一种基于改进的LSGAN和CNN的HRRP雷达目标识别方法技术

本发明专利技术公开了一种基于改进的LSGAN和CNN的HRRP雷达目标识别方法，所述方法包括以下步骤，S1、通过数据去噪模块接收带噪声和干净的HRRP数据，利用改进的LSGAN，生成高信噪比的HRRP数据；S2、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。本发明专利技术能够实现在HRRP数据信噪比较低时也能有很好的识别效果，同时通过改进网络，弥补原始GAN和LSGAN的不足。

【技术实现步骤摘要】
一种基于改进的LSGAN和CNN的HRRP雷达目标识别方法
本专利技术涉及HRRP雷达目标识别
，具体涉及一种基于改进的LSGAN和CNN的HRRP雷达目标识别方法。
技术介绍
在HRRP数据无噪声的情况下，利用CNN进行目标识别，可以得到很好的识别效果。但是在实际应用场景中，很难采集完整的HRRP数据，且由于一些外部环境的干扰，获取的HRRP数据中会夹杂着一些噪声，这给目标识别增添了不小的困难。在这种情况下，仅采用CNN识别，识别效果有待提高。在上述背景下，可以考虑先用生成对抗网络(GenerativeAdversarialNetwork，GAN)提高HRRP数据的信噪比，再用CNN进行识别。但是传统GAN的训练存在许多问题，原始GAN在训练时容易出现梯度消失继而导致网络难以训练，而且，使用原始GAN进行数据生成时，生成的数据的输出自由度过大，这使得生成的数据质量很差，使用该数据进行目标识别，识别效果并不可靠。而采用LSGAN时，由于LSGAN容易发生模型坍塌，导致网络生成的数据多样性比较低，用这种生成的数据进行目标识别，识别效果也不可靠。
技术实现思路
本专利技术所要解决的问题是：提供一种基于改进的LSGAN和CNN的HRRP雷达目标识别方法，以解决上述
技术介绍
提到的问题。实现在HRRP数据信噪比较低时也能有很好的识别效果，同时通过改进网络，弥补原始GAN和LSGAN的不足。本专利技术为解决上述问题所提供的技术方案为：一种基于改进的LSGAN和CNN的HRRP雷达目标识别方法，所述方法包括以下步骤，S1、通过数据去噪模块接收带噪声和干净的HRRP数据，利用改进的LSGAN，生成高信噪比的HRRP数据；S2、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。优选的，所述干净的HRRP数据是使用电磁仿真手段对五种飞机仿真得到的，该数据不含噪声；含噪声的HRRP数据是在仿真数据中添加高斯噪声得到的，通过调节参数来控制噪声数据的信噪比。优选的，所述数据去噪模块由一个改进的LSGAN构成，这个改进的LSGAN由判别网络和生成网络组成，两个网络进行对抗训练，利用低信噪比的HRRP数据生成与干净HRRP数据接近的HRRP数据，提高了HRRP数据的信噪比。优选的，所述目标识别模块是由一个CNN构成的，HRRP数据输入到这个CNN中训练，得到识别率。优选的，所述改进的LSGAN判别网络包括：依次相连，第一层为含有256个神经元的全连接层，第二层为只含有1个神经元的全连接层。优选的，所述改进的LSGAN生成网络包括：依次相连第一层为含有256个神经元的全连接层，第二层为只含有128个神经元的全连接层。优选的，所述CNN包括：依次相连，第一层为含有64个输出的卷积层，第二层为最大池化层，第三层为含有128个输出的卷积层，第四层为最大池化层，第五层为含有1024个神经元的全连接层，第六层为含有1024个神经元的全连接层，第七层为含有5个神经元的全连接层，第八层为softmax层。优选的，所述改进的LSGAN是在LSGAN的损失函数上进行改进的，在判别网络和生成网络的损失函数上各添加一个惩罚项；判别网络上添加的惩罚项有效的避免网络出现模型坍塌，生成网络上添加的惩罚项则使得生成数据和干净数据更加接近；两个惩罚项为：第一个为判别网络上添加的惩罚项，第二个为生成网络上添加的惩罚项，改进的LSGAN损失函数为：其中，Pz(x)为含噪声HRRP数据分布函数，Pdata(x)为干净HRRP数据分布函数，D(x)，D(G(z)分别表示干净的和含噪声的HRRP数据通过判别网络得到的结果，表示上述两种数据组合通过判别网络得到的结果，λ1和λ2表示调节权重。优选的，所述CNN有三个全连接层，前两个全连接层后面都加上dropout层，使得这两个全连接层一定比例的神经元随机失活，可以有效的解决网络过拟合的问题。优选的，所述CNN使用的是一维卷积神经网络，卷积层使用一维卷积核，最大池化层使用一维池化核。与现有技术相比，本专利技术的优点是：本专利技术主要包括数据去噪和目标识别两个模块，其中数据去噪模块是由一个改进的LSGAN构成的，通过对LSGAN的改进，有效的解决了LSGAN容易出现模型坍塌、生成数据多样性低等问题，通过最小化生成的HRRP数据与干净的HRRP数据之间的均方距离，使生成的HRRP数据和干净的HRRP数据更加接近。将含噪声的HRRP数据通过数据去噪模块，可以生成与干净的HRRP数据接近的数据，提高了HRRP数据的信噪比。目标识别模块则是由一个CNN构成的，因为HRRP数据是一维数据，所以采用一维卷积神经网络，该网络中有两个神经元数目很多的全连接层，为避免网络产生过拟合，在这两个全连接层后面都加上dropout正则化，使全连接层一定比例的神经元失活，这样，CNN进行目标识别任务时，就能取得可靠的识别效果。上述两个模块都可以单独使用，数据去噪模块可以只参与数据去噪的工作，目标识别模块可以单独进行目标识别任务。但是当HRRP数据信噪比很低时，只使用目标识别模块，识别效果有待提高，此时将两个模块结合使用，识别效果显著增强。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本专利技术的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。图1为改进的LSGAN网络结构示意图，也就是本专利技术中描述的数据去噪模块的示意图。图2为CNN示意图，也就是本专利技术中描述的目标识别模块的示意图。图3为改进的LSGAN判别网络结构示意图图4为改进的LSGAN生成网络结构示意图图5为干净的和带噪声的HRRP数据图像图6为本专利技术中改进的LSGAN生成的HRRP数据图像图7为LSGAN生成的HRRP数据图像图8为本专利技术和仅用CNN识别的识别率曲线图。具体实施方式以下将配合附图及实施例来详细说明本专利技术的实施方式，借此对本专利技术如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。传统的HRRP雷达目标识别方法如CNN识别方法，在HRRP数据信噪比较高时，具有很好的识别效果，但是当HRRP数据的信噪比较低时，识别效果有待提高，可以考虑先用GAN提高HRRP数据的信噪比，然后再用CNN识别。因此本专利技术提出了一种基于改进的LSGAN和CNN的HRRP雷达目标识别方法，参见图1所示和图2所示，专利技术包括：图1所示的数据去噪模块，接收带噪声和干净的两种HRRP数据，利用改进的LSGAN，生成高信噪比的HRRP数据。具体的，改进的LSGAN由图3所示的判别网络和图4所示的生成网络组成。判别网络由两层结构组成，依次相连，第一层为含有256个神经元的全连接层，第二层为只含有1个神经元的全连接层；生成网络也由两层结构组成，依次相连，第一层为含有256个神经元的全连本文档来自技高网...

