[发明专利]一种基于生成对抗网络的雷达HRRP持续学习方法

权利要求书

1.一种基于生成对抗网络的雷达HRRP持续学习方法，其特征在于，包括以下步骤：

S1，使用的实测数据包括三种类型的飞机，分别为中型螺旋桨飞机An-26、小型喷气式飞机Cessna和大型喷气式飞机Yark-42，雷达在C波段工作，信号带宽为400MHz，脉冲重复频率为400Hz，数据集中的每个HRRP样本包含256个距离单元，将An-26飞机的第2、5段、Cessna的第6、7段、Yark-42的第5、6段作为训练样本，剩余段作为测试样本，使用等间隔采样法从训练数据中抽取，使之和仿真数据的训练样本数一样多，并加入一定量的高斯白噪声使其信噪比为25dB，使用的9类飞机的数据集为FECO软件基于转台模型所生成的电磁仿真HRRP数据集，用于训练的每类飞机数据集方位维覆盖角域360度角域，包含1600个训练样本，每个HRRP样本包含256个距离单元，用于测试的仿真飞机数据集目标类型、方位维覆盖角域以及样本数与用于训练的飞机数据集一致，仅俯仰角度二者之间存在10度左右的差别，为了使仿真数据更加真实，在仿真时，加入一定量的高斯白噪声使仿真数据集的信噪比为25dB；

S2，在预处理过程中对强度敏感性和平移敏感性进行处理；

S3，在雷达HRRP自动目标识别的背景下，使用三种不同的HRRP增量学习任务设置；

S4，根据持续学习相关方法在三种设置下训练经S2处理的HRRP数据，并为伪重播DGR方法重新设计解码器为条件自动编码器对抗网络CVAEGAN，其中CVAEGAN包括编码器、解码器、判别器和分类器；

S5，使用CVAEGAN网络的DGR方法训练S2处理的HRRP数据。

2.如权利要求1所述的一种基于生成对抗网络的雷达HRRP持续学习方法，其特征在于，所述S2进一步包括：

S201，对原始HRRP回波进行L₂归一化处理，原始HRRP数据表示为x_raw＝[x₁，x₂，…，x_M]，其中M表示HRRP距离单元总数，归一化后得到的x_{normalization}表示为：

其中x_i表示第i个距离单元的强度；

S202，使用重心对齐法消除平移敏感性，在重心对齐法中，首先计算出数据的重心位置，然后通过将HRRP数据左右平移使其重心靠近数据中心位置，其中重心g的计算过程表示为：

3.如权利要求1所述的一种基于生成对抗网络的雷达HRRP持续学习方法，其特征在于，所述S3中三种不同的HRRP增量学习任务包括任务增量学习、域增量学习和类增量学习。