【技术实现步骤摘要】
本专利技术涉及雷达目标开集识别，特别是涉及一种基于cvae-gan深度模型的雷达目标开集识别方法。
技术介绍
1、基于雷达图像的目标识别包括两个阶段：首先提取雷达目标图像的识别特征，然后使用分类器依据识别特征将图像分配到特定的类别。识别特征是分类器的关键，对分类成功与否有重要影响。近几十年来，基于雷达图像的目标识别领域提出了大量的特征提取技术，包括基于主成分分析(pca)的方法、基于散射中心模型(scm)的方法、稀疏表示方法和多特征融合方法等。与传统的手工提取图像特征的技术不同，深度学习(dl)技术通过特征提取器和分类器的结合，自动提取图像特征，从而取得了较好的目标识别性能。目前，在一些公共sar目标识别数据集上，dl技术取得了远超传统技术的识别准确率。然而，目前基于dl的雷达目标识别研究存在明显的局限性。一方面，许多现有的dl模型都是“黑盒子”，无法以人类能够理解的方式解释它们的预测，因此很难保证预测模型的合理性和可靠性。另一方面，现有的目标识别方法大多假设测试集中的目标类已经出现在训练集中。然而，在现实的场景中，可能存在一些未知的目标类。对于未知类，传统的dl目标识别方法不能正常工作。
2、为了应对上述挑战，人们进行了一些研究。研究了迁移学习，将一些具有丰富标记样本的sar数据集中的知识迁移到标记样本有限的目标任务中。首先在仿真sar数据上对识别模型进行训练，然后将识别模型迁移到目标任务。对仿真sar图像进行了处理，以减小仿真图像与真实图像的差异。除了迁移学习方法外，生成网络也用于生成训练数据中不包含的sar图像
技术实现思路
1、本专利技术的目的是提供一种基于cvae-gan深度模型的雷达目标开集识别方法，结合cvae-gan中的编码器网络和生成网络，在给定目标类别标签和目标属性的情况下，可以生成训练数据集中缺失的清晰雷达目标图像。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种基于cvae-gan深度模型的雷达目标开集识别方法，包括以下步骤：
4、s1、获取嵌入目标数据集，通过嵌入目标的属性推导出cvae模型；
5、s2、将分类损失和gan损失集成到cvae模型中，得到cvae-gan模型；
6、s3、将嵌入目标数据集分为训练集和测试集，通过训练集和测试集对cvae-gan模型进行训练和测试，得到训练好的cvae-gan模型；
7、s4、将待识别的雷达目标图像输入至训练好的cvae-gan模型中，实现雷达目标开集识别。
8、优选的，s1中通过嵌入目标的属性推导出cvae模型的推导过程如下：
9、生成cvae模型通过最大化条件对数似然函数来实现：
10、max εx～p(x)log p(x|y,θ) (6.1)
11、其中，p(x),p(x|y,θ)为x的先验分布和后验分布，根据vae的思想，增加一个辅助潜变量z来表示logp(x|y,θ)；令q(z|x)为z的后验分布，则logp(x|y,θ)表示为：
12、
13、其中，kl[q(z|x)||q(z|y,θ)]为分布在q(z|x)和q(z|y,θ)之间的kl散度；得到kl[q(z|x)||q(z|y,θ)]变分下界为：
14、
15、因此，最大化logp(x|y,θ)转化为最大化其变分下界，变分下界经过推导得到：
16、
17、考虑到潜变量z由y,θ通过p(z|y,θ)产生，故式(6.4)中的logp(x|y,θ,z)项简化为logp(x|z)；因此模型生成问题重新表示为：
18、
19、优选的，s2中，将分类损失集成到cvae模型中，具体包括：
20、在式(6.5)中，省略期望符号εx～p(x)；增加分类损失εz～q(z|x)logp(y|z)，得到改进的cvae模型表示如下：
21、
22、其中，x,y,θ分别表示目标图像、类标签和相关属性的参数，z为辅助潜变量，q(z|x)为已知x时z的后验分布，p(z|y,θ)为已知y,θ时z的后验分布，p(x|z)为已知z时x的后验分布，p(y|z)为已知z时y的后验分布，-kl[q(z|x)||p(z|y,θ)]为分布损失，εz～q(z|x)logp(x|z)为重构损失，εz～q(z|x)logp(y|z)为分类损失。
23、优选的，s2中，将gan损失集成到cvae模型中，得到的cvae-gan模型，公式如下：
24、
25、其中，ex～p(x|z)[logd(x)]本文档来自技高网...
【技术保护点】
1.一种基于CVAE-GAN深度模型的雷达目标开集识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于CVAE-GAN深度模型的雷达目标开集识别方法，其特征在于，所述S1中通过嵌入目标的属性推导出CVAE模型的推导过程如下：
3.根据权利要求2所述的一种基于CVAE-GAN深度模型的雷达目标开集识别方法，其特征在于，所述S2中，将分类损失集成到CVAE模型中，具体包括：
4.根据权利要求3所述的一种基于CVAE-GAN深度模型的雷达目标开集识别方法，其特征在于，所述S2中，将GAN损失集成到CVAE模型中，得到的CVAE-GAN模型，公式如下：
5.根据权利要求4所述的一种基于CVAE-GAN深度模型的雷达目标开集识别方法，其特征在于，公式(6.7)所示CVAE-GAN模型的分布损失公式表示如下：
6.根据权利要求5所述的一种基于CVAE-GAN深度模型的雷达目标开集识别方法，其特征在于，固定σ2并令σ2＝1，则式(6.9)修正为
7.根据权利要求6所述的一种基于CVAE-GAN深度模型的雷
8.根据权利要求7所述的一种基于CVAE-GAN深度模型的雷达目标开集识别方法，其特征在于，公式(6.7)所示CVAE-GAN模型的分类损失具体为交叉熵损失，对于第i个目标样本对应的特征为zi，类标签为yi，所述交叉熵损失表示为：
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的一种基于CVAE-GAN深度模型的雷达目标开集识别方法。
...【技术特征摘要】
1.一种基于cvae-gan深度模型的雷达目标开集识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于cvae-gan深度模型的雷达目标开集识别方法，其特征在于，所述s1中通过嵌入目标的属性推导出cvae模型的推导过程如下：
3.根据权利要求2所述的一种基于cvae-gan深度模型的雷达目标开集识别方法，其特征在于，所述s2中，将分类损失集成到cvae模型中，具体包括：
4.根据权利要求3所述的一种基于cvae-gan深度模型的雷达目标开集识别方法，其特征在于，所述s2中，将gan损失集成到cvae模型中，得到的cvae-gan模型，公式如下：
5.根据权利要求4所述的一种基于cvae-gan深度模型的雷达目标开集识别方法，其特征在于，公式(6.7)所示cvae-gan模型的分布损失公式表示...
【专利技术属性】
技术研发人员：胡晓伟，郭艺夺，冯为可，李洪兵，冯存前，王宇晨，彭一凡，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。