朱克凡，王杰貴，吳世俊

(1.國防科技大學(xué)電子對(duì)抗學(xué)院，安徽 合肥 230037；2.中國人民解放軍96713部隊(duì)，江西 上饒 334100)

0 引言

雷達(dá)目標(biāo)識(shí)別(Radar Target Recognition，RTR)是雷達(dá)研究的一個(gè)重要方向。由于高分辨雷達(dá)研究成本高、周期長、難以普及，現(xiàn)役雷達(dá)大部分是低分辨雷達(dá)，且隨著脈沖壓縮技術(shù)的普及，傳統(tǒng)低分辨雷達(dá)也能擁有很高的徑向分辨力，能夠提取目標(biāo)一維距離像等細(xì)微特征，基于低分辨雷達(dá)的目標(biāo)識(shí)別技術(shù)研究仍然是雷達(dá)研究的一個(gè)重要熱點(diǎn)[1-4]。

在現(xiàn)代戰(zhàn)爭(zhēng)中，當(dāng)雷達(dá)的脈沖重復(fù)頻率較低或者目標(biāo)是先進(jìn)的非合作目標(biāo)或隱身目標(biāo)時(shí)，通常難以獲取足夠多的訓(xùn)練樣本[5]。在進(jìn)行雷達(dá)偵察任務(wù)時(shí)，采集到大量無標(biāo)簽數(shù)據(jù)，對(duì)其進(jìn)行半監(jiān)督學(xué)習(xí)能夠有效提高目標(biāo)識(shí)別率。目前，對(duì)于雷達(dá)目標(biāo)的半監(jiān)督學(xué)習(xí)方法主要是基于支持向量機(jī)(Support Vector Machine, SVM)。文獻(xiàn)[6]基于信號(hào)調(diào)制譜特征利用多核直推式支持向量機(jī)(TSVM-MKL)算法實(shí)現(xiàn)了對(duì)飛機(jī)目標(biāo)的分類。文獻(xiàn)[7]基于信號(hào)RCS特征通過TSVM-MKL算法實(shí)現(xiàn)了對(duì)彈道目標(biāo)的分類，但一方面SVM的核函數(shù)選擇比較困難，另一方面基于SVM的目標(biāo)識(shí)別算法需要先對(duì)回波信號(hào)進(jìn)行特征提取，會(huì)損失數(shù)據(jù)信息，不利于目標(biāo)識(shí)別率的提高。

隨著深度學(xué)習(xí)理論的出現(xiàn)，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)由于能夠自學(xué)習(xí)數(shù)據(jù)深層本質(zhì)特征[8]，在各個(gè)領(lǐng)域具有廣泛應(yīng)用[9-12]，使基于采樣數(shù)據(jù)實(shí)現(xiàn)對(duì)雷達(dá)目標(biāo)的直接識(shí)別成為可能，而生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Network, GAN)可以生成逼邁真實(shí)數(shù)據(jù)頒的生成樣本[13-16]，將生成樣本與無標(biāo)簽樣本組成真假樣本集，通過生成器與判別器的對(duì)抗學(xué)習(xí)，充分利用無標(biāo)簽數(shù)據(jù)信息，提高判別器的判別能力。

因此，為解決雷達(dá)偵察過程中數(shù)據(jù)庫標(biāo)簽樣本不足導(dǎo)致目標(biāo)識(shí)別率難以提高的問題，本文將GAN應(yīng)用于低分辨雷達(dá)目標(biāo)識(shí)別領(lǐng)域，并引入CNN作為分類器，提出了基于GAN的半監(jiān)督低分辨雷達(dá)目標(biāo)識(shí)別算法。

1 低分辨雷達(dá)目標(biāo)回波建模

現(xiàn)代雷達(dá)輻射源信號(hào)常采用線性調(diào)頻(Linear Frequency Modulation, LFM)信號(hào)，使用脈沖壓縮技術(shù)可使雷達(dá)具有很高的徑向分辨力，當(dāng)雷達(dá)目標(biāo)的尺寸大于徑向分辨力時(shí)，運(yùn)動(dòng)目標(biāo)占據(jù)多個(gè)距離單元，此時(shí)可以使用多散射點(diǎn)模型來模擬目標(biāo)回波信號(hào)。

當(dāng)雷達(dá)發(fā)射機(jī)發(fā)射的是LFM信號(hào)時(shí)，幅度歸一化后可以表示為：

(1)

(2)

(3)

