(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111239763.8 (22)申请日 2021.10.25 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市下沙高教园区 二号路 (72)发明人 欧阳文卿 　李训根　潘勉　吕帅帅　 管志远　方笑海　 (74)专利代理 机构 浙江永鼎律师事务所 3 3233 代理人 陆永强 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G01S 7/41(2006.01) G01S 13/933(2020.01)G06N 3/08(2006.01) (54)发明名称 一种基于生成对抗网络的雷达HRRP持续学 习方法 (57)摘要 本发明公开了一种基于生成对抗网络的雷 达HRRP持续学习方法， 包 括以下步骤： S1， 使用的 实测数据包括三种类型的飞机， 分别为中型螺旋 桨飞机An ‑26、 小型喷气式飞机Cessna和大型喷 气式飞机Yark ‑42， 雷达在C波段工作， 信号带宽 为400MHz， 脉冲重复频率为400Hz； S2， 在预处理 过程中对强度敏感性和平移敏感性进行处理； S3， 在雷达HRRP 自动目标识别的背景下， 使用三 种不同的HRRP增量学习任务设置； S4， 根据持续 学习相关方法在三种设置下训练经S2处理的 HRRP数据， 并为伪重播DGR方法重新设计解码器 为条件自动编码器对抗网络CVAEGAN， 其中 CVAEGAN包括编码器、 解码器、 判别器和分类器； S5， 使用CVAEGAN网络的DGR方法训练S2处理的 HRRP数据。 权利要求书1页 说明书5页 CN 113987674 A 2022.01.28 CN 113987674 A 1.一种基于生成对抗网络的雷达 HRRP持续学习方法， 其特 征在于， 包括以下步骤： S1， 使用的实测数据包括三种类型的飞机， 分别为中型螺旋桨飞机An ‑26、 小型喷气式 飞机Cessna和大型喷气式飞机Yark ‑42， 雷达在C波段工作， 信号带宽为400MHz， 脉冲重复频 率为400Hz， 数据集中的每个HRRP样本包含256个距离单元， 将An ‑26飞机的第2、 5段、 Cessna 的第6、 7段、 Yark ‑42的第5、 6段作为训练样本， 剩余段作为测试样本， 使用等间隔采样法从 训练数据中抽取， 使之和仿真数据的训练样本数一样多， 并加入一定量的高斯白噪声使其 信噪比为25dB， 使用的9类飞机的数据集为FECO软件基于转台模型所生成的电磁仿真HRRP 数据集， 用于训练的每类飞机数据集方位维覆盖角域360度角域， 包含1600个训练样本， 每 个HRRP样 本包含256个距离单元， 用于测试的仿 真飞机数据集目标类型、 方位 维覆盖角域以 及样本数与用于训练的飞机数据集一致， 仅俯仰角度二者之间存在10度左右的差别， 为了 使仿真数据更加真实， 在仿真时， 加入一定量的高斯白噪声 使仿真数据集的信噪比为25dB； S2， 在预处 理过程中对强度敏感性和平 移敏感性进行处 理； S3， 在雷达 HRRP自动目标识别的背景 下， 使用三种不同的HR RP增量学习任务设置； S4， 根据持续学习相关方法在三种设置下训练经S2处理的HRRP数据， 并为伪重播D GR方 法重新设计解码器为条件自动编码器对抗网络CVAEGAN， 其中CVAEGAN包括编码器、 解码器、 判别器和分类 器； S5， 使用CV AEGAN网络的DGR方法训练S2处 理的HRRP数据。 2.