[发明专利]一种基于样本扩充器的雷达目标样本扩充生成方法

说明书

本发明公开了一种基于样本扩充器的雷达目标样本扩充生成方法，提供一种雷达目标样本扩充方法，其中包括：首先构建雷达目标样本扩充器，该扩充器集成了距离像、调制谱信号仿真建模，噪声叠加、脉冲调整、变采样、信号平移，生成对抗网络等方法，并设计仿真建模、参数调整、生成对抗、综合处理为代表的四种样本扩充模式，为雷达目标样本扩充提供多种手段；然后根据输入雷达参数、目标参数和样本信息，计算得到可用处理模式，设定需要生成样本数量和样本扩充模式；最后根据处理模式调用不同方法，自动样本扩充生成，可得到不同目标参数、不同雷达参数条件下的样本数据，为目标识别提供数据支持。

技术领域

本发明应用于雷达目标识别领域。

技术背景

随着雷达技术的不断进步，雷达信号参数多变、波形多样，可提取目标的丰富特征信息，这使得基于雷达的目标识别成为可能。雷达目标识别技术也成为学术界和工程界的研究热点之一，是智能武器系统的重要支撑技术。若目标尺寸大于雷达距离分辨率，雷达回波则在不同距离单元上的回波强弱会有差异；目标的高分辨距离像正是用宽带雷达信号获取的目标散射点子回波在雷达射线上投影的向量和的幅度波形，反映出目标在雷达视线上精细的几何结构特征，对目标识别与分类十分有价值。有些目标，特别是空中目标在进行运动的同时，自身也存在周期性的旋转运动，在一定的目标姿态角范围内，这种微运动会引起雷达回波中的多普勒调制，文献“Chen,V.C.雷达中的微多普勒效应[M].电子工业出版社,2013:92-108”中研究了这种特征，可以利用这种微动信息进行目标识别。以上两种常见的雷达目标识别技术，是建立在对雷达回波数据的基础上，识别时通过建立样本库进行模板匹配进而目标识别；随着机器学习的发展，以数据驱动的神经网络给雷达目标识别带来新的发展，利用大量数据样本进行训练，构建模型进行目标识别。不论是模板匹配还是机器学习，都离不开可靠有效的雷达目标数据和样本。

受限于环境、装备、时机等多要素影响，非理想、非常规条件下的数据获取能力受限，数据往往不具有完备性、规模性；实际积累的数据样本量远远不能满足深度学习对训练数据的要求。关键问题在如何利用有限的数据，甚至少量数据进行价值挖掘，实现传统大规模数据机器学习功能。当前，样本扩充技术已成为识别领域的一个方向。相关研究主要集中在图片的扩充、变换，如专利“一种小样本下扩充数据集的图像处理方法，CN201811087771.3，2019-02-12”公开了一种小样本下扩充数据集的图像处理方法，雷达目标样本的扩充生成相对较少，更多是仿真建模，针对雷达目标识别的样本扩充技术尚少。综合考虑雷达、目标等参数，研究多模式雷达目标数据处理方法，生成不同参数条件下样本数据，可解决雷达目标数据扩充难题，对于进一步雷达目标分类识别具有重要意义。

发明内容

本发明提供一种基于样本扩充器的雷达目标样本扩充生成方法，丰富样本数量，为目标识别和机器学习提供数据支撑。

实现本发明的解决方案是：针对目标的宽带一维像和窄带调制谱为代表雷达目标识别过程中存在的数据获取难、数量少的难题，本发明所述方法提供一种雷达目标样本扩充方法，其方法流程如下：

步骤1：构建样本扩充器，样本扩充器由输入参数层、方法模型层、处理模式层、输出样本层构成，集成了距离像、调制谱信号仿真建模，噪声叠加、脉冲调整、变采样、信号平移，生成对抗网络等方法，设计了仿真建模、参数调整、生成对抗和综合处理四种处理模式；

步骤2：输入雷达参数、目标参数或目标样本；

步骤3：根据样本扩充器输入量和参数，自动分析计算得到可用的样本扩充模式；

步骤4：进行模式选择，根据步骤3中计算的到可用样本扩充处理模式，判断模式是否可选，若不可选则处理结束或重新模式选择；

步骤5：目标样本扩充参数设置，设定扩充样本数量N、处理方法参数；

步骤6：进行样本扩充生成，针对不同处理模式应用不同方法进行处理；

步骤7：扩充得到N个样本，输出样本得到样本库。