基于散射中心模型的大样本训练数据生成方法技术

本发明专利技术公开了一种基于散射中心模型的大样本训练数据生成方法，一、初始化仿真参数，所述仿真参数包括雷达方位角、频率及接收角度；二、设置目标的几何参数，在对应的仿真参数下，计算目标体的散射场数据；三、利用遗传算法拟合各散射中心幅度值，得到含有尺寸信息和幅值信息的目标散射中心参数模型；四、通过改变仿真参数和几何参数得到更多对应的RCS与时频像，实现训练样本的扩充；本发明专利技术能够快速生成满足神经网络训练需求的大量的训练样本。满足神经网络训练需求的大量的训练样本。满足神经网络训练需求的大量的训练样本。

【技术实现步骤摘要】
基于散射中心模型的大样本训练数据生成方法


[0001]本专利技术属于电磁散射及应用的
，具体涉及一种基于散射中心模型的大样本训练数据生成方法。

技术介绍

[0002]近些年来，神经网络被广泛应用于计算机视觉、目标识别等领域，依靠其学习能力和非线性映射能力强的特点，通过自身训练的模型避免众多外部非确定性的干扰，在传统特征提取方法无法解决的问题中往往能取得良好的效果。
[0003]ISAR具有全天候、全天时的远距离观测能力，在各个领域上都有巨大的作用，基于时频变换的ISAR成像不仅可以获取高分辨率的清晰图像，而且可以从目标图像的一个时刻到另一个时刻的变化，对观察出目标精细的表征有更大的帮助。但采用数值法计算目标的散射数据借助专业的计算软件虽然操作简单，但对于ISAR像这种多频率多角度的计算耗时非常严重。近年来电磁散射应用领域与神经网络结合愈加紧密，训练神经网络需要大量的训练样本，传统的数值法计算自然无法满足大样本数量的训练要求。并且针对不同的角度、不同频率和尺寸下的目标数而言，需要手动输入角度、频率等参数，极大的增加了实验者的工作量，因此想要获得满足神经网络训练要求的充足的训练样本非常困难。