接收機(jī)采用變頻技術(shù)對(duì)接收信號(hào)進(jìn)行處理，首先產(chǎn)生一個(gè)與發(fā)射信號(hào)斜率相同的LFM參考信號(hào)：

(4)

(5)

(6)

(7)

將變頻后的信號(hào)輸入低通濾波器，對(duì)其進(jìn)行數(shù)字采樣，獲得目標(biāo)回波采樣數(shù)據(jù)：

(8)

2 基于生成對(duì)抗網(wǎng)絡(luò)的半監(jiān)督低分辨雷達(dá)目標(biāo)識(shí)別算法

2.1 GAN模型

GAN由生成器G和判別器D組成，其中生成器G的作用是根據(jù)輸入的噪聲序列z(通常服從正態(tài)分布[10])來盡量產(chǎn)生服從真實(shí)數(shù)據(jù)分布Pdata的生成樣本G(z)以欺騙判別器D，而D的作用是判斷輸入樣本是真實(shí)樣本x還是G(z)，G與D之間相互對(duì)抗，互相促進(jìn)，在不斷的對(duì)抗中，兩者會(huì)達(dá)到納什均衡，最終G能夠捕獲到x的分布并產(chǎn)生能夠以假亂真的G(z)，而D則由于無法正確區(qū)分x和G(z)，輸出逼近一個(gè)固定值。GAN的流程如圖1所示。

圖1 GAN流程圖Fig.1 The flow chart of GAN

GAN的目標(biāo)函數(shù)V(D,G)可以表示為：

(9)

2.2 基于GAN的半監(jiān)督識(shí)別模型

GAN的判別器D是二分類模型，作用是區(qū)分真假樣本。在半監(jiān)督識(shí)別算法中，使用CNN替代判別器，輸出層連接Softmax分類層，實(shí)現(xiàn)分類器的作用，分類器C的輸入為標(biāo)簽樣本、無標(biāo)簽樣本和生成樣本，并在K個(gè)目標(biāo)類別外，給無標(biāo)簽樣本和生成樣本賦予第K+1類真假類別，分類器的作用是當(dāng)輸入標(biāo)簽樣本時(shí)，輸入對(duì)應(yīng)的標(biāo)簽，當(dāng)輸入無標(biāo)簽樣本時(shí)，在真假類別中輸出1，當(dāng)輸入生成樣本時(shí)，在真假類別中輸出0。此時(shí)，分類器對(duì)三類樣本的損失函數(shù)如下：

Llabel=-E[logC(x|y)y]

(10)

Lunlabel=-E[log(1-C(x)K+1)]

(11)

Lfake=-E[logC(G(z))K+1]

(12)

式中，Llabel，Lunlabel，Lfake分別是分類器對(duì)標(biāo)簽樣本、無標(biāo)簽樣本和生成樣本的損失函數(shù)，C(x|y)y表示當(dāng)輸入屬于y類的樣本x時(shí)，分類器C識(shí)別為y類的概率；C(x)K+1表示當(dāng)輸入無標(biāo)簽樣本x時(shí)，分類器識(shí)別為K+1類的概率；C(G(z))K+1表示當(dāng)輸入的是生成器產(chǎn)生的生成樣本G(z)時(shí)，分類器識(shí)別為K+1類的概率。由于分類器使用的是Softmax損失函數(shù)，利用Softmax函數(shù)的特性，即輸入各維減去同一個(gè)數(shù)，Softmax函數(shù)輸出結(jié)果不變?？梢粤頒(x)→C(x)-C(G(z))K+1，則C(G(z))K+1=0，此時(shí)，分類器的類別可以用K維來替代，分類器對(duì)三類樣本的損失函數(shù)調(diào)整為：

Llabel=-E[C(x|y)y-LSE(C(x))]

(13)

Lunlabel=-E[LSE(C(x))-softplus(LSE(C(x)))]

(14)

Lfake=E[softplus(LSE(C(G(z))K+1))]

(15)

在分類器的損失函數(shù)中引入權(quán)重系數(shù)w，則分類器的總體損失函數(shù)為：

(16)

生成器的損失函數(shù)為：

LG=-Lfake

(17)

則基于GAN的半監(jiān)督識(shí)別模型的目標(biāo)函數(shù)V(C,G)可以表示為：

(18)

流程如圖2所示。

圖2 基于GAN的半監(jiān)督識(shí)別模型流程圖Fig.2 The flow chart of semi-supervised recognition model based on GAN

