小样本雷达信号数据扩充生成方法及计算机可读存储介质技术

本发明专利技术公开了一种小样本雷达信号数据扩充生成方法及计算机可读存储介质，该方法包括：获取雷达信号数据；对雷达信号数据进行预处理，获得基础样本数据；构建自编码器；将基础样本数据输入到自编码器，基础样本数据通过自编码器的编码器进行下采样处理后通过自编码器的解码器进行上采样处理，获得第一扩充样本数据；将基础样本数据和第一扩充样本数据作为真实样本数据，训练条件生成对抗网络；通过训练优化后的条件生成对抗网络生成第二扩充样本数据。本发明专利技术能够对小样本的基础样本数据处理后，使得样本数据得以初步扩充，从而实现能够具有较多的样本数据训练条件生成对抗网络，进而能够使生成器能够生成效果好的第二扩充样本数据。样本数据。样本数据。

【技术实现步骤摘要】
小样本雷达信号数据扩充生成方法及计算机可读存储介质


[0001]本专利技术涉及辐射源信号数据处理，具体涉及一种小样本雷达信号数据扩充生成方法及计算机可读存储介质。

技术介绍

[0002]辐射源信号识别在电子对抗侦察领域中具有的作用，通过识别雷达信号获取信息进行指挥决策。早期战场电磁环境相对简单，传统方法主要通过人工提取信号特征，近年来，现有技术已开始将深度学习技术用于雷达辐射源信号识别领域的研究。但是在电子对抗侦察过程中，雷达很难检测并持续跟踪目标，导致部分雷达信号样本获取难度较大，获取到的雷达信号往往只有很少的样本数量。在训练样本较小的情况下，深度学习技术识别能力较差，因此需要一种能够在小样本雷达信号的基础上扩充样本数据的生成方法。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提供一种小样本雷达信号数据扩充生成方法及计算机可读存储介质，能够对小样本的基础样本数据处理后，使得样本数据得以初步扩充，从而实现能够具有较多的样本数据训练条件生成对抗网络，进而能够使训练优化后的条件生成对抗网络的生成器能够生成效果好的第二扩充样本数据，实现样本数据的最终扩充，能够为后续进行将雷达辐射源信号识别领域研究提供足够的样本数据。
[0004]本专利技术中的一种小样本雷达信号数据扩充生成方法，包括：
[0005]获取雷达信号数据；
[0006]对雷达信号数据进行预处理，获得基础样本数据；
[0007]构建自编码器；将基础样本数据输入到自编码器，基础样本数据通过自编码器的编码器进行下采样处理后通过自编码器的解码器进行上采样处理，获得第一扩充样本数据；
[0008]将基础样本数据和第一扩充样本数据作为真实样本数据，训练条件生成对抗网络；
[0009]通过训练优化后的条件生成对抗网络生成第二扩充样本数据。
[0010]进一步，
[0011]所述自编码器的编码器通过三层一维卷积层进行下采样处理，所述自编码器的解码器通过三层一维卷积层进行上采样处理；编码器的第一层参数和解码器的第三层参数相同，通过32个长度为5的卷积核处理数据；编码器的第二层参数和解码器的第二层参数相同，通过16个长度为5的卷积核处理数据；编码器的第三层参数和解码器的第一层参数相同，通过4个长度为5的卷积核处理数据。
[0012]进一步，
[0013]所述条件生成对抗网络包括生成器和判别器；所述生成器能够基于随机噪声输出生成样本数据；所述判别器能够基于真实样本数据与生成样本数据之间的Wasserstein距
离，输出带有判断真假标签的样本数据。
[0014]进一步，
[0015]所述生成器包括第一下采样层、第二下采样层、第一上采样层、第二上采样层、卷积层和BN层；所述第一下采样层是通过8个长度为6的卷积核处理数据，所述第二下采样层是通过64个长度为6的卷积核处理数据，所述第一上采样层是通过64个长度为6的卷积核处理数据，所述第二上采样层是通过8个长度为6的卷积核处理数据，所述卷积层是通过4个长度为6的卷积核处理数据，所述BN层系数为0.7。
[0016]进一步，
[0017]所述判别器使用了三层全连接层，参数分别为64、16、1，无BN层。
[0018]进一步，
[0019]将基础样本数据和第一扩充样本数据作为真实样本数据，训练条件生成对抗网络，包括：
[0020]以基础样本数据和第一扩大样本数据作为真实样本数据输入判别器；将噪声和标签输入生成器，以使生成器输出生成样本数据；
[0021]判别器基于真实样本数据与生成样本数据的之间的Wasserstein距离判别真假，输出带有判断真假标签的样本数据，并将带有判断真假标签的样本数据输入至判别器和生成器；
[0022]交替训练判别器和生成器，直到达到纳什均衡状态。
[0023]进一步，
[0024]所述Wasserstein距离的定义为：
[0025]其中，W(P
r
，P
g
)表示Wasserstein距离；x为真实样本数据，y为生成样本数据；
[0026]inf表示对期望值取下界；Π(P
r
，P
g
