高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于深度生成对抗网络的海杂波数据增强方法

丁斌 夏雪 梁雪峰

丁斌, 夏雪, 梁雪峰. 基于深度生成对抗网络的海杂波数据增强方法[J]. 电子与信息学报. doi: 10.11999/JEIT200447
引用本文: 丁斌, 夏雪, 梁雪峰. 基于深度生成对抗网络的海杂波数据增强方法[J]. 电子与信息学报. doi: 10.11999/JEIT200447
Bin DING, Xue XIA, Xuefeng LIANG. Sea Clutter Data Augmentation Method Based on Deep Generative Adversarial Network[J]. Journal of Electronics and Information Technology. doi: 10.11999/JEIT200447
Citation: Bin DING, Xue XIA, Xuefeng LIANG. Sea Clutter Data Augmentation Method Based on Deep Generative Adversarial Network[J]. Journal of Electronics and Information Technology. doi: 10.11999/JEIT200447

基于深度生成对抗网络的海杂波数据增强方法

doi: 10.11999/JEIT200447
基金项目: 西安市科技计划(2019KJWL30)
详细信息
    作者简介:

    丁斌:男,1980年生,博士,高级工程师,研究方向为智能信息处理、图像解译与智慧遥感

    夏雪:女,1985年生,博士,研究方向为信号与信息处理

    梁雪峰:男,1973年生,博士,教授,博士生导师,研究方向为视觉认知计算(心理学)、计算机视觉、视觉大数据挖掘、智能算法

    通讯作者:

    丁斌 xadb2005@163.com

  • 中图分类号: TP391

Sea Clutter Data Augmentation Method Based on Deep Generative Adversarial Network

Funds: Xi’an Science and Technology Plan (2019KJWL30)
  • 摘要: 海杂波数据稀缺,获取海杂波数据成本高、周期长,极大地限制了海杂波特性研究及海洋遥感应用。该文主要研究了基于深度生成性对抗网络(GAN)的海杂波数据生成方法,通过扩展传统的GAN框架,形成了一维海杂波数据生成和鉴别模型,基于实测海杂波数据集,进行对抗网络生成和鉴别模型训练,分析了生成模型所生成的海杂波数据的幅度分布特性和时间、空间相关性。基于实测数据验证了该方法能够生成更多、更多样、与真实海杂波数据分布相近的海杂波数据。
  • 图  1  GAN结构示意图

    图  2  海杂波数据对抗生成网络结构

    图  3  单载频发射信号,海杂波时域波形

    图  4  实测海杂波数据实部&生成海杂波数据实部

    图  5  实测海杂波数据虚部&生成海杂波数据虚部

    图  6  第100采样点10000帧海杂波幅度

    图  8  生成海杂波数据(10000帧)杂波幅度图

    图  7  第100采样点10000帧海杂波幅度直方图

    图  9  生成海杂波数据(10000帧)幅度直方图

    图  10  直接生成回波幅度(模值)(10000帧)直方图

    图  11  幅度分布拟合曲线

    图  12  实测海杂波数据&生成海杂波数据功率谱密度

    图  13  实测&生成海杂波数据时间相关系数

    图  14  实测海杂波&生成海杂波距离向第100采样点处距离维空间相关系数

    表  1  生成器、辨别器网络参数

    生成器网络判别器网络
    LayerAct./NormOutput shapeLayerAct./NormOutput shape
    Fully LinearReLUConv1dLeaky ReLU64×2048
    BatchNorm1d1×256Conv1dLeaky ReLU128×512
    Conv1dReLU512×512Conv1dLeaky ReLU256×128
    Conv1dReLU256×1024Conv1dLeaky ReLU512×128
    Conv1dReLU128×1024Conv1dLeaky ReLU1024×16
    Conv1dReLU64×4096Fully Linearsigmoid1×1
    Conv1dTanh1×8192
    下载: 导出CSV
  • 刘宁波, 董云龙, 王国庆, 等. X波段雷达对海探测试验与数据获取[J]. 雷达学报, 2019, 8(5): 656–667. doi: 10.12000/JR19089

