技术领域
[0001] 本发明属于雷达数据增强领域，具体为一种基于生成对抗神经网络的雷达数据集扩充方法。
相关背景技术
[0002] 数据是目前人工智能技术的重要驱动力量之一，数据样本的数量和质量对于算法的最终性能具有不可忽视的影响。然而在雷达智能算法数据集建设过程中，会经常出现一些出现频次较少、但对于实际作战至关重要的非常见场景，如强旁瓣中的弱小目标、集群目标等。包含这类作战场景的实测数据难以获取，因而完全采用实测数据的数据集难以保证该类作战场景的数量，基于该数据集得到的智能算法对于该类特殊场景的敏感性也会相应地降低。这是人工智能领域常见的“长尾问题”，在实战过程中，如果没有对此类特殊场景给予充分的考虑，很有可能会造成不可估量的损失。
具体实施方式
[0025] 下面结合附图对本发明做进一步说明，但本发明的保护范围不受实施条例的限制。本发明提出了一种雷达数据集扩充方法，实现稀缺场景雷达数据的扩充。
[0026] 作为一种实施例，一种基于生成对抗神经网络的雷达数据集扩充方法利用生成对抗神经网络(GAN)扩充稀缺场景雷达数据集。具体步骤为：
[0027] 步骤1：通过外场专项试验采集所需稀缺场景雷达数据，并制作形成可供深度学习使用的数据集；在本实施例中，数据集为尺寸为64*64的雷达视频图像切片，切片中包含雷达目标回波。
[0028] 步骤2：通过随机抽样生成隐变量。在本实施例中，隐变量为一个长度为1*100、元素概率密度分布满足高斯分布的随机向量。
[0029] 步骤3：将该隐变量输入GAN，输出与目标雷达数据尺寸相同的输出数据。生成对抗神经网络由一生成器和一判决器组成。生成器的作用是将输入的隐变量转换为与数据集中数据尺寸相同的雷达仿真数据，判决器的作用是判断生成器输出的数据是新仿真数据还是数据集中的数据。在本实施例中，生成器由全连接层、重排操作和四个转置卷积层组成，最终将1*100的高斯隐变量映射为64*64的雷达图像切片。
[0030] 判决器则由三层卷积层和两个全连接层组成，判断生成器的图片为真实雷达数据还是仿真数据。
[0031] 步骤4：比较GAN生成数据与数据集内数据，得到损失函数值。本案例中，损失函数采用交叉熵损失函数。
[0032] 步骤5：采用深度学习反向传播训练算法优化损失函数值，更新GAN的内部权重；
[0033] 步骤6：重复上述步骤，直到损失函数值收敛或达到最大迭代次数。
[0034] 步骤7：将待扩充雷达数据输入训练好的生成对抗神经网络，获得扩充后的雷达数据。
[0035] 如图3所示，生成对抗神经网络主要由两个神经网络组成，并各自训练与对方进行对抗。生成器以随机产生的隐变量作为输入，给出一组仿真数据，判决器得到仿真数据后，需要判断其为真实数据还是仿真数据。在训练过程中，使用真实数据不断训练判决器，使得判决器分辨真假的能力持续提升，进而更好地识别出生成器生成的仿真数据，生成器则根据判决器的反馈结果对自身的生成能力进一步优化。在这样持续对抗的过程中，生成器和判决器的性能均不断上升，当判决器无法区分真假数据时，即实现“纳什平衡”，可认为生成器得到的输出结果满足置信度需求。
[0036] 通过上述方法得到的雷达数据集可用于构建大场景雷达回波数据的仿真，一种简单的实施方式如图4所示。首先使用生成器产生所需数量的噪声背景雷达回波切片，将切片按照所需方式嵌入到实际雷达噪声背景下，可以得到带有真值标记的噪声背景大场景雷达回波数据。