2.3 基于GAN的半監(jiān)督低分辨雷達(dá)目標(biāo)識(shí)別算法

在基于GAN的半監(jiān)督低分辨雷達(dá)目標(biāo)識(shí)別算法中，生成器產(chǎn)生逼近真實(shí)數(shù)據(jù)分布的生成樣本，分類器為區(qū)分生成樣本和真實(shí)樣本，需要挖掘無標(biāo)簽數(shù)據(jù)中深層本質(zhì)特征，然后通過標(biāo)簽數(shù)據(jù)的監(jiān)督學(xué)習(xí)選取更利于目標(biāo)分類的特征，最終實(shí)現(xiàn)提高分類器識(shí)別性能的目的。

將標(biāo)簽樣本，無標(biāo)簽樣本和生成樣本輸入GAN中，訓(xùn)練生成器和分類器，然后將訓(xùn)練好的分類器單獨(dú)取出作為低分辨雷達(dá)目標(biāo)的識(shí)別網(wǎng)絡(luò)，實(shí)現(xiàn)對(duì)雷達(dá)目標(biāo)的有效識(shí)別。識(shí)別算法流程圖如圖3所示。

識(shí)別算法實(shí)現(xiàn)步驟如下：

1) 從真實(shí)數(shù)據(jù)集中隨機(jī)采樣m個(gè)標(biāo)簽樣本(x|y)和m個(gè)無標(biāo)簽樣本x，從正態(tài)分布中隨機(jī)產(chǎn)生m個(gè)噪聲z作為噪聲樣本；

2) 將標(biāo)簽樣本、噪聲樣本和無標(biāo)簽樣本作為一批訓(xùn)練樣本輸入GAN來訓(xùn)練生成器和分類器；

3) 按照預(yù)先設(shè)定的訓(xùn)練批次和迭代次數(shù)，循環(huán)步驟1)、步驟2)，將GAN訓(xùn)練完畢；

4) 取出GAN的分類器部分，作為低分辨雷達(dá)目標(biāo)識(shí)別網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)低分辨雷達(dá)目標(biāo)的分類識(shí)別。

圖3 基于GAN的半監(jiān)督低分辨雷達(dá)目標(biāo)識(shí)別算法Fig.3 The semi-supervised low-resolution radar target recognition algorithm based on GAN

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)集

實(shí)驗(yàn)數(shù)據(jù)集由仿真軟件Matlab生成，仿真參數(shù)設(shè)置：LFM信號(hào)載頻為3 GHz，調(diào)頻周期為0.1 ms，調(diào)頻帶寬為100 MHz，采樣頻率為5 MHz。數(shù)值仿真實(shí)驗(yàn)對(duì)3類目標(biāo)進(jìn)行目標(biāo)識(shí)別，分別為人，摩托車和卡車。人的速度是0～6 km/h，摩托車是0～40 km/h，卡車是0～80 km/h，取1個(gè)調(diào)頻周期內(nèi)的采樣數(shù)據(jù)作為1個(gè)樣本，通過計(jì)算可知樣本大小為1×500維，并對(duì)通過低通濾波器的采樣數(shù)據(jù)進(jìn)行幅度歸一化和取絕對(duì)值處理。在訓(xùn)練樣本集中，每個(gè)目標(biāo)類型產(chǎn)生480個(gè)標(biāo)簽樣本和960個(gè)無標(biāo)簽樣本，共4 320個(gè)樣本；測(cè)試樣本集中每個(gè)目標(biāo)類型產(chǎn)生400個(gè)樣本，共1 200個(gè)樣本，其中訓(xùn)練樣本集與測(cè)試樣本集分別獨(dú)立產(chǎn)生。實(shí)驗(yàn)中采用Adam優(yōu)化器，學(xué)習(xí)率為0.000 5，動(dòng)量為0.5，每個(gè)批次24個(gè)樣本，生成器的輸入噪聲序列服從正態(tài)分布。

3.2 網(wǎng)絡(luò)模型設(shè)計(jì)

