基于生成对抗网络的认知抗干扰目标检测方法

技术领域

本发明属于雷达抗干扰技术领域，具体涉及一种基于生成对抗网络的认知抗干扰目标检测方法。

背景技术

雷达抗干扰目标检测的主要任务是在复杂的干扰场景下，完成对目标的正常探测。随着雷达所处电磁环境的日益恶化，传统的雷达抗干扰处理过程存在工作模式不灵活、自动化程度低、适应能力较差等问题，无法满足雷达目标检测的要求。

近年来随着深度学习算法研究发展迅速，利用相关算法来处理雷达抗干扰检测问题成为可能。目前，已经存有利用深度学习技术进行雷达目标检测的方法。梁思远在其发表的论文《基于深度学习的雷达抗干扰方法研究》中研究了复杂干扰背景下的认知雷达目标检测方法，该方法构建从接收到目标检测的端到端的模型，完成了抗干扰目标检测。

然而，上述方法在训练目标检测模型时需要依赖大规模的样本以准确估计检测模型的参数。而在雷达实际的环境中，数据样本资源往往很匮乏，检测模型无法进行充分训练，导致泛化性能不足，从而使得雷达检测性能严重下降，这极大限制了深度学习技术在雷达抗干扰目标检测方面的应用范围。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于生成对抗网络的认知抗干扰目标检测方法。本发明要解决的技术问题通过以下技术方案实现：

一种基于生成对抗网络的认知抗干扰目标检测方法，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。

在本发明的一个实施例中，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。

在本发明的一个实施例中，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。

在本发明的一个实施例中，步骤S3包括：

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。

在本发明的一个实施例中，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

所述判别器的损失函数为：

其中，x表示真实信号，P

在本发明的一个实施例中，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。

在本发明的一个实施例中，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

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。

在本发明的一个实施例中，步骤S5包括：

5a)将所述新回波样本与所述原始样本训练集混合，得到数据增强后的训练集；

5b)对所述数据增强后的训练集进行预处理，并将预处理后得到的特征矩阵作为所述抗干扰检测网络的输入；

5c)设置所述抗干扰检测网络的代价函数并对其进行最小化处理，得到匹配于所述原始样本集的抗干扰检测网络。

在本发明的一个实施例中，所述抗干扰检测网络的代价函数表示为：

L

其中，D

本发明的有益效果：

1、本发明提供的基于生成对抗网络的认知抗干扰目标检测方法通过生成对抗网络模型直接从原始小样本集中学习数据的分布规律，克服了现有的检测模型在缺乏训练数据时泛化性能不足的问题，使得该方法在小样本条件下具有更好、更稳健的抗干扰检测性能；

2、本发明采用生成对抗网络将实际观测的真实回波数据作为训练样本，并且在对抗训练过程中利用Wasserstein距离对训练样本和生成样本之间的距离进行度量，从而得到更接近于真实样本的高质量生成样本，扩大了适用范围。

以下将结合附图及实施例对本发明做进一步详细说明。

附图说明

图1是本发明实施例提供的一种基于生成对抗网络的认知抗干扰目标检测方法流程示意图；

图2a-2b是本发明实施例提供的生成对抗网络的结构示意图；

图3是本发明实施例提供的抗干扰检测网络的结构示意图；

图4a-4d是本发明实施例提供的生成器和判别器对抗过程中不同阶段下生成样本与真实样本的时频图；

图5是在信噪比SNR＝14dB，虚警率P

图6是在干信比JSR＝8dB，虚警率P

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

实施例一

请参见图1，图1是本发明实施例提供的一种基于生成对抗网络的认知抗干扰目标检测方法流程示意图，包括以下步骤：

S1：构建生成对抗网络(WGAN)，具体包括：

1a)搭建一包括生成器和判别器的生成对抗网络结构。

请参见图2a-2b，图2a-2b是本发明实施例提供的生成对抗网络的结构示意图，其中，图2a是生成器的结构示意图，图2b是判别器的结构示意图。在本实施例中，生成器和判别器均包括输入层、隐藏层(由全连接层组成)和输出层。

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。

具体地，对于生成器，设置其输入单元数为100，隐藏层的单元数设置为128和256，激活函数设置为线性整流函数ReLU，输出单元数设置为500，激活函数设置为tanh。

对于判别器，设置其输入单元数为500，隐藏层的单元数设置为256和128，激活函数设置为线性整流函数ReLU，输出单元数设置为1。

S2：利用原始小样本集生成目标数据集和干扰数据集，具体包括：

2a)对外场试验过程中收集到的小样本回波数据(即原始小样本集)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。

具体地，本实施例将原始样本集的30％放入训练集，70％放入测试集，且两部分数据集不相互重叠，保持相互独立。

2c)截取出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信号数据集。

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

具体包括：

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损失函数和所述判别器的损失函数。

在本实施例中，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(神经网络)，θ表示生成器的参数，g

所述判别器的损失函数为：

其中，x表示真实信号，P

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，其中，判别器和生成器更新次数比为5:1。

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。

在本实施例中，可将更新次数设置为100000次，并在每次更新后将判别器的权重和偏置参数裁剪到[-0.01,0.01]之间，然后更新生成对抗网络。

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。

在本实施例中，由于判别器的损失函数值可等同于Wasserstein距离，本实施例采用生成对抗网络将实际观测的真实回波数据作为训练样本，并且在对抗训练过程中利用Wasserstein距离对训练样本和生成样本之间的距离进行度量，从而得到更接近于真实样本的高质量生成样本，扩大了适用范围。

