[发明专利]一种基于生成式对抗网络的空间目标样本增广方法

说明书

本发明公开了一种基于生成式对抗网络的空间目标样本增广方法，步骤如下：空间目标的不变特性关联性分析，对其不变特征和差异特征进行分类，为生成式对抗网络提供可供选择的样本；分析原有损失函数易导致模式坍塌的原因，使用逼真度函数替代生成式对抗网络原有的损失函数，对目标进行样本生成；基于自然进化方式，将生成器的生成过程转化为变异过程，并将原有的单个生成器修改为3个待进化的异类生成器；设立适应度函数自我优化空间目标样本，并将优化后的目标样本输入到判别器。本发明将生成式对抗网络的原有损失函数改进为基于逼真度的损失函数，抑制了判别器对生成器的无梯度引导。

技术领域

本发明属于空间智能操控技术领域，具体涉及一种基于生成式对抗网络的空间目标样本增广方法。

背景技术

基于深度神经网络的高识别率需要巨量的、类别丰富的数据集作为支撑，识别模型通过对大数据集的训练，逐渐学习到图像识别所需的特征信息，最终利用组合的高级特征完成目标识别任务。但在面向空间碎片清除、交会对接、在轨组装等航天任务中，应用深度学习方法识别空间目标会面临识别准确率急剧下降的问题，主要原因在于用于训练空间目标识别模型的数据不足。与地面常规目标的数据集收集不同，空间目标的状态不稳定、部分可能为他方航天器，无法获取种类丰富的目标作为训练样本。即使付出了昂贵的代价来获取训练数据集，随着失效卫星、太空碎片、火箭末级残骸等新目标不断增多，数据集无法有效更新。

为增广空间目标样本集，传统方法一般采用图像旋转、剪切、模糊、缩放等方式，但增广后的数据集训练容易导致模型过拟合。也有部分传统方法采用模拟数据训练模型，但地面试验条件下产生的模拟训练数据样本相对单一和有限，难以完全模拟空间实际情况，导致训练后的模型难以适应真实的空间环境。样本生成旨在基于同一种类的少量图像，生成该种类更多的图像，可以用来增广已有的训练数据，从而增强空间目标识别任务。随着生成式对抗网络的发展，生成模型开始用来做数据增广，但训练阶段模型易坍塌，生成阶段的样本不够逼真、模式单一。

因此，为解决稀缺样本条件下的空间目标识别等问题，有必要研究面向稀缺认知样本的生成技术，以此来扩展空间目标数据集。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种基于生成式对抗网络的空间目标样本增广方法，以解决现有样本增广方法存在的模式单一、样本质量低等问题，本发明可以有效提高生成样本的质量，在降低模式坍塌同时抑制梯度消散。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种基于生成式对抗网络的空间目标样本增广方法，步骤如下：

1)空间目标的不变特性关联性分析，对其不变特征和差异特征进行分类，为生成式对抗网络提供可供选择的样本；

2)分析原有损失函数易导致模式坍塌的原因，使用逼真度函数替代生成式对抗网络原有的损失函数，对目标进行样本生成；

3)基于自然进化方式，将生成器的生成过程转化为变异过程，并将原有的单个生成器修改为3个待进化的异类生成器；设立适应度函数自我优化空间目标样本，并将优化后的目标样本输入到判别器。

进一步地，所述步骤1)中空间目标的不变特性关联性分析具体包括：

11)样本相似性分析：对空间目标的样本进行增广，要求目标域和源域的数据分布尽可能相似，以保证分类器不变的情况下，对识别任务保持尽可能相同的性能；

12)特征相似性分析：在样本增广前，从原始样本集中提取原始或附加特征，去除受迁移转换因素影响大的特征，同时选择一组不受响的特征作为样本增广的输入特征；

13)模型相似性分析：考虑目标域训练样本不足的情况，通过源域训练分类模型并保持数据分布不变，使分类器适应于目标域的数据分布。

进一步地，所述步骤2)具体为：