【技术保护点】
1.一种基于改进的LSGAN和CNN的HRRP雷达目标识别方法，其特征在于：所述方法包括以下步骤，/nS1、通过数据去噪模块接收带噪声和干净的HRRP数据，利用改进的LSGAN，生成高信噪比的HRRP数据；/nS2、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。/n

【技术特征摘要】
1.一种基于改进的LSGAN和CNN的HRRP雷达目标识别方法，其特征在于：所述方法包括以下步骤，
S1、通过数据去噪模块接收带噪声和干净的HRRP数据，利用改进的LSGAN，生成高信噪比的HRRP数据；
S2、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。


2.根据权利要求1所述的一种基于改进的LSGAN和CNN的HRRP雷达目标识别方法，其特征在于：所述干净的HRRP数据是使用电磁仿真手段对五种飞机仿真得到的，该数据不含噪声；含噪声的HRRP数据是在仿真数据中添加高斯噪声得到的，通过调节参数来控制噪声数据的信噪比。


3.根据权利要求1所述的一种基于改进的LSGAN和CNN的HRRP雷达目标识别方法，其特征在于：所述数据去噪模块由一个改进的LSGAN构成，这个改进的LSGAN由判别网络和生成网络组成，两个网络进行对抗训练，利用低信噪比的HRRP数据生成与干净HRRP数据接近的HRRP数据，提高了HRRP数据的信噪比。


4.根据权利要求1所述的一种基于改进的LSGAN和CNN的HRRP雷达目标识别方法，其特征在于：所述目标识别模块是由一个CNN构成的，HRRP数据输入到这个CNN中训练，得到识别率。


5.根据权利要求1所述的一种基于改进的LSGAN和CNN的HRRP雷达目标识别方法，其特征在于：所述改进的LSGAN判别网络包括：
依次相连，第一层为含有256个神经元的全连接层，第二层为只含有1个神经元的全连接层。


6.根据权利要求1所述的一种基于改进的LSGAN和CNN的HRRP雷达目标识别方法，其特征在于：所述改进的LSGAN生成网络包括：依次相连第一层为含有256个神经元的全连接层，第二层为只含有128个神经元的全连接层。...

【专利技术属性】
技术研发人员：肖永生，聂江华，黄丽贞，喻小龙，毛聪，孙成立，
申请(专利权)人：南昌航空大学，
类型：发明
国别省市：江西;36