[发明专利]一种基于生成对抗网络的雷达HRRP持续学习方法

说明书

本发明公开了一种基于生成对抗网络的雷达HRRP持续学习方法，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；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。

技术领域

本发明属于雷达技术领域，具体涉及一种基于生成对抗网络的雷达HRRP持续学习方法。

背景技术

高分辨宽带雷达的距离分辨率远小于目标尺寸，其回波也被称为目标的一维高分辨距离像(High Resolution Range Profile，HRRP)。HRRP不仅包含目标的径向尺寸和散射点的分布等结构信息，并且采集和处理相对简单，存储方便，非常有利于工程应用。因此，基于HRRP的目标识别方法在雷达自动目标识别领域中受到广泛关注。

过去对HRRP的目标识别研究大多集中于静态的离线任务上。这些任务首先采集训练HRRP数据并建立样本库，然后建立基于统计或深度学习等模型训练目标识别模型，最后将模型离线部署到硬件设备上用于真实的识别任务。这些方法已经取得了很好的应用成果，然而，当获得新目标HRRP样本的时候，这些模型无法在线扩展使之获得对新目标的识别能力，因此难以应用于多变的实际场景中。

发明内容

鉴于以上存在的技术问题，本发明提供一种基于生成对抗网络的雷达HRRP持续学习方法。

为解决上述技术问题，本发明采用如下的技术方案：

一种基于生成对抗网络的雷达HRRP持续学习方法，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。

优选地，所述S2进一步包括：