目标RCS数据的重构方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术涉及目标电磁计算技术领域，特别涉及一种目标RCS数据的重构方法、装置、电子设备及存储介质。方法包括：获取待测目标的特征参数；其中，所述特征参数包括几何参数和极化方式；将随机噪声和所述待测目标的特征参数输入预先训练好的RCS重构模型中，得到所述待测目标的RCS数据；其中，所述RCS重构模型是基于训练样本目标的特征参数和RCS数据对信息最大化生成对抗网络进行训练得到的，所述训练样本目标是对基准目标进行电磁散射机理分析得到的，所述随机噪声为预设范围内的估计值。本发明专利技术方法重构出的目标RCS数据质量较高。法重构出的目标RCS数据质量较高。法重构出的目标RCS数据质量较高。

【技术实现步骤摘要】
目标RCS数据的重构方法、装置、电子设备及存储介质


[0001]本专利技术涉及目标电磁计算
，特别涉及一种目标RCS数据的重构方法、装置、电子设备及存储介质。

技术介绍

[0002]雷达散射截面(Radar Cross Section，RCS)是描述雷达目标电磁散射特性的重要参数，其在雷达系统设计等领域具有重要意义。
[0003]相关技术中，已经出现基于训练样本目标的特征参数和RCS数据对神经网络模型进行训练，然后利用训练好的网络模型重构待测目标RCS数据的方法。但相关方法中训练样本目标的选取缺乏统一标准，导致利用该训练样本目标的RCS数据训练出的网络模型不易收敛且训练出来的网络模型质量较差，因此，利用该网络模型重构出的RCS数据质量不高。
[0004]因此，目前亟待需要一种目标RCS数据的重构方法、装置、电子设备及存储介质来解决上述问题。

