一种基于对抗学习一类分类器的雷达高分辨距离像库外目标拒判方法技术

本发明专利技术公开了一种基于对抗学习一类分类器的雷达高分辨距离像库外目标拒判方法，包括以下步骤：步骤10，对飞机的雷达高分辨距离像原始样本进行预处理，得到训练集；步骤20，基于GAN网络构建生成器G和判别器D；步骤30，根据生成器G和判别器D构建第一目标函数；步骤40，基于训练集对生成器G和判别器D进行训练并构建第二目标函数，得到训练后的生成器G和训练后的判别器D；步骤50，将训练后的生成器G和中间生成器G

【技术实现步骤摘要】
一种基于对抗学习一类分类器的雷达高分辨距离像库外目标拒判方法


[0001]本专利技术属于雷达
，具体涉及一种基于对抗学习一类分类器的雷达高分辨距离像库外目标拒判方法。

技术介绍

[0002]随着现代战争智能和信息化水平的不断提升，雷达自动目标识别(RATA)技术受到更加广泛的关注。雷达高分辨距离像(HRRP)可由宽带雷达观测目标获取，其反映了目标散射中心沿着雷达视线方向的分布情况且包含了丰富的目标结构特征信息；此外，HRRP还具有易获取、易储存且计算量小等优点，在RATA系统中有着重要应用。但是，在实际军事应用中，RATA系统所需识别对象往往是非合作目标，这些目标样本获取困难，导致了模板数据库的非完备性。此时若目标属于库外类型，那么将其判为库内任一类别样本均不合理，应对其进行拒判处理(即不属于库内目标)。
[0003]通常采用一类分类器解决拒判问题，常用的一类分类器包括一类支持向量机(One
‑
Class Support Vector Machine，简称OCSVM)和支持向量数据描述(Support Vector Data Description，简称SVDD)等，这些方法存在核函数形式选择与核参数优化难的问题。除此之外的孤立森林(Isolation Forest，简称IF)模型，虽然计算效率高，但不适用于特别高维的数据且仅对全局稀疏点敏感，也使拒判性能受到限制。
[0004]随着深度学习在计算机视觉领域和模式识别领域的成功应用，雷达领域也受其启发尝试将深度学习应用于HRRP目标拒判任务。例如，Wan J等人提出使用卷积神经网络(Convolution Neural Network,CNN)作为编码器，利用特征空间中的局部结构信息，提取数据中存在的更为丰富的特征，同时将反卷积神经网络作为解码器，通过测量输入和解码器之间的重构误差，实现库外目标拒判；Ruff等人提出了Deep SVDD框架，同样是利用了深度学习处理复杂分布的样本的优势，使得拒判性能得到提升。
[0005]但是，现有的传统方法如OCSVM、孤立森林等存在核函数形式选择与核参数优化难、不适用于特别高维的数据且仅对全局稀疏点敏感等问题，且此类模型均不属于端到端的模型，对数据特征的映射效果不够好；现有的基于深度网络的方法如Deep SVDD等，虽然属于端到端的模型，但仅通过损失大小来进行分类判别，拒判边界不一定清晰。