由于實(shí)驗(yàn)設(shè)備限制，實(shí)驗(yàn)中未使用GPU，設(shè)計(jì)的GAN網(wǎng)絡(luò)中生成器使用最簡(jiǎn)單的全連接層，采用三層全連接層，網(wǎng)絡(luò)模型結(jié)構(gòu)如圖4(a)所示，將N×100維的噪聲作為生成器的輸入，通過兩層全連接層后維度轉(zhuǎn)換成N×500的生成樣本，其中前兩層全連接層先連接歸一化層，對(duì)全連接的結(jié)果做歸一化處理后，再進(jìn)行非線性運(yùn)算。前兩層的激活函數(shù)是Softplus函數(shù)，第三層的激活函數(shù)是Sigmoid函數(shù)。分類器采用一維CNN結(jié)構(gòu)，共包含3個(gè)卷積層、3個(gè)池化層、1個(gè)全連接層及Softmax分類器。各卷積層分別包含6個(gè)1×13的卷積核，12個(gè)1×11的卷積核和30個(gè)1×5的卷積核；各池化層分別采用1×4，1×4及1×2的小窗口對(duì)卷積后的特征進(jìn)行不重疊的下采樣；Softmax分類器輸出1×3的目標(biāo)識(shí)別概率向量。網(wǎng)絡(luò)模型結(jié)構(gòu)如圖4(b)所示。

圖4 生成對(duì)抗網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 The structure of GAN

3.3 分類器損失函數(shù)參數(shù)選擇

分類器的損失函數(shù)由兩部分組成，包括標(biāo)簽樣本的分類誤差以及無標(biāo)簽樣本和生成樣本的真假判別誤差，其中真假判別誤差對(duì)分類器損失函數(shù)的影響通過權(quán)值系數(shù)w調(diào)節(jié)。

由于分類器的主要作用是分類，且無標(biāo)簽樣本數(shù)往往多于標(biāo)簽樣本數(shù)。為了防止分類器過多的關(guān)注真假判別問題，影響對(duì)目標(biāo)的識(shí)別，權(quán)值系數(shù)w通常遠(yuǎn)小于1。

為了更好地識(shí)別雷達(dá)目標(biāo)，針對(duì)不同的權(quán)值系數(shù)w，進(jìn)行識(shí)別實(shí)驗(yàn)。采用信噪比為-6 dB的仿真目標(biāo)回波采樣數(shù)據(jù)作為網(wǎng)絡(luò)輸入，進(jìn)行100次蒙特卡洛實(shí)驗(yàn)。不同w值下，三種方法的平均識(shí)別率如表1所示。其中，當(dāng)w等于0時(shí)，基于GAN的半監(jiān)督識(shí)別算法退化為基于CNN的識(shí)別算法。

表1 不同w下的平均識(shí)別率Tab.1 Average recognition rate with different w

從表1可以看出，隨著w增加，識(shí)別率呈現(xiàn)先增加后減少的趨勢(shì)；當(dāng)w等于0.01時(shí)，平均識(shí)別率較高，所以本文算法中選取w=0.01作為權(quán)值系數(shù)。

3.4 基于GAN的半監(jiān)督識(shí)別模型生成樣本

采用信噪比為-2 dB的仿真目標(biāo)回波采樣數(shù)據(jù)作為網(wǎng)絡(luò)輸入，權(quán)重系數(shù)w為0.01，訓(xùn)練迭代次數(shù)與損失函數(shù)的變化如圖5所示。圖5(a)，(b)分別是分類器判別標(biāo)簽樣本和無標(biāo)簽樣本的損失函數(shù)隨訓(xùn)練次數(shù)增加而變化的情況。圖5(c)表示生成器的損失函數(shù)變化情況。

圖5 損失函數(shù)隨訓(xùn)練次數(shù)變化圖Fig.5 Loss function changes with training frequency

從圖5可以看出，分類器前期無法正確區(qū)分各類樣本，生成器由于逐漸學(xué)習(xí)到真實(shí)樣本的特征，損失函數(shù)在初期有略微下降現(xiàn)象，后期分類器逐漸學(xué)習(xí)到真實(shí)樣本特征并通過監(jiān)督學(xué)習(xí)實(shí)現(xiàn)對(duì)不同樣本的有效識(shí)別。生成器和分類器在訓(xùn)練過程中相互對(duì)抗，在圖中呈現(xiàn)出大幅度的震蕩，生成器在訓(xùn)練過程中逐漸學(xué)習(xí)到真實(shí)樣本的特征，生成樣本分布也逐漸逼近真實(shí)樣本分布，但在總體趨勢(shì)上，生成器的損失函數(shù)逐漸上升，表明分類器的識(shí)別能力強(qiáng)于生成器的生成能力，生成器生成能力的增強(qiáng)促使分類器的識(shí)別能力的進(jìn)一步提高。較單純依靠標(biāo)簽樣本訓(xùn)練的CNN，基于GAN的半監(jiān)督識(shí)別方法的識(shí)別能力更強(qiáng)。

