基于AFGAN的雷达信号样本数据处理方法、目标识别方法及系统技术方案

本发明专利技术属于雷达信号处理技术领域，特别涉及一种基于AFGAN的雷达信号样本数据处理方法、目标识别方法及系统，通过构建用于雷达信号小样本数据增强处理的AFGAN对抗网络模型，其中，构建的对抗网络模型包含由卷积神经网络构成的生成器和由雷达信号样本数据中模糊函数等高线构建约束函数对生成信号质量进行约束的判别器；并针对雷达信号小样本数据，利用AFGAN对抗网络模型来生成雷达信号伪造样本数据，并将该伪造样本数据与小样本数据进行混合，得到用于雷达信号目标识别中模型训练的样本总数据。本发明专利技术能够对小样本信号进行有效地深层特征提取和样本数据增强，产生大量高质量雷达信号生成样本，大大降低了样本数据不均衡程度，明显提高雷达信号整体识别概率。明显提高雷达信号整体识别概率。明显提高雷达信号整体识别概率。

【技术实现步骤摘要】
基于AFGAN的雷达信号样本数据处理方法、目标识别方法及系统


[0001]本专利技术属于雷达信号处理
，特别涉及一种基于AFGAN的雷达信号样本数据处理方法、目标识别方法及系统。

技术介绍

[0002]随着无线电技术的发展，雷达信号识别(Radar Signal Recognition，RSR)成为目标定位、电磁波探测的重要组成部分。由于应用场所中电磁环境日益复杂，各种新式复杂调制雷达信号不断出现，导致基于脉冲描述字的传统雷达识别方法准确率较低，因此雷达信号识别方法逐渐转向脉内特征的研究。基于机器学习的雷达信号识别方法具有智能化程度高、鲁棒性好等优点，是雷达信号识别领域的研究热点。其中，机器学习中的深度学习被认为是雷达信号调制识别方法的发展趋势。
[0003]因深度学习方法的识别率和鲁棒性非常依赖于充足的训练样本，而实际中获取大量的非合作雷达信号数据存在相当大的困难。目前解决训练样本不足问题的一种主流方法是利用深度学习生成对抗网络(GAN)，对雷达信号特征图像进行样本库扩充，以实现在小样本条件下实现复杂调制雷达信号的识别，其中，一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AFGAN的雷达信号样本数据处理方法，用于复杂调制雷达信号小样本目标识别，其特征在于，包含如下内容：构建用于雷达信号小样本数据增强处理的AFGAN对抗网络模型，其中，构建的对抗网络模型包含由卷积神经网络构成的生成器和由雷达信号样本数据中模糊函数等高线构建约束函数对生成信号质量进行约束的判别器；针对雷达信号小样本数据，利用AFGAN对抗网络模型来生成雷达信号伪造样本数据，并将该伪造样本数据与小样本数据进行混合，得到用于雷达信号目标识别中模型训练的样本总数据。2.根据权利要求1所述的基于AFGAN的雷达信号样本数据处理方法，其特征在于，AFGAN对抗网络模型的判别器利用雷达信号样本数据中模糊函数等高线构建约束函数中，首先按照特定规则选择雷达信号样本数据中的多条模糊函数等高线作为模糊函数有效等高线，并通过归一化处理来获取雷达信号样本数据的模糊函数有效等高线特征图像，然后利用图像中模糊函数有效等高线的时间分辨常数值和频率分辨常数值来设置约束函数中对生成的信号数据进行质量约束的阈值。3.根据权利要求1或2所述的基于AFGAN的雷达信号样本数据处理方法，其特征在于，针对雷达信号样本数据，选择雷达信号样本数据的多条模糊函数有效等高线，包含：首先，依据雷达信号的复调制包络、回波信号件延迟差和频率差来表示样本数据中雷达信号的模糊函数；接着，将模糊函数的三维立体图进行处理，转化为二维模糊函数等高线图；然后，依据预设等高线层级、和每个等高线与模糊函数等高线最大值的比值来选取对应的多条模糊函数有效等高线。4.根据权利要求2所述的基于AFGAN的雷达信号样本数据处理方法，其特征在于，模糊函数有效等高线的时间分辨常数值和频率分辨常数值分别表示为：其中，χ(τ,ξ)为模糊函数，τ为回波信号间延迟差，ξ为回波信号间频率差。5.根据权利要求2或4所述的基于AFGAN的雷达信号样本数据处理方法，其特征在于，利用图像中模糊函数有效等高线的时间分辨常数值和频率分辨常数值来设置约束函数中对生成的信号数据进行质量约束的阈值，包含：首先，采用二元选择模型，选取时间分辨常数值和频率分辨常数值中数值较小的常数作为主体分辨常数，然后，通过小波阈值去噪算法来获取雷达信号小样本数据中主体分辨常数的最大值，并将该最大值作为质量约束的阈值。6.根据权利要求1所述的基于AFGA...

【专利技术属性】
技术研发人员：王海军，胡涛，徐忠富，许子俍，吴迪，杨小军，田志富，吕品品，张雅歌，何润泽，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：