1 引言
雷达数据采集受到成本、非合作目标等因素的制约,导致数据量不足等问题。雷达数据生成在目标识别等任务中发挥重要的作用[1]。例如,在雷达系统进行计算机仿真和半实物仿真试验时,需要模拟目标在实际环境中的回波数据[2]。在雷达目标识别中,需要充足的目标与环境特性数据训练分类器模型。
现有的雷达数据生成方法可分为两类:面向回波信号的生成方法和面向脉压/图像数据的生成方法[3- 4]。前者为基于不同的信号反射模型,如基尔霍夫物理光学(physical optics, PO)[5],几何光学(geometrical optics, GO)[6]近似,积分方程法(integral equation method, IEM)[7]等方法。后者直接通过射线跟踪生成雷达脉压/图像数据[8-9]。上述生成方法均基于某种物理模型,模型误差会直接影响数据生成的精度,然而目标通常为非合作目标,而且目标可能出现生锈或伪装等情况,难以合适的模型。 此外,基于复杂的电磁反向散射模型的电磁仿真对计算能力要求过高。
深度生成网络是由深度神经网络组成的生成网络。随着深度神经网络的蓬勃发展,深度生成网络(deep generative network, DGN)受到越来越多的关注。在没有先验知识的情况下, DGN能够建立端到端生成模型,有效地避免模型误差和计算需求过高的问题。DGN在自然图像和人类声音的数据生成方面已经显示出潜力,典型的DGN模型包括深信念网络[10],变分自动编码器(variational autoencoder, VAE)[11]和生成对抗网络(generative adversarial network, GAN)[12],其中GAN是一种广泛使用的DGN框架。与深度信念网络相比,GAN可以在没有任何蒙特卡罗近似的情况下训练生成网络。与VAE相比,GAN能够不引入任何确定性偏差。GAN模型的难点在于训练过程难以收敛。针对该问题已经提出多种优化算法。例如,深度卷积生成网络(deep convolutional GAN, DCGAN)通过在拓扑结构上添加一组约束来稳定训练过程[1]。
雷达高分辨距离像(HRRP high resolution range profile, HRRP)包含目标丰富结构信息,在雷达目标识别等任务中应用广泛。本文面向HRRP目标识别应用提出了一种基于DCGAN的雷达目标HRRP数据生成方法,DCGAN在先验信息缺失的条件下可生成雷达HRRP,增强雷达HRRP数据集,提升数据不平衡情况下的目标识别性能。
本文的结构安排如下:第2节介绍GAN的原理及其模型,第3节介绍DCGAN网络的设计。第4节介绍实验及性能分析,对实测数据上的结果进行了分析。第5节阐述本文的结论。
2 GAN原理
生成对抗网络(GAN)是一种端到端的生成模型,通过对抗过程来估计生成模型。
2.1 GAN网络基本模型
GAN包括两部分:生成器和判别器。生成器和识别器均为神经网络,如图1所示。首先定义输入噪声变量pz(z)。生成器用神经网络G(z;θg)表示,其中θg表示生成器参数,生成器的输出为与真实样本结构相同的样本;判别器是参数为θd的神经网络D(x;θd),其输出描述了x来自数据概率,其中输出为“Real”表示该样本被判别为真实样本,输出为“Fake”表示该样本被判别为生成样本。训练判决器以准确判别真实样本和生成样本,降低区分真实样本和生成样本的错误率;训练生成器以增加生成样本被识别为真实样本的概率。GAN的目标函数:
+Ez～pz(z)[log(1-D(G(z)))]
(1)
图1 GAN结构示意图
Fig.1 The structure of GAN
2.2 DCGAN网络
GAN 的生成器和判别器均由神经网络构成,包括卷积层、池化层、全连接层等。与GAN相比,DCGAN在生成器中的判别器和部分步长卷积层中用步长卷积层替换池化层。在步长卷积层或部分步长卷积层中,每个隐藏节点在映射中连接多个节点。局部区域中的单位与卷积核矩阵进行卷积,然后通过非线性激活函数。同一层中的所有点共享相同的卷积核,层与层之间使用多个不同的卷积核提取特征。使用部分连接和卷积核共享的一个优点是可以显着减少自由参数的数量,并且更少的自由参数有助于降低过度拟合的风险;在层与层之间使用不同卷积核可以提取不同尺度的特征。
3 DCGAN网络的设计
本文基于DCGAN生成雷达目标HRRP数据,设计了由生成器和判别器组成的生成对抗网络,如图2所示。FC表示全连接的操作,FSC表示部分步长卷积操作,SC表示步长卷积操作。在HRRP发生器中,将均匀的噪声分布作为输入。
由于HRRP存在平移敏感性,HRRP中的目标位置不固定,卷积操作在解决平移敏感性时有突出的效果,卷积操作是DCGAN的基本操作,故DCGAN适用于HRRP数据。