當(dāng)輸入同一噪聲序列時(shí)，生成樣本隨迭代次數(shù)Epoch增加產(chǎn)生的變化如圖6所示?？梢钥闯?，隨著訓(xùn)練的加深，生成樣本從無意義的噪聲逐漸蘊(yùn)含真實(shí)樣本特征，且毛刺也在逐漸減少，分布上也越來越逼近真實(shí)樣本分布，促使分類器挖掘數(shù)據(jù)中更深層本質(zhì)特征以區(qū)分真假樣本。

圖6 相同噪聲在不同迭代次數(shù)下產(chǎn)生的生成樣本Fig.6 Samples generated by the same noise in different iterations

3.5 基于GAN的半監(jiān)督低分辨雷達(dá)目標(biāo)識(shí)別算法的識(shí)別效果

3.5.1 對(duì)三類目標(biāo)的識(shí)別效果

為了驗(yàn)證基于GAN的半監(jiān)督低分辨雷達(dá)目標(biāo)識(shí)別算法的可行性，采用信噪比為-2 dB的仿真目標(biāo)回波采樣數(shù)據(jù)作為網(wǎng)絡(luò)輸入，權(quán)重系數(shù)w為0.01，進(jìn)行人、摩托車和卡車三類目標(biāo)的識(shí)別實(shí)驗(yàn)。表2是三類目標(biāo)的識(shí)別混淆矩陣，混淆矩陣中每一列表示目標(biāo)所屬的真實(shí)類別，每一行表示一維CNN的識(shí)別結(jié)果。

從表2可以看出，雖然三類目標(biāo)的識(shí)別效果有差異，但識(shí)別效果最差的摩托車在信噪比為-2 dB時(shí)，識(shí)別率仍達(dá)到了95.5%，說明基于GAN的半監(jiān)督低分辨雷達(dá)目標(biāo)識(shí)別方法能夠有效地對(duì)人、摩托車和卡車進(jìn)行識(shí)別。

表2 三類目標(biāo)識(shí)別混淆矩陣Tab.2 Recognition confusion matrix of three kinds of target

3.5.2 樣本數(shù)對(duì)識(shí)別效果的影響

為驗(yàn)證本文方法在不同樣本數(shù)下的識(shí)別性能，采用信噪比為-2 dB的仿真目標(biāo)回波采樣數(shù)據(jù)作為網(wǎng)絡(luò)輸入，權(quán)重系數(shù)w為0.01，將本文方法與基于CNN的識(shí)別方法和文獻(xiàn)[6—7]中基于TSVM-MKL算法的識(shí)別方法進(jìn)行比較。

3.5.2.1 無標(biāo)簽樣本數(shù)對(duì)識(shí)別效果的影響

實(shí)驗(yàn)中標(biāo)簽樣本數(shù)為120，由于偵察過程中會(huì)接收到大量無標(biāo)簽樣本，實(shí)驗(yàn)中無標(biāo)簽樣本與標(biāo)簽樣本分別采取(1∶2),(1∶1),(2∶1),(3∶1)和(5∶1)的比例形成訓(xùn)練數(shù)據(jù)集。通過100次蒙特卡洛實(shí)驗(yàn)，三種方法的平均識(shí)別率如表3所示，其中基于CNN的識(shí)別方法由于不使用無標(biāo)簽樣本，識(shí)別率不變。

表3 不同比例下各方法的識(shí)別率Tab.3 The recognition rate of each method with different proportion

從表3可以看出，本文算法的識(shí)別率隨著無標(biāo)簽樣本比例的增大，呈現(xiàn)先增長后降低的現(xiàn)象，這是由于權(quán)值系數(shù)w是固定的，隨著無標(biāo)簽樣本數(shù)增多，其對(duì)分類器識(shí)別性能的影響也就增大，太多的無標(biāo)簽樣本反而會(huì)影響分類器的識(shí)別性能；且無標(biāo)簽樣本數(shù)越多，網(wǎng)絡(luò)的訓(xùn)練時(shí)間越長。綜合考慮，無標(biāo)簽樣本與標(biāo)簽樣本按照2∶1的比例形成訓(xùn)練數(shù)據(jù)集能夠較好的訓(xùn)練識(shí)別網(wǎng)絡(luò)。

3.5.2.2 標(biāo)簽樣本數(shù)對(duì)識(shí)別效果的影響

實(shí)驗(yàn)中標(biāo)簽樣本數(shù)分別為120,240,480,960和1 920，無標(biāo)簽樣本與標(biāo)簽樣本采取2∶1的比例形成訓(xùn)練數(shù)據(jù)集。通過100次蒙特卡洛實(shí)驗(yàn)，三種方法的平均識(shí)別率如表4所示。

