基于特征融合条件生成对抗网络的高分辨率一维距离像去噪与重建方法

《Chinese Journal of Electronics》:Feature Fusion CGAN Based HRRP Denoising and Reconstruction Method

【字体: 大 中 小 】 时间:2026年04月16日 来源:Chinese Journal of Electronics 3

编辑推荐:

  为提升噪声干扰条件下雷达自动目标识别的准确性,本文提出一种基于特征融合条件生成对抗网络(CGAN)的高分辨率一维距离像(HRRP)去噪与重建方法。该研究通过对抗训练有效学习HRRP数据的全局分布,并引入几何与身份信息融合模块,在20 dB、10 dB和5 dB的信噪比条件下,于仿真与实测数据集上均取得了优越的识别精度、峰值信噪比(PSNR)与结构相似性,为雷达自动目标识别(RATR)技术在噪声环境下的实际应用提供了新思路。

  
雷达如同探测目标的“千里眼”,它能发射电磁波并通过接收到的回波信号来识别远处的物体,这项技术被称为雷达自动目标识别(Radar Automatic Target Recognition, RATR)。在雷达系统中,当雷达的距离分辨率远高于目标尺寸时,目标散射点子回波沿雷达视线方向投影的矢量和,就形成了目标的高分辨率一维距离像(High Resolution Range Profile, HRRP)。这张图形象地展示了HRRP如何蕴含着丰富的目标几何结构信息,可以从中提取用于RATR的独特特征。然而,现实世界中的雷达信号总会受到各种噪声的侵扰,尤其是在信噪比(Peak Signal-to-Noise Ratio, PSNR)较低的情况下,噪声会严重干扰HRRP的形态,导致后续的目标识别准确率大幅下降。这就像在嘈杂的环境中试图听清一段对话,背景噪音越大,听清内容就越困难。
传统的基于自编码器(Auto-Encoder, AE)的去噪方法,虽然在捕捉数据的局部特征和实现稳定重建方面表现出色,但它们通常难以全面建模数据的全局分布,限制了其生成高质量、逼真结果的能力。近年来,生成对抗网络(Generative Adversarial Network, GAN)在数据增强方面展现出巨大潜力,其通过生成器和判别器之间的对抗训练,能够学习数据的本质分布。与基础的GAN相比,条件生成对抗网络(Conditional GAN, CGAN)引入了条件标签,这使得它能够在一个模型下生成不同类别的样本数据,在随机输入和数据之间建立了强有力的对应关系。受此启发,研究人员思考:能否将CGAN的全局学习能力与HRRP特有的目标信息相结合,从而在噪声条件下更精准地恢复出干净的HRRP,提升雷达目标识别性能呢?
为了回答这个问题,研究人员开展了一项题为“Feature Fusion CGAN Based HRRP Denoising and Reconstruction Method”的研究,并发表在《Chinese Journal of Electronics》上。该研究创新性地提出了一种基于特征融合条件生成对抗网络的HRRP去噪与重建方法。该方法的核心是一个编码器-解码器结构的条件生成器和一个多层感知机(MLP)条件判别器。其创新之处在于,从噪声HRRP中提取的高维表示,会与目标几何特征(如径向长度)和身份(类别)特征的高维表示进行融合,然后再输入解码器进行重建。通过这种对抗训练,生成器最终能够学习数据的全局分布,同时利用充分的几何和身份信息生成精确的HRRP局部细节。研究结果表明,在20 dB、10 dB和5 dB的峰值信噪比条件下,该方法在仿真和实测数据集上的识别精度、PSNR和结构相似性方面均优于其他对比方法,为解决噪声环境下雷达目标识别的难题提供了有效方案,具有重要的理论和应用价值。