图2 DCGAN结构示意图
Fig.2 The structure of DCGAN
在两个全连接的操作之后进行部分步长卷积操作,并且部分步长卷积操作的卷积核的大小可以被设置为1×NFSK,并且NFSK通常为3,5或其他值。HRRP生成器的输出为生成HRRP,其长度与真实HRRP相同。HRRP判别器由两层步长卷积层和两层全连接层组成,步长卷积层中卷积核的大小可以指定为1×NSK,NSK通常可以指定为3,5或其他值。当该变量的值为“Real”时,HRRP判别器的输出是布尔变量,意味着HRRP判别器将输入判断为真实HRRP。 HRRP发生器和HRRP判别器中每层的输出应通过非线性映射,本文选择ReLU激活函数作为非线性激活函数。
使用生成的HRRP和训练HRRP之间的KL距离来评估生成的HRRP的质量[13]。 p1(x)和p2(x)之间的KL距离定义为
KL[p1(x)][p2(x)]
(2)
KL[p1(x)][p2(x)]≥0,等号当且仅当p1(x)=p2(x)时成立。
训练时GAN生成器限制较少,容易出现不收敛的情况,故生成器在多次迭代后才会更新,每次更新后生成器都会保存。当训练阶段完成时,将选择损失最小的生成器作为最优生成器。
4 实验结果及性能分析
通过地面车辆目标实测数据验证本文方法。目标的HRRP数据集均由4种目标,每种目标包括不同时间采集的共计10000帧HRRP,每帧HRRP包含128分辨率单元。在本节中,首先进行目标HRRP生成实验,之后使用生成HRRP对原始数据集进行增强,改善不平衡数据下的目标识别问题。
原始HRRP由目标和杂波组成。为降低杂波对数据生成影响,对HRRP进行预处理,使用OS-CFAR确定目标区域,将目标区域外的HRRP替换为杂波点评,然后将预处理后的HRRP数据集作为DCGAN的训练集。DCGAN需要使用所有目标HRRP数据训练。
DCGAN 在训练阶段容易出现梯度爆炸的情况。DCGAN 的稳定状态意味着生成器和判决器的损失在一定范围内保持稳定。 在目标HRRP 生成实验中,DCGAN判决器每次迭代后都进行更新,而生成器在4次迭代后更新1次,可以使训练更加稳定。本实验使用随机梯度下降优化器,优化器的学习率为0.0002。
图3 HRRP及目标区域
Fig.3 HRRP and the selection of target area
每次迭代之后,计算生成的HRRP与训练HRRP之间的损失,计算模型梯度,进行反向传播,并且保存生成器的参数。训练完成后,选择损失最低的生成器作为最终生成器。 如图4所示,第40次迭代之后的KL距离是最低的,并且将选择第40次迭代之后的生成器作为最终生成器。
图4 生成HRRP与目标HRRP之间KL散度
Fig.4 The KL divergence between generated HRRP and target HRRP
如图5所示,生成HRRP越来越接近于目标HRRP。在第0次迭代之后,生成HRRP是随机噪声。第8次迭代之后可以从生成样本中看到HRRP的雏形,从第8次迭代到第24次迭代HRRP的轮廓变得越来越清晰,第24次迭代之后HRRP细节被优化。图4中示出的KL距离反映了相同的趋势。KL距离在第16次迭代之前快速下降,然后收敛速度变慢并且值越来越接近0。结果表明DCGAN适合于雷达目标数据的合成。
原始HRRP数据集面临着类别之间数据不平衡的问题,数据集中某类或某几类样本数量远小于其他类样本数量,导致识别效果不理想。本文根据不同的少数类比例补偿原始HRRP数据集,少数类比例表示数据集中少数类样本数量与其他类样本数量的比例。面向HRRP数据集使用CNN进行目标识别。该实验中使用CNN的LeNet-5变体,由2个卷积层,2个池化层和2个全连接层组成,并且2个卷积层中的卷积核的大小均为1×5。使用F1得分作为识别效果的评判依据。F1得分是识别率和召回率的调和平均值,可以用于识别性能的评价,如图6所示。当仅使用原始样本时,精度和F1得分较低,精度和F1得分随着补偿率的增加而增加, 当少数类比例高于0.5时,准确率和F1得分达到较高水平。
图5 目标HRRP和不同迭代次数后生成HRRP(横坐标为分辨单元,纵坐标为幅度)
Fig.5 Target HRRP and generated HRRP after different epoch (the horizontal axis means range profile and vertical axis means amplitude)
图6 不同少数类占比情况下的准确率和F1 score
Fig.6 Accuracy and F1 score against different minority ratios
5 结论
