雷达数据增广方法技术

本发明专利技术提供一种雷达数据增广方法

【技术实现步骤摘要】
雷达数据增广方法、装置、电子设备和存储介质


[0001]本专利技术涉及人工智能
，尤其涉及一种雷达数据增广方法
、
装置
、
电子设备和存储介质
。

技术介绍

[0002]随着科技的迅速发展，基于雷达数据进行识别的应用场景越来越广泛，例如基于雷达数据进行目标识别
、
目标跟踪
、
目标定位等等
。
例如，传统方法依据脉冲到达时间
、
到达角
、
重频
、
脉宽
、
载频等特征参数进行雷达辐射源识别；然而，雷达辐射源的信号样式日趋复杂多变，传统方法很难满足目前的雷达辐射源识别需求
。
基于此，目前大多基于雷达辐射源识别模型，对雷达接收机接收的雷达数据进行辐射源识别得到辐射源识别结果；而为了提高辐射源识别模型的识别准确性，需要海量的雷达数据作为样本数据对辐射源识别模型进行训练
、
测试和验证
。
[0003]目前，通过对原始雷达数据进行一定的扰动或变换生成增广雷达数据
。
然而，在原始雷达数据的基础上进行数据增广，大多需要引入噪声或者失真，导致增广雷达数据质量下降，进而影响所需训练模型的准确性；且上述操作容易引入重复信息，使得增广雷达数据过于单一，缺乏多样性，从而影响所需训练模型的泛化能力
。