表4 不同標(biāo)簽樣本數(shù)下各方法的識(shí)別率Tab.4 The recognition rate of each method with different labeled sample sizes

從表4可以看出，文獻(xiàn)[6—7]算法識(shí)別效果受標(biāo)簽樣本數(shù)影響較小，識(shí)別率維持在80%左右，而本文算法和基于CNN的識(shí)別方法受標(biāo)簽樣本數(shù)影響較大。但當(dāng)標(biāo)簽樣本數(shù)為120時(shí)，本文算法識(shí)別率仍達(dá)到了91.9%，較文獻(xiàn)[6—7]方法提高了11.8%，較基于CNN的識(shí)別方法提高了4.4%，進(jìn)一步證明了本文算法的有效性。

3.5.3 信噪比對(duì)識(shí)別效果的影響

為驗(yàn)證本文方法在不同信噪比下的識(shí)別性能，將本文方法與基于CNN的識(shí)別方法和文獻(xiàn)[6—7]的識(shí)別方法進(jìn)行比較。用添加高斯白噪聲的方法對(duì)數(shù)據(jù)進(jìn)行加噪處理，信噪比分別是-10 dB，-8 dB，-6 dB,-4 dB和-2 dB。通過100次蒙特卡洛實(shí)驗(yàn)，三種方法的平均識(shí)別率如圖7所示。

圖7 3種方法在不同信噪比下的平均識(shí)別率Fig.7 The average recognition rates of thethree methods at different SNR

從圖7可以看出， 采用CNN的識(shí)別方法由于是基于采樣數(shù)據(jù)的直接識(shí)別，保留了數(shù)據(jù)全部信息，當(dāng)信噪比較大時(shí)，現(xiàn)有標(biāo)簽樣本能夠較好的訓(xùn)練CNN，識(shí)別率明顯高于文獻(xiàn)[6—7]算法，而當(dāng)信噪比為-10 dB時(shí)，噪聲較大，基于CNN的識(shí)別方法通過現(xiàn)有標(biāo)簽樣本較難學(xué)習(xí)數(shù)據(jù)深層特征，識(shí)別率低于文獻(xiàn)[6—7]算法。而本文所提基于GAN的半監(jiān)督低分辨雷達(dá)目標(biāo)識(shí)別算法，在利用CNN實(shí)現(xiàn)對(duì)采樣數(shù)據(jù)直接識(shí)別的同時(shí)，利用了大量無標(biāo)簽樣本，挖掘了數(shù)據(jù)更深層本質(zhì)特征，識(shí)別效果明顯優(yōu)于基于CNN的識(shí)別方法和文獻(xiàn)[6—7]算法。

3.5.4 算法識(shí)別時(shí)間對(duì)比實(shí)驗(yàn)

對(duì)文獻(xiàn)[6—7]算法和本文算法的識(shí)別時(shí)間進(jìn)行計(jì)算，結(jié)果如表5所示?？梢钥闯觯疚乃惴ㄓ捎谠谧R(shí)別過程中無需對(duì)信號(hào)進(jìn)行特征提取，識(shí)別時(shí)間遠(yuǎn)遠(yuǎn)少于文獻(xiàn)[6—7]算法的識(shí)別時(shí)間。

表5 兩種算法的識(shí)別時(shí)間Tab.5 The recognition time of the two algorithms

4 結(jié)論

本文提出了基于GAN的半監(jiān)督低分辨雷達(dá)目標(biāo)識(shí)別算法。該算法將GAN應(yīng)用于低分辨雷達(dá)目標(biāo)識(shí)別領(lǐng)域，用CNN替代判別器實(shí)現(xiàn)多分類功能，將生成樣本和無標(biāo)簽樣本形成真假類別屬性，利用GAN的對(duì)抗生成特點(diǎn)，提高分類器的識(shí)別能力，然后將分類器取出作為低分辨雷達(dá)目標(biāo)識(shí)別網(wǎng)絡(luò)。仿真實(shí)驗(yàn)結(jié)果表明，本文所提的基于GAN的半監(jiān)督低分辨雷達(dá)目標(biāo)識(shí)別算法較傳統(tǒng)半監(jiān)督低分辨雷達(dá)目標(biāo)識(shí)別方法在識(shí)別準(zhǔn)確度和運(yùn)算速度上都有明顯優(yōu)勢(shì)。