小样本条件下生成对抗网络深度学习测向方法技术

本发明专利技术公开了小样本条件下生成对抗网络深度学习测向方法，涉及无线电测向技术领域，解决了现有技术中构建完备的训练样本库难度大，在实际应用环境条件下，能够采集的样本数小于需要的训练样本数的技术问题；该方法的步骤如下：构建生成对抗网络；生成器和判别器相互对抗产生逼近真实分布的生成样本；数据预处理；提取各阵元相对幅度和协方差特征，作为CNN的输入数据；通过卷积操作实现对数据的非线性特征映射；将输入的特征映射划分为多个不重叠的区域；小样本CNN测向；实现了针对实际应用环境的小样本条件，采用生成对抗网络产生逼近真实样本分布的生成样本，有效地扩充训练样本数据集，再利用卷积神经网络测向模型，实现高精度测向。度测向。度测向。

【技术实现步骤摘要】
小样本条件下生成对抗网络深度学习测向方法


[0001]本专利技术属于无线电测向领域，涉及神经网络技术，具体是小样本条件下生成对抗网络深度学习测向方法。

技术介绍

[0002]对辐射源目标的测向，是电子侦察设备，利用接收到的目标信号，通过信号处理，估计目标信号的到达方向。对辐射源目标测向方法，主要有振幅法测向、相位法测向、空间谱估计测向等，这些方法都是传统的非智能化测向方法。目前，智能化测向方法已经成为研究热点。专利“基于深度学习的任意阵列波达角估计方法”，提出了一种基于卷积神经网络(CNN)的阵列信号测向方法，该方法针对任意给定的多元阵列，通过提取各阵元采样数据的阵元间相位差等特征信息，在深度学习的基础上，实现对辐射源目标的快速高精度测向。
[0003]但上述CNN测向方法需要的训练样本数量巨大，这是因为，第一，该方法是一种基于分类识别的测向方法，假设要求测向范围为360
°
，角度分辨率为0.1
°
，目标数量未知，则角度分类数为角度分类数为此时训练样本数量巨大；第二，面对宽频段测向需求时，需要针对每一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.小样本条件下生成对抗网络深度学习测向方法，其特征在于，包括以下步骤：步骤一：使用非线性映射函数构建生成对抗网络；其中，所述生成对抗网络包括生成器G和判别器D；步骤二：生成器G与判别器D之间通过相互对抗和互相促进后达到纳什均衡，产生生成样本，包括以下步骤：将噪声序列输入至生成器中产生服从真实数据分布的生成样本；将生成样本和真实样本输入至判别器中；固定生成器G，采用最小化交叉熵的方法训练判别器D，使其能够有效分辨真实样本和生成样本，判别器D的损失函数为：式中，中，x为真实样本，D(x)为判别器D判断输入的真实样本x的概率；中，z表示输入生成器G中的噪声序列，G(z)表示生成样本，D(G(z))表示生成样本通过判别器D后，被判别为真样本的概率；生成器G则通过学习正式数据分布P
data
来欺骗判别器D，固定判别器D，生成器G要增大生成样本被判断为真实样本的概率，使输入生成样本时，判别器D的输出尽量接近1，生成器G的损失函数为：步骤三：对各阵元接收到的...

【专利技术属性】
技术研发人员：郭弦辉，张勇，郭亮亮，
申请(专利权)人：合肥戎科信息技术开发有限公司，
类型：发明
国别省市：