文摘

针对高分辨率的雷达目标识别问题范围概要(HRRP)在低信噪比条件下,基于受限的最小二乘识别方法生成对抗网络(CN-LSGAN)、短时傅里叶变换(STFT),提出了卷积神经网络(CNN)。结合最小二乘生成对抗网络(LSGAN)和瓦瑟斯坦生成对抗网络梯度点球(WGAN-GP),给出了CN-LSGAN和应用于HRRP降噪。HRRP的频率域和相位特性获得了STFT为了方便特性也学习和匹配的输入数据格式CNN。这些实验结果表明,该CN-LSGAN性能更好的数据增加,可以有效地避免模型崩溃而生成网络(GAN)和LSGAN对抗。也,该方法具有较好的识别性能比一维CNN方法和短期记忆(LSTM)网络的方法。

1。介绍

HRRP所有电磁散射回波的矢量和,可以反映几何结构、目标的散射点分布等特征。同时,很容易获得和处理,所以HRRP的雷达目标识别已成为一个研究热点,在学术界引起了人们广泛的关注1- - - - - -11]。近年来,随着大规模深层神经网络的崛起,深度学习的研究提供了新思路雷达HRRP的自动目标识别(RATR)。与传统的识别方法相比,深度学习的HRRP目标识别方法可以避免过度使用手册规定提取目标特征和获得高阶特性。深度信念网络的识别率(DBN)达到了92.8%12];CNN也应用于RATR [13,14),识别率大大提高;递归神经网络(RNN) (15]和LSTM [16)都取得了良好的识别。然而,在这些实际应用场景,HRRP获得含有噪声,影响了HRRP的振幅。当数据的信噪比很低,这些数据的振幅大大不同于真实数据的振幅,特征提取,提取的特征也有很大的不同从真实数据的特性,从而干扰识别结果。所以,HRRP需要增强以提高信噪比。氮化镓是一种深度学习模型广泛应用于数据增加,它是用于图像盲目的去噪(17和语音增强18,19]。但是,还没有应用于HRRP增大。HRRP只有一个汽车去噪编码器(AE) [20.]。

解决HRRP的雷达目标识别问题在低信噪比情况下,我们提出了一种新的生成模型,称为CN-LSGAN。CN-LSGAN可以生成数据类似于真正的低信噪比数据作为输入数据,从而提高数据的信噪比。此外,为了模拟吵了HRRP数据在实际应用场景中,我们添加了不同程度的高斯白噪声的实际数据,然后使用CN-LSGAN加强改善信噪比的数据。然后,我们获得的数据用于目标识别。为了提高识别效果尽可能多,时频分析前的数据进行识别,从一维数据转换和数据的二维数据。时频获得数据包含更多的功能。在目标识别任务,更多的数据特性,通常是更好的识别效果。最后,得到时频数据被CNN,并得到识别结果。本文取得了以下贡献:(1)提高LSGAN解决模型崩溃问题(2)改善CN-LSGAN HRRP数据的信噪比(3)利用STFT的结合时频分析和浅CNN网络架构测试由CN-LSGAN增强数据的识别率

本文的其余部分组织如下:第二部分详细介绍了该方法,主要包括CN-LSGAN的插图,STFT, CNN;第三部分主要侧重于实验结果和分析;第四部分总结了纸。

2。时频分析和基于CN-LSGAN HRRP目标识别,STFT, CNN

2.1。设计CN-LSGAN

氮化镓是一种生成模型设计的格拉汉姆·古德费勒(21]。模型由发电机(G)和一个鉴别器(D),如图1。

的输入是真实的数据或 ,和输出的是1或0。进行对抗训练和 ,这方法的实际数据。当不能确定输入的源后持续对抗训练和迭代优化,认为学到真正的数据分布。

氮化镓的损失函数 在哪里分布函数的期望,是真正的数据分布,噪声分布。

清洁HRRP的实际数据,输入的是吵了HRRP,如图2。通过对抗训练,生成的数据清洁HRRP相似,然后,达到降噪的目的。

LSGAN [22甘)而不是使用本文的损失函数LSGAN显示如下:

甘相比,LSGAN使用最小二乘损失的叉损失,这有效地解决了梯度消失问题在模型训练阶段。然而,LSGAN也有缺点;LSGAN有大量输出的自由程度和模型很容易崩溃。这些问题将导致低质量、低生成样本的多样性。就这些问题而言,是一个约束项,分别添加到LSGAN损失函数的和 ,和两个约束项如下所示:

通过改进LSGAN公式(2)可以改写如下:

在公式(5),和代表调整权重,进行调整和 ,分别。可以解决模式崩溃,然后呢可以减少输出自由程度的g . LSGAN叫做CN-LSGAN与上述约束项。

这两个和CN-LSGAN采用完全连接的网络结构,如图3和4。

2.2。基于STFT的时频分析

时域分析HRRP只描述信号的振幅,它只提供了有限的信息功能学习。相比之下,光谱特性是一个二维(时间和频率)HRRP的代表,包括目标的频域特征和反映了相位信息。STFT用于HRRP的时频分析,和窗口函数是汉宁窗。窗口的宽度影响的相对分辨率时间域和频率域。为了使时域分辨率和频域分辨率之间的权衡,邻段相互叠加在信号。根据HRRP特点,选择相邻的信号段之间的搭接长度的一半每段的长度,与汉宁窗窗口长度的32岁,16日8日和4用于STFT。