本文将DCGAN首次应用于生成雷达HRRP。与通过电磁模型生成雷达数据的传统方法相比,DCGAN计算负担显着降低。与其他DGN相比,DCGAN通过生成网络和判决网络间对抗中进行训练, HRRP可以在不受先验信息的影响下独立生成HRRP;生成HRRP用于改善数据不平衡时识别率差时,可以明显提升准确率和识别效果。
[1] Zhan Ying, Hu Du, Wang Yuntao, et al. Semisupervised hyperspectral image classification based on generative adversarial networks[J]. IEEE Geoscience Remote Sensing Letters, 2018, 15(2): 212-216.
[2] Skolnik M I. Introduction to radar systems[J]. McGraw-Hill Electrical Engineering Series, 2001(2): 1-7.
[3] Franceschetti G, Migliaccio M, Riccio D. The SAR simulation: An overview[J]. Geoscience Remote Sensing, 1995, 3(3): 2283-2285.
[4] Balz T, Hammer H, Auer S. Potentials and limitations of SAR image simulators-A comparative study of three simulation approaches[J]. Remote Sensing, 2015, 101(101): 102-109.
[5] Ulaby F T, Moore R K, Fung A K. Microwave remote sensing[J]. Theory to Applications, 1986.vol.III.
[6] Xu Feng, Jin Yaqiu. Imaging simulation of polarimetric SAR for a comprehensive terrain scene using the mapping and projection algorithm[J]. IEEE Transaction on Geoscience Remote Sensing, 2006, 44(11): 3219-3234.
[7] Brunner D, Lemoine G, Greidanus H, et al. Radar imaging simulation for urban structures[J]. IEEE Geoscience Remote Sensing Letters, 2010, 8(1): 68-72.
[8] Hammer H, Schulz K. Dedicated SAR simulation tools for ATR and scene analysis[J]. Proceedings of SPIE, 2011, 8179: 81790N.
[9] Balz T, Stilla U. Hybrid GPU-based single- and double-bounceSAR simulation[J]. IEEE Transaction Geoscience Remote Sensing, 2009, 47(10): 3519-3529.
[10] Hinton G E, Salakhutdinov R R. Reducing the dimensionality of data with neural networks[J]. Science, 2006, 313(5786): 504-507.
[11] Kingma D P. Fast gradient-based inference with continuous latent variable models in auxiliary form[J]. Computer Science, 2013.
[12] Goodfellow I, et al. Generative adversarial nets[J]. Neural Information Processing Systems, 2014: 2672-2680.
[13] Radford, Metz L, Chintala S. Unsupervised representation learning with deep convolutional generative adversarial networks[J]. Computer Science, 2015.
