基于条件去噪扩散概率模型的HRRP样本生成方法技术

本发明专利技术公开了一种基于条件去噪扩散概率模型的HRRP样本生成方法，涉及雷达信号处理技术领域，包括：生成小样本训练集；构建条件去噪扩散概率模型，并设置参数；其中，条件去噪扩散概率模型包括U

【技术实现步骤摘要】
基于条件去噪扩散概率模型的HRRP样本生成方法


[0001]本专利技术属于雷达信号处理
，具体涉及一种基于条件去噪扩散概率模型的HRRP样本生成方法。

技术介绍

[0002]雷达高分辨率距离像(High Resolution Range Profile，HRRP)是指在宽带雷达中，被测目标的回波信号可以看做每个分辨距离单元内所有散射回波的矢量和。HRRP是一维信息，包含目标的几何结构、散射点能量分布等特征信息，与二维回波信号(SAR、ISAR)等相比，具有易于获取、存储和处理等优点，因此对雷达目标识别与分类十分有价值。
[0003]现有技术中，在建立敌方非合作目标的HRRP识别数据库时，雷达很难检测并持续跟踪目标，因此难以获得足够的且覆盖所有方位角的HRRP样本，进一步使用不完备的HRRP识别数据库的样本作为训练集来训练识别系统时，由于输入的HRRP样本姿态不完备导致识别性能差，识别系统提取的特征无法代表目标的本质特性，影响分类系统的识别性能和泛化能力。
[0004]因此，亟需改善现有技术中存在的缺陷。

