[发明专利]一种基于WGAN的小样本地面慢速运动目标分类方法

说明书

本发明属于雷达信号处理技术领域，公开了一种基于WGAN的小样本地面慢速运动目标分类方法，首先，基于实测数据利用短时傅里叶变换方法，构建了地面慢速运动目标时频谱图样本库；其次，引入WGAN技术对地面慢速目标的时频谱图样本库进行扩充；最后，将原始样本库分成训练集和测试集，新生成的样本均放入训练集，引用VGGNet进行网络训练至网络收敛，得到分类模型，在测试集中利用分类模型进行地面慢速运动目标的分类；该方法引入WGAN技术对地面慢速目标的时频谱图样本进行扩充，提高了地面慢速运动目标数据的数量和多样性，从而显著提高基于神经网络的小样本地面慢速运动目标分类算法性能。

技术领域

本发明属于雷达信号处理技术领域，尤其涉及基于韦氏距离生成式对抗网络(Wasserstein Generative Adversarial Network,WGAN)的小样本地面慢速运动目标分类方法，用于提升地面慢速运动目标数据的数量和多样性，从而显著提高基于神经网络的小样本地面慢速运动目标分类算法性能。

背景技术

地面慢速目标的检测和分类可应用在广场监视、机场场面监视、灾后救援、防恐处突、辅助医疗等军用和民用领域，具有重要的研究意义。行人与车辆目标是地面监视雷达的主要监视对象。

传统的基于手动提取特征的分类方法依赖于先验知识，只能针对特定的应用场景，普适性低。深度学习算法通常需要丰富的数据进行支撑，而数据的丰富性不仅体现在数量，同时体现在多样性，二者缺一不可。在现实应用场景中，标记训练数据总是稀少的，因此深度学习算法很容易发生过拟合问题。因此，需要对样本进行增强和扩充。传统的数据增强方法包括仿射变换、滑窗和加噪等。Bjerrum等人提出了基于仿射变换的数据增强方法，通过对样本图像进行放大、缩小、平移、旋转以实现生成类似样本，将原始样本和新样本混合作为训练集输入到神经网络中，训练完成后模型的分类误差控制在0.35％以下。它们对原有数据进行某种变换，并没有研究数据的内在分布，因此，所生成的数据与原有数据相比相差不大，没有显著提升数据的多样性。另一种数据增强思路是采用生成模型对其内在分布进行学习，能够同时提升数据的数量和多样性。等人在小样本情况下利用自编码器进行网络参数的初始化，再利用卷积网络对辅助和非辅助的行人室内运动进行分类，获得了较好的结果。但该方法具有不稳定性，也会出现难以收敛的情况。Goodfellow等人在2014年提出了生成式对抗网络(Generative Adversarial Network,GAN)。它是一种生成式模型，通过生成器和判别器的博弈过程，最终达到纳什均衡，生成与原图像特征相似但不相同的新的图像。但GAN存在收敛不稳定，容易出现样本相似性大的问题。

发明内容

针对现有技术中存在的问题，本发明的目的在于提供一种基于WGAN的小样本地面慢速运动目标分类方法，本发明构建了基于实测数据的地面慢速运动目标时频谱图数据库，引入WGAN技术，对地面慢速目标的时频谱图样本进行扩充，提高数据库的丰富性，可弥补神经网络用于目标分类时由于样本数量稀少、特征单一而可能发生的过拟合或算法效果不佳的问题，为基于神经网络的小样本地面慢速目标分类奠定了一定的基础。

本发明的技术原理是：首先，基于实测数据利用短时傅里叶变换方法，构建了地面慢速运动目标时频谱图样本库；其次，引入WGAN技术对地面慢速目标的时频谱图样本库进行扩充；最后，将原始样本库分成训练集和测试集，新生成的样本均放入训练集，引用VGGNet进行网络训练至网络收敛，得到分类模型，在测试集中利用分类模型进行地面慢速运动目标的分类。

为了达到上述目的，本发明采用以下技术方案予以实现。

一种基于WGAN的小样本地面慢速运动目标分类方法，包括以下步骤：

步骤1，基于地面慢速运动目标回波数据，利用短时傅里叶变换方法，构建地面慢速运动目标时频谱图样本库；

步骤2，引入WGAN技术对地面慢速目标的时频谱图样本库进行扩充，得到扩充后的样本；