如权利要求1所述的一种基于生成对抗网络的雷达HRRP持续学习方法， 其特征在于， 所述S2进一 步包括： S201， 对原始HRRP回波进行L2归一化处理， 原始HRRP数据表示为xraw＝[x1， x2，…， xM]， 其 中M表示HR RP距离单 元总数， 归一 化后得到的xnormalization表示为： 其中xi表示第i个距离单 元的强度； S202， 使用重心对齐法消除平移敏感性， 在重心对齐法中， 首先计算出数据的重心位 置， 然后通过将HRRP数据左右平移使其重心靠近数据中心 位置， 其中重心g的计算过程表 示 为： 3.如权利要求1所述的一种基于生成对抗网络的雷达HRRP持续学习方法， 其特征在于， 所述S3中三种不同的HR RP增量学习任务包括任务增量学习 、 域增量学习和类增量学习。权　利　要　求　书 1/1 页 2 CN 113987674 A 2一种基于生成 对抗网络的雷达HR RP持续学习方 法 技术领域 [0001]本发明属于雷达技术领域， 具体涉及一种基于生成对抗网络的雷达HRRP持续学习 方法。 背景技术 [0002]高分辨宽带雷达的距离分辨率远小于目标尺寸， 其回波也被称为目标的一维高分 辨距离像(High  Resolution  Range Profile， HRRP)。 HRRP不仅包含目标的径向尺寸和散射 点的分布 等结构信息， 并且采集和处理相对简单， 存储方便， 非常有利于工程应用。 因此， 基 于HRRP的目标识别方法在雷达自动目标识别领域中受到广泛关注。 [0003]过去对HRRP的目标识别研究大多集中于静态的离线任务上。 这些任务首先采集训 练HRRP数据并建立样本库， 然后建立基于统计或深度学习等模型训练目标识别模型， 最后 将模型离线部署到硬件设备上用于真实的识别任务。 这些方法已经取得了很好的应用成 果， 然而， 当获得新目标HRRP样 本的时候， 这些模型无法在线扩展使之获得对新目标的识别 能力， 因此难以应用于多变的实际场景中。 发明内容 [0004]鉴于以上存在的技术问题， 本 发明提供一种基于生成对抗网络的雷达HRRP持续学 习方法。 [0005]为解决上述 技术问题， 本发明采用如下的技 术方案： [0006]一种基于生成对抗网络的雷达 HRRP持续学习方法， 包括以下步骤： [0007]S1， 使用的实测数据包括三种类型的飞机， 分别为中型螺旋桨飞机An ‑26、 小型喷 气式飞机Cessna和大型喷气式飞机Yar k‑42， 雷达在C波 段工作， 信号带宽为400MHz， 脉冲重 复频率为400Hz， 数据集中的每个HRRP样本包含256个距离单元， 将An ‑26飞机的第2、 5段、 Cessna的第6、 7段、 Yark ‑42的第5、 6段作为训练样本， 剩余段作为测试样本， 使用等间隔采 样法从训练数据中抽取， 使之和仿真数据的训练样本数一样多， 并加入一定量的高斯白噪 声使其信噪比为25 dB， 使用的9类飞机的数据集为FECO软件基于转台模型所生成的电磁仿 真HRRP数据集， 用于训练的每类飞机数据集方位 维覆盖角域360度角域， 包含1600个训练样 本， 每个HRRP样本包含256个距离单元， 用于测试的仿真飞机数据集目标类型、 方位维覆盖 角域以及样本数与用于训练的飞机数据集一致， 仅俯仰角度二者之间存在10度左右的差 别， 为了使仿 真数据更加真实， 在仿真时， 加入一定量的高斯白噪声使仿 真数据集的信噪比 为25dB； [0008]S2， 在预处 理过程中对强度敏感性和平 移敏感性进行处 理； [0009]S3， 在雷达 HRRP自动目标识别的背景 下， 使用三种不同的HR RP增量学习任务设置； [0010]S4， 根据持续学习相关方法在三种 设置下训练经S2处理的HRRP数据， 并为伪重播 DGR方法重新设计解码器为条件自动编码器对抗网络CVAEGAN， 其中CVAEGAN包括编码器、 解 码器、 判别器和分类 器；说　明　书 1/5 页 3 CN 113987674 A 3