技术实现思路

[0006]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对抗学习一类分类器的雷达高分辨距离像库外目标拒判方法。本专利技术要解决的技术问题通过以下技术方案实现：
[0007]一种基于对抗学习一类分类器的雷达高分辨距离像库外目标拒判方法，包括以下步骤：
[0008]步骤10，对飞机的雷达高分辨距离像原始样本进行预处理，得到训练集；
[0009]步骤20，基于GAN网络构建生成器G和判别器D；
[0010]所述生成器G包括依次连接的N个编码器层和依次连接的M个解码器层；每个所述编码器层包括依次连接的一个卷积层、一个批量归一化层和一个激活函数层；M
‑
1个解码器层的每个解码器层包括依次连接的一个反卷积层、一个批量归一化层和一个激活函数层，第M个解码器层包括一个卷积层和一个激活函数层；
[0011]所述判别器D包括依次设置的输入层、第一卷积层、第一批量归一化层、第一激活层、第二卷积层、第二批量归一化层、第二激活层、第三卷积层、第三批量归一化层、第三激活层、第四卷积层、第四批量归一化层、第四激活层、全连接层和sigmoid层；
[0012]步骤30，根据所述生成器G和所述判别器D构建第一目标函数；
[0013]步骤40，基于所述训练集对所述生成器G和所述判别器D进行训练并构建第二目标函数，且通过所述第一目标函数和所述第二目标函数更新所述生成器G和所述判别器D的参数，得到训练后的生成器G和训练后的判别器D；其中，所述生成器G的损失达到预设重构损失之前，随机保存一个生成器G作为中间生成器G
old
；
[0014]步骤50，将所述训练后的生成器G和中间生成器G
old
分别与训练后的判别器D耦合组成对抗判定模型；
[0015]步骤60，将待判定样本集输入所述对抗判定模型进行判定；
[0016]若所述对抗判定模型的输出概率大于阈值，则待判定样本集中的样本判定为库外异常样本。
[0017]在本专利技术的一个实施例中，所述步骤10包括：
[0018]步骤11，对飞机的每个雷达高分辨距离像原始样本进行时域特征提取，得到HRRP时域特征样本；
[0019]步骤12，对每个所述HRRP时域特征样本进行幅度归一化操作和重心对齐操作，得到训练集。
[0020]在本专利技术的一个实施例中，所述第一目标函数V1(G,D)的表达式为：
[0021][0022]其中，X～P
t
表示输入样本X抽样于训练集，表示噪声样本抽样于添加了噪声的训练集，E[
·
]表示求期望操作，G(
·
)表示生成器G的输出数据，D(
·
)表示判别器D的输出数据。
[0023]在本专利技术的一个实施例中，所述步骤40包括：
[0024]步骤41，将所述训练集中的样本作为输入样本X，将其添加噪声后生成的噪声样本输入生成器G得到重构样本
[0025]步骤42，将所述重构样本和所述输入样本X输入判别器D；
[0026]步骤43，重复执行步骤41和步骤42对生成器G和判别器D进行迭代训练并通过所述第一目标函数更新生成器G的参数，得到训练后的生成器G；其中，所述生成器G的损失达到预设重构损失之前，随机保存一个生成器G作为中间生成器G
old
；
[0027]步骤44，根据所述判别器D构建第二目标函数V2(G,D)；所述第二目标函数V2(G,D)的表达式为：
[0028][0029]其中，α和β均表示折中超参数，表示输入样本X输入生成器G后输出的重构样本，为噪声样本输入中间生成器G
old
输出的中间样本，E[
·
]表示求期望操作，G(
·
)表示生成器G的输出数据，D(
·
)表示判别器D的输出数据，表示伪异常样本，
[0030][0030]和为随机选取的两个不同的输入样本，和为样本和样本输入中间生成器G
old
(
·
)输出的数据，为生成的像素级均值；
[0031]步骤45，通过所述训练后的生成器G和所述中间生成器G
old
对判别器D进行迭代训练并通过所述第二目标函数更新判别器D的参数，得到训练后的判别器D；其中，判别器D的输入数据包括：所述输入样本X、所述重构样本所述伪异常样本和所述中间样本
[0032]在本专利技术的一个实施例中，执行完成所述步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对抗学习一类分类器的雷达高分辨距离像库外目标拒判方法，其特征在于，包括以下步骤：步骤10，对飞机的雷达高分辨距离像原始样本进行预处理，得到训练集；步骤20，基于GAN网络构建生成器G和判别器D；所述生成器G包括依次连接的N个编码器层和依次连接的M个解码器层；每个所述编码器层包括依次连接的一个卷积层、一个批量归一化层和一个激活函数层；M
‑
1个解码器层的每个解码器层包括依次连接的一个反卷积层、一个批量归一化层和一个激活函数层，第M个解码器层包括一个卷积层和一个激活函数层；所述判别器D包括依次设置的输入层、第一卷积层、第一批量归一化层、第一激活层、第二卷积层、第二批量归一化层、第二激活层、第三卷积层、第三批量归一化层、第三激活层、第四卷积层、第四批量归一化层、第四激活层、全连接层和sigmoid层；步骤30，根据所述生成器G和所述判别器D构建第一目标函数；步骤40，基于所述训练集对所述生成器G和所述判别器D进行训练并构建第二目标函数，且通过所述第一目标函数和所述第二目标函数更新所述生成器G和所述判别器D的参数，得到训练后的生成器G和训练后的判别器D；其中，所述生成器G的损失达到预设重构损失之前，随机保存一个生成器G作为中间生成器G
old
；步骤50，将所述训练后的生成器G和中间生成器G
old
分别与训练后的判别器D耦合组成对抗判定模型；步骤60，将待判定样本集输入所述对抗判定模型进行判定；若所述对抗判定模型的输出概率大于阈值，则待判定样本集中的样本判定为库外异常样本。2.根据权利要求1所述的一种基于对抗学习一类分类器的雷达高分辨距离像库外目标拒判方法，其特征在于，所述步骤10包括：步骤11，对飞机的每个雷达高分辨距离像原始样本进行时域特征提取，得到HRRP时域特征样本；步骤12，对每个所述HRRP时域特征样本进行幅度归一化操作和重心对齐操作，得到训练集。3.根据权利要求1所述的一种基于对抗学习一类分类器的雷达高分辨距离像库外目标拒判方法，其特征在于，所述第一目标函数V1(G,D)的表达式为：其中，X～P
t
表示输入样本X抽样于训练集，表示噪声样本抽样于添加了噪声的训练集，E[
·
]表示求期望操作，G(
·
)表示生成器G的输出数据，D(
·
)表示判别器D的输出数据。4....

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