技术实现思路

[0005]基于上述问题，本专利技术提供了一种目标RCS数据的重构方法、装置、电子设备及存储介质，重构出的目标RCS数据质量较高。
[0006]第一方面，本专利技术实施例提供了一种目标RCS数据的重构方法，包括：
[0007]获取待测目标的特征参数；其中，所述特征参数包括几何参数和极化方式；
[0008]将随机噪声和所述待测目标的特征参数输入预先训练好的RCS重构模型中，得到所述待测目标的RCS数据；其中，所述RCS重构模型是基于训练样本目标的特征参数和RCS数据对信息最大化生成对抗网络进行训练得到的，所述训练样本目标是对基准目标进行电磁散射机理分析得到的，所述随机噪声为预设范围内的估计值。
[0009]在一种可能的设计中，对基准目标进行电磁散射机理分析，得到所述训练样本目标的方法为：
[0010]利用射线弹跳追踪法确定所述基准目标中的不同散射结构；
[0011]针对每一个散射结构，均执行：对当前散射结构的几何尺寸进行参数化处理并进行电磁散射计算，得到当前散射结构的RCS数据；
[0012]对每个所述散射结构的RCS数据的贡献度进行排序，将贡献度最大的预设个数的散射结构作为关键散射结构；
[0013]改变所述关键散射结构的几何参数，得到多个不同尺寸的训练样本目标。
[0014]在一种可能的设计中，所述利用射线弹跳追踪法确定所述基准目标中的不同散射结构，包括：
[0015]将所述基准目标的几何模型划分为若干个网格子区，其中，每个所述网格子区对应所述基准目标中的一个曲面；
[0016]针对每一个所述网格子区，均利用SBR算法追踪当前网格子区中的每一根射线，得
到所有射线的路径和电磁场，以确定各个网格子区之间的耦合关系；
[0017]根据所述耦合关系，将各个网格子区与其产生关系的射线进行关联，得到射线子集；
[0018]根据所述射线子集与每个所述网格子区的归属关系，确定所述基准目标中的不同散射结构。
[0019]在一种可能的设计中，所述训练样本目标的RCS数据是对所述训练样本目标的几何模型进行网格剖分以及高频电磁建模计算得到的。
[0020]在一种可能的设计中，所述信息最大化生成对抗网络包括生成网络、真伪判别网络和类别判别网络；
[0021]所述生成网络的输入为随机噪声和目标的特征参数，输出为所述目标的伪RCS数据；
[0022]所述真伪判别网络的输入为所述伪RCS数据和目标的真实RCS数据，输出为输入的数据为真或假；其中，真代表输入的数据为真实RCS数据，假代表输入的数据为伪RCS数据；
[0023]所述类别判别网络的输入为所述伪RCS数据或目标的真实RCS数据，输出为与所述生成网络输入的特征参数相关的第一特征参数，所述第一特征参数用于指导所述生成网络生成预设的RCS数据。
[0024]在一种可能的设计中，所述信息最大化生成对抗网络的目标函数为：
[0025][0026]其中，
[0027]I(c,G(z,c))＝H(c)
‑
H(c|G(z,c))；
[0028]MSE(c1,q
c1
)＝E[k(c
‑
q
c1
)
T
(c
‑
q
c1
)k
T
]；
[0029]loss(c2,q
c2
)＝E[
‑
c2*log(q
c2
)
‑
(1
‑
c2)*log(1
‑
q
c2
)]；
[0030]式中，G表示所述生成网络，D表示所述真伪判别网络，Q表示所述类别判别网络，I表示互信息，MSE表示加权均方误差，loss表示二分类交叉熵损失函数，V表示生成对抗网络的原始目标函数，V1表示所述信息最大化生成对抗网络的目标函数，H表示信息熵，E表示期望，T表示转置矩阵，λ和k为可调整权重，c表示特征参数，c1表示几何参数，c2表示极化方式，z表示随机噪声，q
c1
表示与c1相关的几何参数，q
c2
表示与c2相关的极化方式。
[0031]在一种可能的设计中，基于训练样本目标的特征参数和RCS数据对信息最大化生成对抗网络进行训练，包括：
[0032]固定所述生成网络的模型参数，利用所述训练样本目标的RCS数据和所述生成网络生成的伪RCS数据对所述真伪判别网络和所述类别判别网络进行训练；
[0033]在所述真伪判别网络和所述类别判别网络训练完成后，固定所述真伪判别网络和所述类别判别网络的模型参数，对所述生成网络进行训练，直至所述真伪判别网络无法判别所述生成网络生成数据的真假。
[0034]第二方面，本专利技术实施例还提供了一种目标RCS数据的重构装置，包括：
[0035]获取模块，用于获取待测目标的特征参数；其中，所述特征参数包括几何参数和极化方式；
[0036]输入模块，用于将随机噪声和所述待测目标的特征参数输入预先训练好的RCS重
构模型中，得到所述待测目标的RCS数据；其中，所述RCS重构模型是基于训练样本目标的特征参数和RCS数据对信息最大化生成对抗网络进行训练得到的，所述训练样本目标是对基准目标进行电磁散射机理分析得到的，所述随机噪声为预设范围内的估计值。
[0037]第三方面，本专利技术实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的方法。
[0038]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。
[0039]本专利技术实施例中，由于训练样本目标是基于对基准目标进行电磁散射机理分析得到的，因此训练样本目标的几何模型更加准确全面，由此获得的训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标RCS数据的重构方法，其特征在于，包括：获取待测目标的特征参数；其中，所述特征参数包括几何参数和极化方式；将随机噪声和所述待测目标的特征参数输入预先训练好的RCS重构模型中，得到所述待测目标的RCS数据；其中，所述RCS重构模型是基于训练样本目标的特征参数和RCS数据对信息最大化生成对抗网络进行训练得到的，所述训练样本目标是对基准目标进行电磁散射机理分析得到的，所述随机噪声为预设范围内的估计值。2.根据权利要求1所述的方法，其特征在于，对基准目标进行电磁散射机理分析，得到所述训练样本目标的方法为：利用射线弹跳追踪法确定所述基准目标中的不同散射结构；针对每一个散射结构，均执行：对当前散射结构的几何尺寸进行参数化处理并进行电磁散射计算，得到当前散射结构的RCS数据；对每个所述散射结构的RCS数据的贡献度进行排序，将贡献度最大的预设个数的散射结构作为关键散射结构；改变所述关键散射结构的几何参数，得到多个不同尺寸的训练样本目标。3.根据权利要求2所述的方法，其特征在于，所述利用射线弹跳追踪法确定所述基准目标中的不同散射结构，包括：将所述基准目标的几何模型划分为若干个网格子区，其中，每个所述网格子区对应所述基准目标中的一个曲面；针对每一个所述网格子区，均利用SBR算法追踪当前网格子区中的每一根射线，得到所有射线的路径和电磁场，以确定各个网格子区之间的耦合关系；根据所述耦合关系，将各个网格子区与其产生关系的射线进行关联，得到射线子集；根据所述射线子集与每个所述网格子区的归属关系，确定所述基准目标中的不同散射结构。4.根据权利要求1所述的方法，其特征在于，所述训练样本目标的RCS数据是对所述训练样本目标的几何模型进行网格剖分以及高频电磁建模计算得到的。5.根据权利要求1所述的方法，其特征在于，所述信息最大化生成对抗网络包括生成网络、真伪判别网络和类别判别网络；所述生成网络的输入为随机噪声和目标的特征参数，输出为所述目标的伪RCS数据；所述真伪判别网络的输入为所述伪RCS数据和目标的真实RCS数据，输出为输入的数据为真或假；其中，真代表输入的数据为真实RCS数据，假代表输入的数据为伪RCS数据；所述类别判别网络的输入为所述伪RCS数据或目标的真实RCS数据，输出为与所述生成网络输入的特征参数相关的第一特征参数，所述第一特征参数用于指导所述生成网络生成预设的RCS数据。6.根据权利要求5所述的方法，其特征在于，所述信息最大化生成对抗网络的目标函数为：其中，
I(c,G(z,c))＝H(c)
‑
H(c|G(z,c))；MSE(c1,q
c1<...

【专利技术属性】
技术研发人员：任要，党训旺，王超，
申请(专利权)人：北京环境特性研究所，
类型：发明
国别省市：