CN119495016A 基于类别指导ddpm的hrrp样本生成方法及系统 （西安电子科技大学）

基于类别指导DDPM的HRRP样本生成方法及本发明公开了一种基于类别指导DDPM的括融入时间步和角域的下采样模块和上采样模训练，获得训练后的类别指导去噪扩散概率模2构建一维条件卷积网络，所述一维条件卷积网络的输入内包含的距离单元的数量，x()表示第l个距以各HRRP原始数据的质点为准，分别对归一化处理后的HRRP数据进行平移以使所述第一卷积单元的输入端用于输入待处理数据，所述第一卷积单元所述第一下采样单元包括依次连接的第一残差块、第二残差块和第一下采样卷积层，3所述第一上采样单元依次包括第十残差块、第十一残差块、第十二残所述第二上采样单元依次包括第十三残差块、第十四残差块、第十五十四残差块的输出与所述第三残差块的输出在通道维拼接所述第三上采样单元依次包括第十六残差块、第十七残差块、第十八残差块的输出与所述第一卷积单元的输出在通道维拼接所述第二卷积单元的输入端连接至所述第三上采样单元的输出端，用采样单元的输出转化为与所述第一卷积单元输入的待处理数据一致将经过位置编码后的时间步和角域融合至输入的特征所述第一卷积层用于对输入数据进行卷积操作，所述第一卷积所述线性层用于对经过位置编码处理的时间步进行线性变换并输入至所述第一融合所述第二卷积层的输入为所述第一融合单元融合后的数据与经过位置编码处理后的所述第三卷积层用于对所述输入数据进行卷积操作，以将所述输所述第二融合单元用于对其第一输入端输入的数据和第二输入端输入的数据进行融4将标准高斯噪声x'r及其经过位置编码后的角域o'和时间步T，输入所述训练后的类将x'r-1及其经过位置编码后的角域和时间步输入所述训练后的类别指导去噪扩散概重复向所述训练后的类别指导去噪扩散概率模型输出上一时间步的输9.一种基于类别指导DDPM的HRRP样本生成系统，其特征所述数据预处理模块用于对获取的HRRP原始数据进行归一化和质心对齐所述样本生成模块用于利用所述训练后的类别指导去噪扩散概率模型生成扩充样本5[0003]目前已有的利用HRRP进行雷达目标识别任务的方法可以大致分为基于物理机理度学习和数据科学快速发展，概率生成模型，例如变分自编码器(VAE)、生成对抗网络[0005]VAE在面对概率分布复杂的数据时往往表现不佳，容易出现生成样本细节缺失和不能实现生成样本概率分布向真实样本概率分布的完美逼近，因此VAE无法拟合复杂的概中同一个均值附近的值都被解码成接近的样本，而KL散度项又让隐空间的分布靠近给定[0006]GAN可以学习到复杂的概率分布并生成细节更好的高质量样本，但判别器和生成6图，DDPM通过确定的具有马尔可夫性质的前向扩散过程P(XZIP-1),t=山,2.T将输入映还原输入从而完成生成任务。DDPM每一层的输入为不同加噪程[0009]为了解决现有技术中存在的上述问题，本发明提供了一种基于类别指导DDPM的所述数据预处理模块用于对获取的HRRP原始数据进行归一化和质心对齐预处理，所述样本生成模块用于利用所述训练后的类别指导去噪扩散概率模型生成扩充构建的一维条件卷积网络进行训练获得的，所述一维条件卷积网络的输入为待去噪的样7本发明在小样本情况下生成的HRRP样本可用于分类器的训练并显著提高的概率统计扩散模型，并将其应用到雷达HRRP样本生成任务中，提高了小样本情况下的图2是本发明实施例提供的一种基于类别指导DDPM的HRRP样本生成方法的流程图4是本发明实施例提供的一种一维条件卷积网络经过每一层计算后特征维度的8[0019]实际场景中HRRP信号存在的幅度敏感性和平移敏感性问题会严重影响由其训练[0020]幅度敏感性是指HRRP信号的幅度会受到雷达参数、目标[0021]本步骤的预处理包括对HRRP原始数据进行归一化和重心对齐处理以消除幅度敏S1.1：对获取的HRRP原始数据进行归一化处理，获得归一化处理后的HRRP数据:[0023]S1.2：以各个HRRP原始数据的质点为准则，分别对归一化处理后的HRRP数据(C)表示HRRP数据中心位置的相位，C=L2表示HRRP数据的中心位置，k-C-WI表示将。9[0026]请参见图3和图4，图3是本发明实施例提供的一种一维条件卷积网络的结构示意图，图4是本发明实施例提供的一种一维条件卷积网络经过每一层计算后特征维度的变化数据进行卷积操作，第一卷积层Conv1的输出端连接第一融合单元的第一输入端；线性层Linear用于对经过位置编码处理的时间步进行线性变换并输入至第一融合单元的第二输入端，第一融合单元用于对其第一输入端输入的数据和第二输入端输入的数据进行融合(即逐数据相加)并输出；第二卷积层Conv2的输入为第一融合单元拼接后的数据与经过位置编码处理后的角域相乘后的数据，第二卷积层Conv2的输出端连接第二融合单元的第一层Conv2的输出数据相同的通道数，第三卷积层Conv3的输出端连接第二融合单元的输入[0033]如图5所示，in_c表示当前残差块的输入数据的通道数，out-c表示第二卷积层Conv2的输出数据的通道数，w表示当前特征数据的维度，虚线的意思是若in_c*out_c，则利用第三卷积层Conv3对输入数据进行一次卷积操作使得第三卷积层Conv3的输出数据Conv3的输入数据和输出数据的通道数不变，在第二融合单元处对其第一输入端输入的数能够满足out_l=in_l即可，通常选择较小的卷积核并增加网络深度来实现拥有较大感受[0036]具体的方法是将时间步(t=1,2.T)编码成维度与当前样本通道数相等的向量，经过位置编码后的时间步t和角域以告诉网络当前的时间步t并融入角域。网络能够在输入和时完成将去噪还原为这一任务，从而获得训练后的类别指导将T-1输入训练后的类别指导去噪扩散概率模型，获得指导去噪扩散概率模型为利用小样本数据集对构建的一维条件卷积网络进行训练获得的，卷积网络包括融入时间步和角域的下采样模块和上[0047]该一维条件卷积网络的下采样模块和上采样模块的具体结构以及具体训练过程[0048]以下通过仿真实验对本发明的基于角域引导DDPM的HRRP样本生成方法的效果进本发明使用的HRRP数据为仿真数据，仿真雷达参数为中心频率5520Mhz、带宽时现有的对变分自编码器(VAE)和本实施例的基于类别指导去噪扩散概率模型(即经训练的一维条件卷积网络)使用相同的HRRP数据样本进行训练，并分别用生成样本对分类器进率模型生成的样本准确率最高达到了90.24%，相比只在真实数据上训练得到的准确率统计扩散模型在小样本条件下的细节生成能力，提出基于角域引导的概率统计扩散模型，[0056]本发明的又一实施例提供了一种存储介质，所述存储介质中存储有计算机程所述计算机程序用于执行上述实施例中所述基于类别指导DDPM的HRRP样本生成方法的步存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步