S4：构建抗干扰检测网络，具体包括：

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。请参见图3，图3是本发明实施例提供的抗干扰检测网络的结构示意图。

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。

具体地，将抗干扰检测模型的输入单元数设置为250×250×6，输入卷积层中包括了4层卷积层，每层卷积核的数量分别设置为12、18、24和30，卷积核的尺寸设置为1×7，WaveNet层为包含了门激活单元的7层因果扩展卷积层，扩张因子数分别设置为1、2、4、8、16、32、64和128，每一层的卷积核数量设置为64，输出卷积层的卷积核数量设置为64，卷积核的尺寸设置为1×1。

S5：利用新回波样本训练所述抗干扰检测网络，具体包括：

5a)将所述新回波样本与所述原始样本训练集混合得到数据增强后的训练集；

5b)对所述数据增强后的训练集进行预处理，并将预处理后得到的特征矩阵作为所述抗干扰检测网络的输入；

5c)设置所述抗干扰检测网络的代价函数并对其进行最小化处理，得到匹配于所述原始样本集的抗干扰检测网络。其中，所述抗干扰检测网络的代价函数表示为：

L

其中，D

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。

利用训练好的抗干扰检测网络实现小样本条件下的抗干扰目标检测任务。

本发明提供的基于生成对抗网络的认知抗干扰目标检测方法通过生成对抗网络模型直接从原始小样本集中学习数据的分布规律，克服了现有的检测模型在缺乏训练数据时泛化性能不足的问题，使得该方法在小样本条件下具有更好、更稳健的抗干扰检测性能。

实施例二

在上述实施例一的基础上，下面结合仿真实验对本发明的效果做进一步说明。

1.仿真实验条件：

本发明仿真实验的硬件测试平台是：处理器为Intel(R)Core((TM)i7-4790K，主频为4.0GHz，内存16GB；软件平台为：Ubuntu 16.04LTS，64位操作系统，Python 2.7。

2.仿真内容及仿真结果分析：

为证明基于生成对抗网络WGAN的认知抗干扰目标检测方法能够在小样本条件下获得更好的检测性能，本发明仿真实验是采用本发明的基于生成对抗网络WGAN的认知抗干扰目标检测方法和现有技术的基于卷积神经网络的抗干扰检测方法。

所述现有技术的基于卷积神经网络的抗干扰检测方法是指，西安电子科技大学梁思远的工学硕士论文《基于深度学习的雷达抗干扰方法研究》中所提出的基于卷积神经网络的雷达抗干扰目标检测方法。

本发明仿真实验中使用原始样本训练集对生成对抗网络WGAN进行对抗训练，当生成对抗网络WGAN收敛后，便可以实现对样本集的扩充。在本发明仿真使用中，分别采用不同数量的扩充样本集对检测模型进行训练，扩充样本数分别为1000，2000，4000，6000和8000。

请参见图4a-4d，图4a-4d是本发明实施例提供的生成器和判别器对抗过程中不同阶段下生成样本与真实样本的时频图，其中，x轴表示时间，y轴表示频率。图4a为对抗训练经过300轮次后生成样本的时频图，图4b为对抗训练经过1000轮次后生成样本的时频图，图4c为对抗训练经过3000轮次后生成样本的时频图，图4d为真实样本的时频图。对比图4a-4d的结果可以发现，随着迭代次数的不断增加，生成样本的质量逐渐得到改善，经过3000轮次的训练后，生成模型已经有效学习到真实样本的分布特征，证明了本发明所提采用的生成对抗网络WGAN技术能够生成与原始样本近似的样本，达到样本扩充的目的。

进一步地，给定信噪比SNR＝14dB、虚警率P

通过对比可以发现，随着样本数量不断增加，抗干扰检测性能逐渐提高，证明本发明所提的基于生成对抗网络WGAN的认知抗干扰目标检测方法可以通过提供大规模样本来改善检测网络的检测能力，克服了现有技术中由于缺乏数据样本造成的检测性能下降。

表1

为了进一步验证本发明的仿真实验效果，分别使用现有技术方法和本发明的方法，通过4000次蒙特卡洛结果，比较两种方法的检测结果。

请参见图5，图5是在信噪比SNR＝14dB，虚警率P

结合表1、图5和图6，可以得出结论：本发明所提的基于生成对抗网络WGAN认知抗干扰目标检测方法在小样本条件下能够实现相比于现有技术基于卷积神经网络的雷达抗干扰目标检测方法更有效的检测效果。本发明方法能够通过学习真实样本的数据分布，生成样本来扩充原始训练集，解决了现有技术中由于缺乏充足样本造成的检测性能不佳的问题，提升了目标检测的效果。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。