技术实现思路

[0004]本专利技术提供一种雷达数据增广方法
、
装置
、
电子设备和存储介质，用以解决现有技术中增广雷达数据质量下降，以及增广雷达数据过于单一的缺陷
。
[0005]本专利技术提供一种雷达数据增广方法，包括：
[0006]获取源域数据集，并获取新增雷达数据集，所述源域数据集包括至少一个样本雷达数据，所述新增雷达数据集中各雷达数据为相同域的数据；
[0007]将所述源域数据集中各样本雷达数据分别输入至特征提取器，得到所述特征提取器输出的至少一个第一特征，并将所述新增雷达数据集中各雷达数据分别输入至所述特征提取器，得到所述特征提取器输出的至少一个第二特征；
[0008]基于所述至少一个第一特征和所述至少一个第二特征，确定所述源域数据集与所述新增雷达数据集的第一数据分布差异；
[0009]基于所述第一数据分布差异确定第一损失函数，基于所述第一损失函数对所述特征提取器进行训练；
[0010]将所述新增雷达数据集中各雷达数据分别输入至训练后的特征提取器，得到所述训练后的特征提取器输出的至少一个第三特征；
[0011]将所述至少一个第三特征分别输入至增广模型，得到所述增广模型输出的至少一个增广雷达数据，所述增广模型是基于所述源域数据集训练得到的
。
[0012]根据本专利技术提供的一种雷达数据增广方法，所述将所述新增雷达数据集中各雷达数据分别输入至训练后的特征提取器，得到所述训练后的特征提取器输出的至少一个第三
特征，之前还包括：
[0013]将所述至少一个第一特征分别输入至所述增广模型，得到所述增广模型输出的至少一个第一样本雷达数据；
[0014]基于所述至少一个第一样本雷达数据与所述新增雷达数据集的第二数据分布差异，确定第二损失函数；
[0015]将所述至少一个第一样本雷达数据分别输入至域判别器，得到所述域判别器输出的至少一个第一判别结果，基于所述至少一个第一判别结果确定第三损失函数，所述域判别器用于判别输入的数据是所述源域数据集中的数据还是所述新增雷达数据集中的数据；
[0016]基于所述第二损失函数和所述第三损失函数，对所述特征提取器和所述增广模型进行训练
。
[0017]根据本专利技术提供的一种雷达数据增广方法，所述将所述至少一个第三特征分别输入至增广模型，得到所述增广模型输出的至少一个增广雷达数据，之前还包括：
[0018]将所述至少一个第一特征分别输入至所述增广模型，得到所述增广模型输出的至少一个第一样本雷达数据，并将所述至少一个第二特征分别输入至所述增广模型，得到所述增广模型输出的至少一个第二样本雷达数据；
[0019]基于所述至少一个第一样本雷达数据与所述至少一个第二样本雷达数据的第三数据分布差异，确定第四损失函数；
[0020]基于所述第四损失函数对所述增广模型进行迭代优化
。
[0021]根据本专利技术提供的一种雷达数据增广方法，所述增广模型为生成器，所述基于所述第四损失函数对所述增广模型进行迭代优化，包括：
[0022]基于所述第四损失函数和第五损失函数对所述增广模型进行迭代优化；
[0023]其中，所述第五损失函数是基于如下步骤确定：
[0024]将所述至少一个第一样本雷达数据分别输入至所述增广模型对应的判别器，得到所述判别器输出的至少一个第二判别结果；
[0025]基于所述至少一个第二判别结果确定所述第五损失函数；和
/
或，
[0026]将所述至少一个第二样本雷达数据分别输入至所述增广模型对应的判别器，得到所述判别器输出的至少一个第三判别结果；
[0027]基于所述至少一个第三判别结果确定所述第五损失函数
。
[0028]根据本专利技术提供的一种雷达数据增广方法，所述获取新增雷达数据集，包括：
[0029]获取多种雷达接收机接收的多种第一雷达数据，从所述多种第一雷达数据中确定出所述新增雷达数据集；和
/
或，
[0030]获取雷达接收机接收的多种第二雷达数据，从所述多种第二雷达数据中确定出所述新增雷达数据集
。
[0031]根据本专利技术提供的一种雷达数据增广方法，所述将所述新增雷达数据集中各雷达数据分别输入至训练后的特征提取器，得到所述训练后的特征提取器输出的至少一个第三特征，之前还包括：
[0032]将所述至少一个第一特征分别输入至所述增广模型，得到所述增广模型输出的至少一个第一样本雷达数据；
[0033]将所述至少一个第一样本雷达数据分别输入至标签预测器，得到所述标签预测器
输出的至少一个标签预测结果；
[0034]基于所述至少一个标签预测结果与所述源域数据集对应的真实标签集的至少一个标签差异，确定第六损失函数；
[0035]基于所述第六损失函数，对所述特征提取器和所述增广模型进行训练
。
[0036]根据本专利技术提供的一种雷达数据增广方法，所述基于所述第一数据分布差异确定第一损失函数，基于所述第一损失函数对所述特征提取器进行训练，之后还包括：
[0037]将所述源域数据集中各样本雷达数据分别输入至训练后的特征提取器，得到所述训练后的特征提取器输出的至少一个第四特征；
[0038]将所述至少一个第四特征分别输入至所述增广模型，得到所述增广模型输出的至少一个增广雷达数据
。
[0039]本专利技术还提供本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种雷达数据增广方法，其特征在于，包括：获取源域数据集，并获取新增雷达数据集，所述源域数据集包括至少一个样本雷达数据，所述新增雷达数据集中各雷达数据为相同域的数据；将所述源域数据集中各样本雷达数据分别输入至特征提取器，得到所述特征提取器输出的至少一个第一特征，并将所述新增雷达数据集中各雷达数据分别输入至所述特征提取器，得到所述特征提取器输出的至少一个第二特征；基于所述至少一个第一特征和所述至少一个第二特征，确定所述源域数据集与所述新增雷达数据集的第一数据分布差异；基于所述第一数据分布差异确定第一损失函数，基于所述第一损失函数对所述特征提取器进行训练；将所述新增雷达数据集中各雷达数据分别输入至训练后的特征提取器，得到所述训练后的特征提取器输出的至少一个第三特征；将所述至少一个第三特征分别输入至增广模型，得到所述增广模型输出的至少一个增广雷达数据，所述增广模型是基于所述源域数据集训练得到的
。2.
根据权利要求1所述的雷达数据增广方法，其特征在于，所述将所述新增雷达数据集中各雷达数据分别输入至训练后的特征提取器，得到所述训练后的特征提取器输出的至少一个第三特征，之前还包括：将所述至少一个第一特征分别输入至所述增广模型，得到所述增广模型输出的至少一个第一样本雷达数据；基于所述至少一个第一样本雷达数据与所述新增雷达数据集的第二数据分布差异，确定第二损失函数；将所述至少一个第一样本雷达数据分别输入至域判别器，得到所述域判别器输出的至少一个第一判别结果，基于所述至少一个第一判别结果确定第三损失函数，所述域判别器用于判别输入的数据是所述源域数据集中的数据还是所述新增雷达数据集中的数据；基于所述第二损失函数和所述第三损失函数，对所述特征提取器和所述增广模型进行训练
。3.
根据权利要求1所述的雷达数据增广方法，其特征在于，所述将所述至少一个第三特征分别输入至增广模型，得到所述增广模型输出的至少一个增广雷达数据，之前还包括：将所述至少一个第一特征分别输入至所述增广模型，得到所述增广模型输出的至少一个第一样本雷达数据，并将所述至少一个第二特征分别输入至所述增广模型，得到所述增广模型输出的至少一个第二样本雷达数据；基于所述至少一个第一样本雷达数据与所述至少一个第二样本雷达数据的第三数据分布差异，确定第四损失函数；基于所述第四损失函数对所述增广模型进行迭代优化
。4.
根据权利要求3所述的雷达数据增广方法，其特征在于，所述增广模型为生成器，所述基于所述第四损失函数对所述增广模型进行迭代优化，包括：基于所述第四损失函数和第五损失函数对所述增广模型进行迭代优化；其中，所述第五损失函数是基于如下步骤确定：将所述至少一个第一样本雷达数据分别输入至所述增广模型对应的判别器，得到所述
判别器输出的至少一个第二判别结果；基于所述至少一个第二判别结果确定所述第五损失函数；和
/
或，将所述至少一个第二样本雷达数据分别输入至所述增广模型对应的判别器，得到所述判别器输出的至少一个第三判别结果；基于所述至少一个第三判别结果确定所述第五损失函...

【专利技术属性】
技术研发人员：钟奥，王建社，方四安，柳林，占建波，徐承，
申请(专利权)人：合肥讯飞数码科技有限公司，
类型：发明
国别省市：