[发明专利]基于生成对抗网络的认知抗干扰目标检测方法

权利要求书

1.一种基于生成对抗网络的认知抗干扰目标检测方法，其特征在于，包括以下步骤：

S1：构建生成对抗网络；

S2：利用原始小样本集生成目标数据集和干扰数据集；

S3：利用所述目标数据集和所述干扰数据集分别训练所述生成对抗网络，得到新回波样本；

S4：构建抗干扰检测网络；

S5：利用新回波样本训练所述抗干扰检测网络；

S6：利用训练好的抗干扰检测网络进行目标检测和干扰抑制。

2.根据权利要求1所述的基于生成对抗网络的认知抗干扰目标检测方法，其特征在于，步骤S1包括：

1a)搭建一包括生成器和判别器的生成对抗网络结构；

1b)分别设置所述生成器的参数和所述判别器的参数，以完成所述生成对抗网络的构建。

3.根据权利要求1所述的基于生成对抗网络的认知抗干扰目标检测方法，其特征在于，步骤S2包括：

2a)对外场试验过程中收集到的小样本回波数据进行预处理，得到原始样本集；其中，所述原始样本集包括若干目标和干扰混合回波数据；

2b)将所述原始样本集按比例随机划分为两部分，并将一部分放入训练集，另一部分放入测试集，得到原始样本训练集和原始样本测试集；

2c)截取出所述原始样本训练集中的目标回波数据和干扰回波数据，得到目标数据集和干扰数据集。

4.根据权利要求2所述的基于生成对抗网络的认知抗干扰目标检测方法，其特征在于，步骤S3包括：

3a)从100维的随机噪声向量中采样，输入到所述生成器中，得到500维的生成数据样本；

3b)将所述目标数据集和所述500维的生成数据样本依次输入到所述判别器中，分别得到所述生成器的损失函数和所述判别器的损失函数；

3c)根据所述生成器和所述判别器的损失函数对所述生成器和判别器采用交替训练的策略进行学习更新；

3d)采用RMSProp算法更新所述生成对抗网络的权值和偏置参数，并在更新后将所述判别器的权重和偏置参数裁剪到一定范围之间；

3e)重复上述步骤3a)～3d)，当所述判别器的损失函数值趋于0时，得到训练好的生成对抗网络；

3f)利用训练好的生成对抗网络对所述目标数据集进行扩充，得到扩充后的目标数据集；

3g)按照上述步骤3a)～3e)的方法，将所述目标数据集替换成所述干扰数据集，重新训练生成对抗网络并对所述干扰数据集进行扩充，得到扩充后的干扰数据集；

3h)利用扩充后的目标数据集和扩充后的干扰数据集生成新回波样本。

5.根据权利要求4所述的基于生成对抗网络的认知抗干扰目标检测方法，其特征在于，所述生成器的损失函数为：

其中，z表示随机噪声，服从分布p(z)，g表示生成器，θ表示生成器的参数，g_θ(z)表示生成器生成的伪信号；

所述判别器的损失函数为：

其中，x表示真实信号，P_r表示真实信号分布，f表示判别器，ω表示判别器的参数。

6.根据权利要求1所述的基于生成对抗网络的认知抗干扰目标检测方法，其特征在于，步骤S4包括：

4a)基于卷积神经网络搭建一抗干扰检测模型；其中，所述抗干扰检测模型包括输入卷积层、WaveNet层以及输出卷积层；

4b)设置所述抗干扰检测模型中各层的参数，以完成所述抗干扰检测模型的构建。

7.根据权利要求6所述的基于生成对抗网络的认知抗干扰目标检测方法，其特征在于，所述WaveNet层包括门激活单元，所述门激活单元的函数表示为：

Y＝tanh(W_f,k*X)⊙σ(W_g,k*X)；

其中，X表示该单元的输入，W表示一个可学习的卷积滤波器，f表示滤波单元，g表示门单元，k表示当前网络层级，*表示卷积操作，⊙表示点乘操作，σ表示sigmoid激活函数。