判雷达hrrp目标识别方法 |
CN109389080A (zh) * | 2018-09-30 | 2019-02-26 | 西安电子科技大学 | 基于半监督wgan-gp的高光谱图像分类方法 |
CN109918999A (zh) * | 2019-01-22 | 2019-06-21 | 西安交通大学 | 一种小样本数据下基于生成模型的机械设备故障智能诊断方法 |
CN109934282A (zh) * | 2019-03-08 | 2019-06-25 | 哈尔滨工程大学 | 一种基于sagan样本扩充和辅助信息的sar目标分类方法 |
CN109948693A (zh) * | 2019-03-18 | 2019-06-28 | 西安电子科技大学 | 基于超像素样本扩充和生成对抗网络高光谱图像分类方法 |
CN110110745A (zh) * | 2019-03-29 | 2019-08-09 | 上海海事大学 | 基于生成对抗网络的半监督x光图像自动标注 |
CN110097103A (zh) * | 2019-04-22 | 2019-08-06 | 西安电子科技大学 | 基于生成对抗网络的半监督图像分类方法 |
CN110197514A (zh) * | 2019-06-13 | 2019-09-03 | 南京农业大学 | 一种基于生成式对抗网络的蘑菇表型图像生成方法 |
CN110348330A (zh) * | 2019-06-24 | 2019-10-18 | 电子科技大学 | 基于vae-acgan的人脸姿态虚拟视图生成方法 |
CN111191709A (zh) * | 2019-12-25 | 2020-05-22 | 清华大学 | 深度神经网络的持续学习框架及持续学习方法 |
CN111814875A (zh) * | 2020-07-08 | 2020-10-23 | 西安电子科技大学 | 基于样式生成对抗网络的红外图像中舰船样本扩充方法 |
CN112052893A (zh) * | 2020-09-01 | 2020-12-08 | 西安电子科技大学 | 基于生成对抗网络的半监督图像分类方法 |
CN112230210A (zh) * | 2020-09-09 | 2021-01-15 | 南昌航空大学 | 一种基于改进的lsgan和cnn的hrrp雷达目标识别方法 |
Non-Patent Citations (4)
Title |
---|
HAILI XU等: "《A method of establishing template database for high resolution radar target identification》", 《2008 IEEE RADAR CONFERENCE》 * |
KAITAV MEHTA等: "《Data Augmentation using CA Evolved GANs》", 《2019 IEEE SYMPOSIUM ON COMPUTERS AND COMMUNICATIONS (ISCC)》 * |
司进修: "《基于深度学习的雷达一维距离像目标识别方法研究与实现》", 《中国优秀硕士学位论文全文数据库 社会科学Ⅰ辑》 * |
疏颖等: "《结合自监督学习和生成对抗网络的小样本人脸属性识别》", 《中国图象图形学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486917A (zh) * | 2021-05-17 | 2021-10-08 | 西安电子科技大学 | 一种基于度量学习的雷达hrrp小样本目标识别方法 |
CN113486917B (zh) * | 2021-05-17 | 2023-06-02 | 西安电子科技大学 | 一种基于度量学习的雷达hrrp小样本目标识别方法 |
CN113947146A (zh) * | 2021-10-15 | 2022-01-18 | 北京百度网讯科技有限公司 | 样本数据生成方法、模型训练方法、图像检测方法及装置 |
CN114176549A (zh) * | 2021-12-23 | 2022-03-15 | 杭州电子科技大学 | 基于生成式对抗网络的胎心率信号数据增强方法和装置 |
CN114176549B (zh) * | 2021-12-23 | 2024-04-16 | 杭州电子科技大学 | 基于生成式对抗网络的胎心率信号数据增强方法和装置 |
CN114373089A (zh) * | 2022-01-13 | 2022-04-19 | 上海汉时信息科技有限公司 | 货架商品自主聚类识别方法及装置 |
CN114530250A (zh) * | 2022-04-24 | 2022-05-24 | 广东工业大学 | 基于数据增强的可穿戴血糖检测方法、***及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112784930B (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112784930B (zh) | 基于cacgan的hrrp识别数据库样本扩充方法 | |
CN109376574B (zh) | 基于cnn的可拒判雷达hrrp目标识别方法 | |
US11282295B2 (en) | Image feature acquisition | |
JP6855091B2 (ja) | ニューラルネットワーク学習に利用されるオートラベリングされたイメージのうちでラベル検収のためのサンプルイメージを取得する方法、及びそれを利用したサンプルイメージ取得装置 | |
EP3690740A1 (en) | Method for optimizing hyperparameters of auto-labeling device which auto-labels training images for use in deep learning network to analyze images with high precision, and optimizing device using the same | |
Hammer et al. | A seismic‐event spotting system for volcano fast‐response systems | |
US10579907B1 (en) | Method for automatically evaluating labeling reliability of training images for use in deep learning network to analyze images, and reliability-evaluating device using the same | |
CN110532932B (zh) | 一种多分量雷达信号脉内调制方式识别方法 | |
CN110348384B (zh) | 一种基于特征融合的小目标车辆属性识别方法 | |
CN112946600B (zh) | 基于wgan-gp的雷达hrrp数据库构建方法 | |
CN112904299B (zh) | 基于深层类内***的雷达高分辨距离像开集目标识别方法 | |
CN111596292B (zh) | 基于重要性网络和双向堆叠循环神经网络的雷达目标识别方法 | |
CN112965062A (zh) | 基于lstm-dam网络的雷达距离像目标识别方法 | |
CN113298138B (zh) | 一种雷达辐射源个体识别方法及*** | |
CN112489689B (zh) | 基于多尺度差异对抗的跨数据库语音情感识别方法及装置 | |
KR101158750B1 (ko) | 문서분류장치 및 그것의 문서분류방법 | |
CN113239959A (zh) | 基于解耦表征变分自编码机的雷达hrrp目标识别方法 | |
CN116682015A (zh) | 一种基于特征解耦的跨域小样本雷达一维像目标识别方法 | |
CN112990279B (zh) | 基于自动编码器的雷达高分辨距离像库外目标拒判方法 | |
CN114492540B (zh) | 目标检测模型的训练方法、装置、计算机设备及存储介质 | |
CN114818845A (zh) | 一种噪声稳健的高分辨距离像特征选择方法 | |
CN113095265A (zh) | 基于特征融合和注意力的真菌目标检测方法 | |
Govalkar et al. | Siamese Network based Pulse and Signal Attribute Identification | |
CN116522133A (zh) | 基于sacgan模型的hrrp样本生成方法 | |
CN111858925B (zh) | 电信网络诈骗事件的剧本提取方法以及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |