1.一种基于约束朴素最小二乘生成对抗网络(Constrained Naive Least Squares Generative Adversarial Network,CN‑LSGAN)、短时傅里叶变换(Short‑time Fourier transform,STFT)和卷积神经网络(Convolutional Neural Network,CNN)的HRRP雷达目标识别方法,其特征在于,所述方法包括以下步骤:
S1,用CN‑LSGAN对HRRP数据去噪,该网络结合了最小二乘生成对抗网络(Least Squares Generative Adversarial Network,LSGAN)和带梯度惩罚的Wasserstein生成对抗网络(Wasserstein Generative Adversarial Nets‑Gradient Penalty,WGAN‑GP)特点,将含噪声的HRRP数据通过CN‑LSGAN,生成与干净的HRRP数据相似的数据,实现数据增强;
S2,采用STFT对HRRP数据进行时频分析,引入目标的频域和相位特征,以便于特征学习;
S3,将时频分析得到的数据通过CNN进行目标识别。
2.根据权利要求1所述的一种基于约束朴素最小二乘生成对抗网络(Constrained Naive Least Squares Generative Adversarial Network,CN‑LSGAN)、短时傅里叶变换(Short‑time Fourier transform,STFT)和卷积神经网络(Convolutional Neural Network,CNN)的HRRP雷达目标识别方法,其特征在于:步骤S1中CN‑LSGAN为LSGAN在D和G的损失函数中各添加一个约束项形成,LSGAN的损失函数如式(2)所示D和G的损失函数中添加的约束项如式(3)和式(4)所示CN‑LSGAN损失函数为:
式中,λ1和λ2表示调节权重;分别调节ξ(D)和ξ(G),ξ(D)有助于解决模型崩塌,ξ(G)则可以降低G的输出自由度,提高生成样本的质量。
3.根据权利要求1所述的一种基于约束朴素最小二乘生成对抗网络(Constrained Naive Least Squares Generative Adversarial Network,CN‑LSGAN)、短时傅里叶变换(Short‑time Fourier transform,STFT)和卷积神经网络(Convolutional Neural Network,CNN)的HRRP雷达目标识别方法,其特征在于,所述的CN‑LSGAN的生成器和判别器都采用全连接网络结构。
4.根据权利要求1所述的一种基于约束朴素最小二乘生成对抗网络(Constrained Naive Least Squares Generative Adversarial Network,CN‑LSGAN)、短时傅里叶变换(Short‑time Fourier transform,STFT)和卷积神经网络(Convolutional Neural Network,CNN)的HRRP雷达目标识别方法,其特征在于,所述步骤S2具体为:采用STFT对HRRP信号进时频分析,其中窗函数通常选取汉宁窗;窗的宽度影响着时域和频域的相对分辨率,为了权衡信号的时域和频域分辨率,采取相邻信号段之间相互叠加的方式,根据数据的特征,选取相邻信号段之间的叠加长度为每段长度的一半,分别采用窗长为32、16、8和4的汉宁窗进行STFT。
5.根据权利要求1所述的一种基于约束朴素最小二乘生成对抗网络(Constrained Naive Least Squares Generative Adversarial Network,CN‑LSGAN)、短时傅里叶变换(Short‑time Fourier transform,STFT)和卷积神经网络(Convolutional Neural Network,CNN)的HRRP雷达目标识别方法,其特征在于,所述步骤S3具体为:通过对HRRP数据的时频分析,得到的时频数据维度为(2,64),根据这个的维度设计CNN,该CNN由两个卷积层、一个池化层、两个全连接层和一个SoftMax分类器组成,其中这两个卷积层的卷积核形状都为3*3。