2.3。CNN的设计

时频获得的数据的维数HRRP的时频分析(64),CNN是根据尺寸而设计的。模型由两个卷积层、汇聚层,两层完全连接,和一个SoftMax分类器,和卷积核的大小两个卷积层3∗3,如图5。

3所示。实验结果和分析

3.1。实验数据

清洁HRRP所获得的电磁仿真技术,模拟的五种飞机(Su27、F16 M2000, J8II,和卫星)。为每架飞机有18000个样本,所以总共有90000个样本。为了验证降噪方法的有效性基于CN-LSGAN,高斯白噪声添加到清洁HRRP,和六种吵了HRRP数据的信噪比0分贝,5 dB, 10 dB, 15分贝,20 dB,和25 dB得到,,清洁HRRP叫做数据集,吵了HRRP叫做数据集B,和生成的HRRP生成模型被称为数据集C;这三个数据集分为训练集和测试集的比例为9:1。

3.2。HRRP降噪

图6显示四个样本数据集,人物7显示了四个样本数据集B 10 dB的信噪比。

信噪比的数据集B 10 dB是甘的输入,LSGAN和CN-LSGAN分别。三种数据生成,如图8- - - - - -10。

余弦相似度和均方误差(MSE)这些数据样本包括技术指标表明崩溃的概率模型。他们计算,分别对三种数据生成的氮化镓,LSGAN, CN-LSGAN。计算数据如表所示1。

当余弦相似度等于1或MSE = 0,这意味着一个特定的数据集的数据样本非常相似,这意味着模型发生崩溃。从表1可以看出,氮化镓生成的数据的余弦相似性和LSGAN 1.0和MSE非常接近或等于0,这意味着数据生成的氮化镓和LSGAN非常相似和模型发生崩溃。

皮尔森相关系数(PCC)和灰色关联分析(GRA)是用来评估生成数据的质量和降噪性能不同的生成模型。四种之间的测量数据显示数据和清洁HRRP,如表所示2。

在草地当PCC等于1或等于1,生成的数据是一样的干净数据,这意味着所生成的数据的质量和降噪性能很不错。PCC CN-LSGAN价值略低于LSGAN PCC的值,但比甘的PCC价值高。同时,绿草CN-LSGAN价值远远大于其他两个网络。从表1和2可以看出,CN-LSGAN不仅有效地解决了模型崩溃问题,而且生成的数据质量和更好的降噪性能高于GAN和LSGAN。

3.3。时频分析

STFT用于HRRP时频分析。当窗口长度很大,时间分辨率很差和频率分辨率高。情况是相反的,当窗口长度是狭窄的。根据样本特征,汉宁窗与窗的长度32岁,16日和4,获得数据时频图所示11。

数据集执行STFT的汉宁窗下四个窗口长度,和时频数据被CNN获得;结果如图12。

当窗口窗口函数的长度是4,时频分析结果得到的识别率可以达到99.8%,所以最优STFT窗函数长度是4。

3.4。目标识别

CN-LSGAN的增强的数据转换为二维数据的STFT然后被CNN。各种方法用于识别吵了HRRP的数据(数据集B),和这些识别利率图所示13。

这些识别的三种方法相比,该方法。第一个方法是一维的CNN方法,第二种方法是LSTM方法,第三种方法是STFT-CNN方法,也就是说,STFT结合二维CNN。可以看出,该方法基于CN-LSGAN, STFT, CNN有更好的识别性能比其他三种识别方法。同时,其他三种识别方法大大受信噪比影响,当数据信噪比很低,这些识别利率很低。通过比较第一个方法的识别率曲线曲线的第三种方法,第三种方法的识别率是略低于第一种方法的信噪比是0分贝时,在其他的信噪比下,识别利率高于第一种方法。这表明第三种方法可以提高识别性能,结合STFT和二维CNN。

4所示。结论

本文描述了一个基于CN-LSGAN HRRP目标识别方法,STFT, CNN,有效地解决了低信噪比条件下识别问题。其中,CN-LSGAN通过添加约束项和分别的LSGAN。CN-LSGAN不仅解决了问题,过度的自由程度的氮化镓输出,生成的数据质量差和无关紧要的降噪性能,还解决了模型GAN和LSGAN崩溃问题。的STFT分析了HRRP的时频特征,频域特性和相位特性介绍了目标,和更多的功能是有用的在特征提取和目标识别的CNN。这些实验结果表明,该方法基于STFT和CNN的方法相比具有更好的识别性能维CNN和LSTM的方法。

提出的目标识别方法已经实现了一个基于低信噪比HRRP高识别性能,但仍存在一些问题。例如,CN-LSGAN训练是不稳定的,很难实现之间的权衡STFT的时间分辨率和频率分辨率。在未来的研究中,网络结构和参数的调整CN-LSGAN将进一步优化和深卷积生成对抗网络(DCGAN)将试图结合CN-LSGAN。同时,其他时频分析方法,如小波变换将用于HRRP。

数据可用性

实验数据提供了补充材料。

的利益冲突

作者认为没有利益冲突的出版这篇文章。

确认

这项工作得到了国家自然科学基金(61661035),江西省自然科学基金(20192 bab207001)和航空科学基金(201920056001)。

补充材料

参见图1-13补充材料的全面的图像分析。对数据集A, B, C,看到文字干净,10 db,生成的补充材料。此外,数据文件的描述,请参阅文本文档描述的补充材料。(补充材料)