    LIU Ningbo, DONG Yunlong, WANG Guoqing, et al. Sea-detecting X-band radar and data acquisition program[J]. Journal of Radars, 2019, 8(5): 656–667. doi: 10.12000/JR19089
    DING Hao, GUAN Jian, LIU Ningbo, et al. Modeling of heavy tailed sea clutter based on the generalized central limit theory[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(11): 1591–1595. doi: 10.1109/LGRS.2016.2596322
    TITI G W and MARSHALL D F. The ARPA/NAVY mountaintop program: Adaptive signal processing for airborne early warning radar[C]. 1996 IEEE International Conference on Acoustics, Speech, and Signal Processing Conference Proceedings, Atlanta, USA, 1996: 1165–1168.
    DROSOPOULOS A. Description of the OHGR database[R]. Technical Note 94–14, 1994.
    GRECO M, STINCO P, GINI F, et al. Impact of sea clutter nonstationarity on disturbance covariance matrix estimation and CFAR detector performance[J]. IEEE Transactions on Aerospace and Electronic Systems, 2010, 46(3): 1502–1513. doi: 10.1109/TAES.2010.5545205
    王帅. 基于人工智能(GAN)的影像技术探究[D]. [硕士论文], 南京师范大学, 2019.
    雷志勇, 黄忠平, 吴刚, 等. 机载L波段雷达海杂波幅度分布特性分析[J]. 电波科学学报, 2019, 34(5): 558–566.

    LEI Zhiyong, HUANG Zhongping, WU Gang, et al. Analysis of sea clutter distribution with L-band airborne radar[J]. Chinese Journal of Radio Science, 2019, 34(5): 558–566.
    刘恒燕, 宋杰, 熊伟, 等. 大入射余角海杂波相关特性分析及幅度拟合[J]. 海军航空工程学院学报, 2018, 33(3): 307–312. doi: 10.7682/j.issn.1673-1522.2018.03.009

    LIU Hengyan, SONG Jie, XIONG Wei, et al. Sea clutter correlation analysis and amplitude fitting for large grazing angle[J]. Journal of Naval Aeronautical and Astronautical University, 2018, 33(3): 307–312. doi: 10.7682/j.issn.1673-1522.2018.03.009
    傅俊滔, 周国安, 陈红. 基于ZMNL的Pareto杂波模拟改进方法[J]. 弹箭与制导学报, 2019, 39(4): 19–21, 28.

    FU Juntao, ZHOU Guoan, and CHEN Hong. Improved method of Pareto clutter simulation based on ZMNL[J]. Journal of Projectiles,Rockets,Missiles and Guidance, 2019, 39(4): 19–21, 28.
    王坤峰, 左旺孟, 谭营, 等. 生成式对抗网络: 从生成数据到创造智能[J]. 自动化学报, 2018, 44(5): 769–774.

    WANG Kunfeng, ZUO Wangmeng, TAN Ying, et al. Generative adversarial networks: from generating data to creating intelligence[J]. Acta Automatica Sinica, 2018, 44(5): 769–774.
    徐雅楠, 刘宁波, 丁昊, 等. 利用CNN的海上目标探测背景分类方法[J]. 电子学报, 2019, 47(12): 2505–2514.

    XU Yanan, LIU Ningbo, DING Hao, et al. Background classification method for marine target detection based on CNN[J]. Acta Electronica Sinica, 2019, 47(12): 2505–2514.
    丁昊, 刘宁波, 董云龙, 等. 雷达海杂波测量试验回顾与展望[J]. 雷达学报, 2019, 8(3): 281–302. doi: 10.12000/JR19006

    DING Hao, LIU Ningbo, DONG Yunlong, et al. Overview and prospects of radar sea clutter measurement experiments[J]. Journal of Radars, 2019, 8(3): 281–302. doi: 10.12000/JR19006
    GOODFELLOW I J, POUGET-ABADIE J, MIRZA M, et al. Generative adversarial networks[C]. Neural Information Processing Systems (NIPS), 2014: 1–23.
    ZHANG Zhimian, WANG Haipeng, XU Feng, et al. Complex-valued convolutional neural network and its application in polarimetric SAR image classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(12): 7177–7188.
    ARJOVSKY M, CHINTALA S, and BOTTOU L. Wasserstein GAN[C]. International Conference on Machine Learning, 2017: 1–32.
    GULRAJANI I, AHMED F, ARJOVSKY M, et al. Improved training of Wasserstein GANs[C]. The 31st International Conference on Neural Information Processing Systems, Long Beach, USA, 2017: 5767–5777.
    关键, 丁昊, 黄勇, 等. 实测海杂波数据空间相关性研究[J]. 电波科学学报, 2012, 27(5): 943–953.

    GUAN Jian, DING Hao, HUANG Yong, et al. Spatial correlation property with measured sea clutter data[J]. Chinese Journal of Radio Science, 2012, 27(5): 943–953.
  • 加载中
图(14) / 表(1)
计量
  • 文章访问数:  148
  • HTML全文浏览量:  48
  • PDF下载量:  43
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-06-02
  • 修回日期:  2021-02-27
  • 网络出版日期:  2021-03-04

目录

    /

    返回文章
    返回

    官方微信,欢迎关注