本研究主要采用了以下几个关键技术方法:首先,构建并使用了由仿真数据和实测数据构成的数据集,并对HRRP序列进行了标准化和归一化预处理。其次,设计了两个独立的卷积神经网络(CNN)模块,分别作为几何模块和身份模块,用于从噪声HRRP中预训练并提取高维的几何特征表示和身份特征表示。核心方法是提出了一个特征融合条件生成对抗网络框架,该框架包括一个四层全连接层构成的编码器-解码器结构生成器和一个四层全连接层构成的判别器,通过对抗训练学习去噪映射。训练过程采用了包含对抗损失和重构损失在内的多目标损失函数。最后,使用一个一维卷积神经网络对去噪重建后的HRRP进行目标识别,以此作为评估去噪方法有效性的最终指标。
2.1 HRRP Target Recognition Based on CNN
研究人员首先构建了一个一维卷积神经网络(1-D CNN)模型用于HRRP目标识别。该CNN模型共八层,包含两个卷积块(每个块包含卷积层和ReLU激活函数)、两个最大池化层、两个全连接层、一个Dropout层和一个用于3分类输出的Softmax层。这个模型被用来评估不同去噪方法处理后HRRP的识别精度提升效果,因为深度学习模型只有在训练和测试数据满足独立同分布假设时才能表现良好,而当测试数据的PSNR不匹配时,模型准确性会明显下降。
2.2 Feature Fusion CGAN Based HRRP Denoising and Reconstruction Method
这是本研究的核心方法部分。研究团队设计了一个特征融合条件生成对抗网络来实现HRRP的去噪与重建。
2.2.1) The Overall Training Progress of the Proposed CGAN
该部分阐述了CGAN的基本原理和训练过程。生成器GC接收噪声HRRP和条件信息,生成去噪后的HRRP;判别器DC则判断输入的HRRP是真实数据还是生成数据。两者通过最小最大博弈进行对抗训练,其优化目标由对抗损失函数V(DC, GC)定义。在实现中,生成器和判别器的损失函数LAG和LAD根据批量大小计算得出。这张图对比了GAN和CGAN的工作机制,凸显了CGAN接收条件信息以生成指定样本的优势。
2.2.2) Feature Fusion Method in Conditional Generator
这是本研究的创新关键。所提出的模型以噪声HRRP为输入,并引入了两个辅助模块:几何模块GD和身份模块GI。这两个模块首先进行预训练以确保鲁棒的特征提取。几何模块GD用于回归目标的径向长度(一个关键的几何特征),身份模块GI用于预测目标类别。它们从噪声HRRP中提取出高维特征表示fD和fI。该图清晰地展示了整个方法包含HRRP预处理、模块预训练、对抗训练、HRRP去噪和目标识别五个主要步骤。这些特征随后与编码器从噪声HRRP中提取的表示fH进行拼接,共同作为解码器的输入,以重建干净的HRRP。生成器的总损失LGC由重构损失LR和对抗损失LAG加权组成,而判别器的损失LDC即为对抗损失LAD。论文还通过算法详细描述了模块预训练、对抗训练和去噪推理的具体流程。
研究结论与讨论
本研究成功提出并验证了一种基于特征融合条件生成对抗网络的HRRP去噪与重建方法。该方法的主要贡献在于:第一,设计了一种新颖的CGAN架构,其编码器-解码器结构的条件生成器通过对抗训练,有效平衡了全局分布学习和局部细节保持,克服了现有基于自编码器方法只关注局部特征的局限性。第二,引入了一种受物理启发的特征融合策略,通过两个简单的模块将目标几何和身份信息的高维表示直接集成到CGAN框架中,使该方法在严重噪声条件下恢复关键细节方面特别有效。第三,通过在仿真和实测数据集上、多种噪声条件下的广泛对比实验证明,该方法在识别性能和样本质量方面 consistently(一致地)优于现有先进方法。
该研究的重要意义在于,为解决雷达自动目标识别在低信噪比环境下的性能瓶颈提供了一种新的、有效的技术途径。通过将对抗性学习的全局建模能力与雷达目标特有的先验信息(几何与身份)相结合,该方法能够从强噪声中更准确地恢复出目标的本质特征,从而显著提升了后续识别模型的鲁棒性和准确性。这不仅推动了深度学习在雷达信号处理领域的应用深度,也为相关技术在复杂电磁环境下的实际工程应用奠定了坚实的基础。论文代码已开源,便于后续研究和应用。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号