1.一种基于CN‑GAN与CNN的SAR图像目标识别算法,其特征在于:所述算法包括以下步骤,S1、将CN‑GAN结合least‑squares GAN和Pix2Pix的方法,在生成器的损失函数中添加一个回归函数约束项,使得改进后的CN‑GAN能够解决数据生成问题;
其中,CN‑GAN由生成器G和判别器D两部分组成,使得生成器G与判别器D的损失都达到最小,最终达到纳什平衡点,因此可以将其转化为一个极小极大值的问题:然而,朴素GAN在模型学习容易产生梯度消失问题,为克服此问题,采用least‑squares GAN的方法,将式(4)转化为最小平方意义下的目标函数另外,朴素GAN还存在输出自由度较大问题,经常生成不合理但能欺骗D的样本;为解决此问题,在G的目标优化函数中添加一个式(6)所示的回归函数约束项,使生成样本和真实信号均方距离最小,降低G的输出自由度,使改进后的朴素GAN能够解决数据生成问题;
于是,式(5)写成
其中,λ表示调节权重;把含上述约束项ξ(G)的朴素GAN称为CN‑GAN;
S2、CNN直接将CN‑GAN生成的SAR图像作为网络输入,结构上采用浅层的网络设计,并且加入Dropout层,有效提高模型的泛化能力;
CNN直接采用SAR图像作为网络输入,能够避免了复杂的特征提取过程,并且其局部感受域获取的特征可以直接用于SAR ATR中。
2.根据权利要求1所述的一种基于CN‑GAN与CNN的SAR图像目标识别算法,其特征在于:在G的目标优化函数中添加一个式(1)所示的回归函数约束项,使生成样本和真实信号均方距离最小,降低G的输出自由度,使改进后的朴素GAN能够解决数据生成问题
3.根据权利要求1所述的一种基于CN‑GAN与CNN的SAR图像目标识别算法,其特征在于:采用GAN方法,假设z是杂波和噪声数据,x为雷达数据,雷达数据生成的任务是对样本数量较少的类数据进行数据生成,生成与该类真实样本相近的大量新样本数据;G和D通过对抗提高各自的能力,最终能够生成真实雷达数据;在生成对抗网络中,通过设定代价函数来表示两个网络之间的关系:(G) (D)
用一个总得价值函数f来表示J 和J :
其中,Pz(x)为杂波和噪声信号数据分布函数,Pdata(x)为雷达信号数据分布函数;
4.根据权利要求1所述的一种基于CN‑GAN与CNN的SAR图像目标识别算法,其特征在于:CN‑GAN通过鉴别器来指导生成器训练,可以弥补单深度神经网络损失函数的设计不足和低信杂噪比情况下性能下降问题;CN‑GAN能克服深度神经网络的深度学习在低信杂噪比时,由于强噪声的干扰非线性学习能力退化的问题。
5.根据权利要求1所述的一种基于CN‑GAN与CNN的SAR图像目标识别算法,其特征在于:在网络结构上,CN‑GAN则采用了DCGAN的网络结构,使用卷积层、批归一化以及ReLU激活函数。
6.根据权利要求1所述的一种基于CN‑GAN与CNN的SAR图像目标识别算法,其特征在于:由于加入的回归函数项表示的是生成样本和真实信号均方距离,所以能够用于生成图像的大致轮廓、结构等,对应于图像的低频部分;而least‑squares GAN则主要用于生成SAR图像的细节,即对应图像的高频部分。
7.根据权利要求1所述的一种基于CN‑GAN与CNN的SAR图像目标识别算法,其特征在于:在生成器的设计上,采用了U‑Net的结构,它在编解码的结构中加入了跳跃连接,使得可以将部分有用的重复信息直接共享到生成器。