基于GAN的半监督低分辨雷达目标识别算法
2020-01-08朱克凡王杰贵吴世俊
朱克凡,王杰贵,吴世俊
(1.国防科技大学电子对抗学院,安徽 合肥 230037;2.中国人民解放军96713部队,江西 上饶 334100)
0 引言
雷达目标识别(Radar Target Recognition,RTR)是雷达研究的一个重要方向。由于高分辨雷达研究成本高、周期长、难以普及,现役雷达大部分是低分辨雷达,且随着脉冲压缩技术的普及,传统低分辨雷达也能拥有很高的径向分辨力,能够提取目标一维距离像等细微特征,基于低分辨雷达的目标识别技术研究仍然是雷达研究的一个重要热点[1-4]。
在现代战争中,当雷达的脉冲重复频率较低或者目标是先进的非合作目标或隐身目标时,通常难以获取足够多的训练样本[5]。在进行雷达侦察任务时,采集到大量无标签数据,对其进行半监督学习能够有效提高目标识别率。目前,对于雷达目标的半监督学习方法主要是基于支持向量机(Support Vector Machine, SVM)。文献[6]基于信号调制谱特征利用多核直推式支持向量机(TSVM-MKL)算法实现了对飞机目标的分类。文献[7]基于信号RCS特征通过TSVM-MKL算法实现了对弹道目标的分类,但一方面SVM的核函数选择比较困难,另一方面基于SVM的目标识别算法需要先对回波信号进行特征提取,会损失数据信息,不利于目标识别率的提高。
随着深度学习理论的出现,卷积神经网络(Convolutional Neural Networks, CNN)由于能够自学习数据深层本质特征[8],在各个领域具有广泛应用[9-12],使基于采样数据实现对雷达目标的直接识别成为可能,而生成对抗网络(Generative Adversarial Network, GAN)可以生成逼迈真实数据颁的生成样本[13-16],将生成样本与无标签样本组成真假样本集,通过生成器与判别器的对抗学习,充分利用无标签数据信息,提高判别器的判别能力。……