技术实现思路

[0005]为了解决现有技术中存在的上述问题，本专利技术提供了一种基于条件去噪扩散概率模型的HRRP样本生成方法。本专利技术要解决的技术问题通过以下技术方案实现：
[0006]第一方面，本专利技术提供一种基于条件去噪扩散概率模型的HRRP样本生成方法，包括：
[0007]生成小样本训练集；
[0008]构建条件去噪扩散概率模型，并设置参数；其中，条件去噪扩散概率模型包括U
‑
Net网络模块和输出模块，U
‑
Net网络模块包括下采样层、跳跃连接层和上采样层；
[0009]根据小样本训练集，训练条件去噪扩散概率模型，得到训练好的条件去噪扩散概率模型；
[0010]根据训练好的条件去噪扩散概率模型，生成扩充样本训练集。
[0011]本专利技术的有益效果：
[0012]本专利技术提供的一种基于条件去噪扩散概率模型的HRRP样本生成方法，一方面，相比于生成对抗网络GAN模型是通过生成器和判别器的对抗来训练网络，需要训练两个网络，本专利技术提出的网络模型为条件去噪扩散概率模型，该模型主要分为前向扩散过程和反向生成过程，且该模型只需要训练一个网络，与生成对抗网络GAN模型相比，扩散模型更容易收敛，稳定性更好，生成的样本多样性更高；另一方面，本专利技术将训练集中的每个样本与对应的类别标签和方位角标签信息一起作为模型网络的输入，克服了现有技术在生成HRRP样本时，没有考虑到方位角的情况，导致生成的HRRP样本方位角不完备，影响后续分类系统的识别性能的问题，本专利技术能够充分利用雷达HRRP样本的方位角信息，可以生成指定方位角下
的HRRP样本，生成的HRRP样本质量较高。
[0013]以下将结合附图及实施例对本专利技术做进一步详细说明。
附图说明
[0014]图1是本专利技术实施例提供的基于条件去噪扩散概率模型的HRRP样本生成方法的一种流程图；
[0015]图2是本专利技术实施例提供的U
‑
Net网络模块的一种结构示意图；
[0016]图3是本专利技术实施例提供的CNN分类器识别系统的一种结构示意图。
具体实施方式
[0017]下面结合具体实施例对本专利技术做进一步详细的描述，但本专利技术的实施方式不限于此。
[0018]现有技术中，南昌航空大学聂江华在其申请的专利文献“一种基于改进的LSGAN和CNN的HRRP雷达目标识别方法”(专利申请号：202010940775.2，申请公开号：112230210A)中公开了一种基于最小二乘生成对抗网络LSGAN(Least Squares Generative Adversarial Networks)和卷积神经网络CNN(Convolutional Neural Network)的HRRP识别数据库样本扩充方法，该方法首先通过数据去噪模块接受带噪和干净的HRRP数据；然后在网络结构设计阶段，在判别网络和生成网络的损失函数上各添加一个惩罚项，得到由判别网络和生成网络组成的LSGAN网络；再利用LSGAN网络生成高信噪比的HRRP数据进行识别数据库样本扩充；最后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；该方法存在的不足之处是，在HRRP识别数据库样本数少的情况下，将使得LSGAN网络对数据的特征提取和特征选择的偏差较大，导致LSGAN网络生成的HRRP数据的质量较差，利用生成的HRRP数据进行识别数据库样本扩充后训练的分类系统的识别性能较低。
[0019]西安电子科技大学马佩雯在其申请的专利文献“基于CACGAN的HRRP识别数据库样本扩充方法”(专利申请号：202110283773.5，申请公布号：112784930A)中公开了一种基于生成对抗网络CACGAN的HRRP识别数据库样本扩充方法，该方法首先将样本与对应的类别标签拼接后作为生成对抗网络CACGAN的输入；然后在网络结构设计阶段，构建由生成器、判别器和辅助分类器组成的条件辅助分类生成网络，在判别器的损失函数中添加一个梯度惩罚项，利用交叉熵损失函数计算辅助分类器的损失值；最后利用CACGAN网络生成不同类别的HRRP样本进行识别数据库样本扩充；该方法存在的不足之处是，对每个类别的HRRP样本，没有考虑利用方位角信息作为标签，生成指定方位角下的样本，导致CACGAN网络生成的HRRP样本方位角不完备、质量较差，利用生成的HRRP数据进行识别数据库样本扩充后训练的分类系统的识别性能较低。
[0020]有鉴于此，本专利技术提供一种基于条件去噪扩散概率模型的HRRP样本生成方法，用于解决利用LSGAN和CACGAN网络进行HRRP识别数据库样本扩充时，HRRP样本的方位角不完备并且没有充分利用HRRP样本的方位角信息，导致生成的HRRP数据方位角不完备、质量较差，进行识别数据库样本扩充后训练的分类器识别性能较低的问题。
[0021]请参见图1～图2所示，图1是本专利技术实施例提供的基于条件去噪扩散概率模型的HRRP样本生成方法的一种流程图，图2是本专利技术实施例提供的U
‑
Net网络模块的一种结构示
意图，本专利技术所提供的一种基于条件去噪扩散概率模型的HRRP样本生成方法，包括：
[0022]S101、生成小样本训练集。
[0023]具体而言，本实施例中，通过以下过程获取小样本训练集。
[0024]S1011、在雷达视线上沿着距离维的雷达回波中，提取多个类别、覆盖多个方位角域的HRRP样本。
[0025]S1012、使用平均分帧方法将每个类别的HRRP样本分为多个方位帧，并且将类别和方位帧赋予两种标签。
[0026]需要说明的是，平均分帧方法包括：
[0027]获取散射点不发生越距离单元徙动的最大角度，根据该最大角度对HRRP样本的方位角进行等间隔划分；其中，最大角度的表达式为：
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于条件去噪扩散概率模型的HRRP样本生成方法，其特征在于，包括：生成小样本训练集；构建条件去噪扩散概率模型，并设置参数；其中，所述条件去噪扩散概率模型包括U
‑
Net网络模块和输出模块，所述U
‑
Net网络模块包括下采样层、跳跃连接层和上采样层；根据所述小样本训练集，训练所述条件去噪扩散概率模型，得到训练好的条件去噪扩散概率模型；根据所述训练好的条件去噪扩散概率模型，生成扩充样本训练集。2.根据权利要求1所述的基于条件去噪扩散概率模型的HRRP样本生成方法，其特征在于，所述生成小样本训练集的过程包括：在雷达视线上沿着距离维的雷达回波中，提取多个类别、覆盖多个方位角域的HRRP样本；使用平均分帧法将每个类别的HRRP样本分为多个方位帧，并且将类别和方位帧赋予两种标签；将所有的HRRP样本、以及HRRP样本对应的类别标签和方位帧标签组成所述小样本训练集。3.根据权利要求2所述的基于条件去噪扩散概率模型的HRRP样本生成方法，其特征在于，所述平均分帧法包括：获取散射点不发生越距离单元徙动的最大角度，根据该最大角度对HRRP样本的方位角进行等间隔划分；其中，最大角度的表达式为：其中，L为目标相对于雷达的横向尺寸，ΔR为距离分辨单元长度。4.根据权利要求1所述的基于条件去噪扩散概率模型的HRRP样本生成方法，其特征在于，所述下采样层包括多层结构，分别为第一下采样层、第二下采样层、第三下采样层、第四下采样层和第五下采样层，所述第一下采样层的输出端连接所述第二下采样层的输入端，所述第二下采样层的输出端连接所述第三下采样层的输入端，所述第三下采样层的输出端连接所述第四下采样层的输入端，所述第四下采样层输出端连接所述第五下采样层的输入端；其中，所述第一下采样层依次包括第一卷积模块、第一残差模块、第二残差模块和第二卷积模块，所述第二下采样层依次包括第三残差模块、第四残差模块和第三卷积模块，所述第三下采样层依次包括第五残差模块、第一自注意力模块、第六残差模块、第二自注意力模块和第四卷积模块，所述第四下采样层依次包括第七残差模块和第八残差模块，第五下采样层包括第九残差模块；所述上采样层包括多层结构，分别为第一上采样层、第二上采样层、第三上采样层、第四上采样层和第五上采样层，所述第一上采样层的输入端连接所述第二上采样层的输出端和所述第一下采样层的输出端，所述第二上采样层的输入端连接所述第三上采样层的输出端和所述第二下采样层的输出端，所述第三上采样层的输入端连接所述第四上采样层的输出端和所述第三下采样层的输出端，所述第四上采样层输入端连接所述第五上采样层的输出端和所述第四下采样层的输出端；其中，所述第一上采样层的结构与所述第一下采样层
的结构相同，所述第二上采样层的结构与所述第二下采样层的结构相同，所述第三上采样层的结构与所述第三下采样层的结构相同，所述第四上采样层的结构与所述第四下采样的结构相同，所述第五上采样层的结构与所述第五下采样层的结...

【专利技术属性】
技术研发人员：刘宏伟，王鹏辉，印佳园，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：