技术实现思路

[0004]有鉴于此，本专利技术提供了一种基于散射中心模型的大样本训练数据生成方法，能够快速生成满足神经网络训练需求的大量的训练样本。
[0005]实现本专利技术的技术方案如下：
[0006]一种基于散射中心模型的大样本训练数据生成方法，包括以下步骤：
[0007]步骤一、初始化仿真参数，所述仿真参数包括雷达方位角、频率及接收角度；
[0008]步骤二、设置目标的几何参数，在对应的仿真参数下，计算目标体的散射场数据；
[0009]步骤三、利用遗传算法拟合各散射中心幅度值，得到含有尺寸信息和幅值信息的目标散射中心参数模型；
[0010]步骤四、通过改变仿真参数和几何参数得到更多对应的RCS与时频像，实现训练样本的扩充。
[0011]进一步地，所述雷达方位角的范围为0
°
～180
°
。
[0012]进一步地，利用扩充后的训练样本对神经网络进行训练，得到用于目标识别和参数提取的神经网络模型。
[0013]进一步地，利用扩充后的训练样本对卷积神经网络进行训练，利用训练后的卷积神经网络进行目标识别。
[0014]进一步地，利用扩充后的训练样本对BP神经网络进行训练，利用训练后的BP神经网络进行参数提取。
[0015]有益效果：
[0016]1、相比于现有的通过数值法计算散射场数据的方法，本专利技术方法利用散射中心模型计算极大地减少了目标几何体散射场数据的计算时间。
[0017]2、本专利技术方法采用CNN网络提取目标时频图像中的特征，分辨目标类别，之后用BP网络反演得到典型结构目标的几何参数。本专利技术方法的泛用性和精度都得到了验证。与传统方法相比，本专利技术方法操作简单，节省计算资源，实现了在少量数据下的实现典型目标体目标的自动化识别和参数提取。
附图说明
[0018]图1为本专利技术方法的流程图。
[0019]图2为本专利技术实施例弹头目标的几何结构和散射中心分布，其中，(a)为烈火1弹头的几何结构；(b)为弹头目标的散射中心分布。
[0020]图3为本专利技术实施例弹头目标模型的时频像与全波法结果相比。(a)为全波法结果；(b)为模型仿真结果。
具体实施方式
[0021]下面结合附图并举实施例，对本专利技术进行详细描述。
[0022]如图1所示，本专利技术提供了一种基于散射中心模型的大样本训练数据生成方法，本专利技术利用参数化散射中心模型快速生成训练样本，对于目标而言，通过改变散射中心模型中的几何参数快速得到电场数据，进而生成对应的RCS、TFR图像库，满足大样本数据的需求，并可以通过改变频率、观测角度进一步丰富数据库。为更好地研究复杂目标体的相关散射性能提供了更加简洁的思路。
[0023]以弹头目标为例，结构如图2(a)所示。依据散射中心的位置分布特征可以分为分布型散射中心(DSC)(如平面、单曲面、长直棱边反射所形成)、局部型散射中心(LSC)(尖顶、小圆顶等绕射或反射所形成)，不同类型的散射中心其时频像特征也不同。弹头目标的散射中心分布如2(b)所示。
[0024]利用散射中心模型生成大样本训练数据的具体过程如下：
[0025]步骤一、初始化仿真参数，包括雷达方位角、频率及接收角度等；计算过程中可以固定数值也可以随机改变这些仿真参数。
[0026]步骤二、如图2(a)所示，设置烈火1弹头对应的几何参数：r0、r1、r2、h1、h2、h3，其中，r0为弹头顶部半径，r1为底座底面半径，r2为尖顶底面半径，h1、h2、h3分别为尖顶、柱身、底座的高。在对应的仿真参数下，计算目标体的散射场数据。
[0027]步骤三、使用遗传算法拟合各散射中心幅度值，得到含有尺寸信息和幅值信息的对应几何体散射中心参数模型。
[0028]步骤四、通过改变几何参数和仿真参数得到更多对应的RCS与时频像，扩充训练样本，进一步英语之后的目标识别或参数提取等。
[0029]本专利技术基于少量的散射场数据，实现散射中心建模，以烈火1弹头目标为例，散射中心模型可高精度地模拟散射场，模型模拟得到的散射场的时频像与全波法结果相比相关系数可以达到92％以上，可替代数值计算结果用作训练样本，对比结果如图3(a)和(b)所示。散射中心模型参数直接与目标的几何参数相关，通过改变散射中心的参数，可以快速得
到多种结构、不同尺寸的目标的大量训练数据，极大节约获得训练样本所需的计算资源和时间。
[0030]本专利技术实施例中雷达波频率为3GHz，雷达视角相对目标的变化范围为：φ＝0
‑
180
°
。通过少次数的迭代就具有很好的识别精度。同时为了验证CNN的识别有效性，对两种干扰情况下进行测试，分别为：改变雷达频率、加入白噪声。两种情况的识别效果统计如表1所示
[0031]表1改变频率、加入白噪声后的识别效果
[0032][0033]从上述数据可以得知，在不同频率的情况下，目标的识别效果几乎不受影响，因为改变频率对时频像特征而言仅为尺度缩放，图像特征并没有明显改变；在散射场数据中加入白噪声，在时频像中体现为斑点噪声，但信噪比SNR>15时，并不改变时频像特征的分布，因此虽然CNN的识别效果会有0.01
‑
0.05的降低，但整体来说不会对神经网络的识别造成过大的干扰。
[0034]除了目标识别之外，得到的大样本训练数据还可用在目标几何参数提取方面根据网络的效果来调整输入层节点、隐含层节点和输出层节点的个数。BP神经网络算法由数据的前向传播和误差的反向传播两个部分组成。前向传播是弹头的时频像从输入层传入，到达隐含层处理再传向输出层，如果输出的几何参数值与实际的参数有偏差，则将偏差沿着网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于散射中心模型的大样本训练数据生成方法，其特征在于，包括以下步骤：步骤一、初始化仿真参数，所述仿真参数包括雷达方位角、频率及接收角度；步骤二、设置目标的几何参数，在对应的仿真参数下，计算目标体的散射场数据；步骤三、利用遗传算法拟合各散射中心幅度值，得到含有尺寸信息和幅值信息的目标散射中心参数模型；步骤四、通过改变仿真参数和几何参数得到更多对应的RCS与时频像，实现训练样本的扩充。2.如权利要求1所述的一种基于散射中心模型的大样本训练数据生成方法，其特征在于，所述雷达方位角的范围为0
°
～18...

【专利技术属性】
技术研发人员：郭琨毅，盛新庆，罗宇航，杨明林，吴比翼，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：