)表示表示的是真实样本数据分布P
r
和生成样本数据分布P
g
中所有可能的联合分布，γ属于上述集合中的某一种联合分布；E表示将所有样本对的距离求期望值；||x
‑
y||表示真实样本数据与生成样本数据之间的距离；整个W函数表示为在所有的联合分布中对期望值取到的下界，将此期望值定义为Wasserstein距离；
[0027]当Wasserstein距离大于预设阈值时，则判别器判断该样本数据为假；当Wasserstein距离不大于预设阈值时，则判别器判断该样本数据为真。
[0028]本专利技术中的一种计算机可读存储介质，存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现小样本雷达信号数据扩充生成方法的步骤。
[0029]本专利技术的有益效果是：
[0030](1)本专利技术通过自编码器的编码器和解码器对小样本的基础样本数据处理后，能够获得与基础样本数据相似的第一扩充样本数据，使得样本数据得以初步扩充，从而实现能够具有较多的样本数据训练条件生成对抗网络，进而能够使训练优化后的条件生成对抗网络的生成器能够生成效果好的第二扩充样本数据，实现样本数据的最终扩充，能够为后续进行将雷达辐射源信号识别领域研究提供足够的样本数据；
[0031](2)本专利技术构建的编码器和解码器处理数据后，数据的大小维度不会改变，获得的第一扩充样本数据与未处理的基础样本数据大致相同，又不会完全相同，较大程度保证特
征不会丢失，且获得的第一扩充样本数据与未处理的基础样本数据不会过于相似，导致过拟合现象的发生，使得样本数据得以初步扩充；
[0032](3)本专利技术通过全尺度跳过连接的方式，将条件生成对抗网络的生成器的结构重新设计，获得更加丰富的信息，最终使条件生成对抗网络的生成器能够生成效果好的数据；同时本专利技术的判别器的结构将原始生成对抗网络的判别器的BN层删除，能够避免梯度无法正确计算。
附图说明
[0033]为了使本专利技术的目的、技术方案和有益效果更加清楚，本专利技术提供如下附图进行说明：
[0034]图1为本专利技术的小样本雷达信号数据扩充生成方法的实施步骤流程图；
[0035]图2为本专利技术的模型结构图；
[0036]图3为本专利技术的生成器结构；
[0037]图4为本专利技术训练条件生成对抗网络的实施步骤流程图。
具体实施方式
[0038]下面结合附图和实施例对本专利技术的技术方案作详细说明。
[0039]如图1和图2所示，本实施例中的一种小样本雷达信号数据扩充生成方法，包括：
[0040]获取雷达信号数据；
[0041]对雷达信号数据进行预处理，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种小样本雷达信号数据扩充生成方法，其特征在于，包括：获取雷达信号数据；对雷达信号数据进行预处理，获得基础样本数据；构建自编码器；将基础样本数据输入到自编码器，基础样本数据通过自编码器的编码器进行下采样处理后通过自编码器的解码器进行上采样处理，获得第一扩充样本数据；将基础样本数据和第一扩充样本数据作为真实样本数据，训练条件生成对抗网络；通过训练优化后的条件生成对抗网络生成第二扩充样本数据。2.根据权利要求1所述的小样本雷达信号数据扩充生成方法，其特征在于：所述自编码器的编码器通过三层一维卷积层进行下采样处理，所述自编码器的解码器通过三层一维卷积层进行上采样处理；编码器的第一层参数和解码器的第三层参数相同，通过32个长度为5的卷积核处理数据；编码器的第二层参数和解码器的第二层参数相同，通过16个长度为5的卷积核处理数据；编码器的第三层参数和解码器的第一层参数相同，通过4个长度为5的卷积核处理数据。3.根据权利要求1所述的小样本雷达信号数据扩充生成方法，其特征在于：所述条件生成对抗网络包括生成器和判别器；所述生成器能够基于随机噪声输出生成样本数据；所述判别器能够基于真实样本数据与生成样本数据之间的Wasserstein距离，输出带有判断真假标签的样本数据。4.根据权利要求3所述的小样本雷达信号数据扩充生成方法，其特征在于：所述生成器包括第一下采样层、第二下采样层、第一上采样层、第二上采样层、卷积层和BN层；所述第一下采样层是通过8个长度为6的卷积核处理数据，所述第二下采样层是通过64个长度为6的卷积核处理数据，所述第一上采样层是通过64个长度为6的卷积核处理数据，所述第二上采样层是通过8个长度为6的卷积核处理数据，所述卷积层是通过4个长度为6的卷积核处理数据，所述BN层系数为0.7。5.根据权利要求3或4所述的小样本雷达信号数据扩充生成方法，其特征在于：所述判别器使用了三层全连接层，参数分别为64、16...

【专利技术属性】
技术研发人员：李霜，刘定涛，王清，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：