一种RCS数据重构方法和装置与流程

一种rcs数据重构方法和装置
技术领域
1.本发明涉及电磁建模技术领域，尤其涉及一种rcs数据重构方法和装置。


背景技术：

2.雷达目标电磁散射特性是目标自身特有的对照射电磁波散射的性质，可用雷达散射截面积(radar cross section，rcs)及其统计特征参数、角闪烁及其统计特征参数、极化散射矩阵、散射中心分布和目标成像等雷达目标特征参量进行描述。获取目标电磁散射数据的方法主要有实际测量和电磁建模两种手段。然而，实际测量代价很大，周期较长，测试范围有限；电磁建模又需要获取目标完整准确的几何结构等信息，这两者都存在一定的限制。
3.因此，针对以上不足，需要提供一种rcs数据重构方法。


技术实现要素：

4.针对现有技术中的缺陷，本发明提供一种rcs数据重构方法和装置，能够在信息最大化生成对抗网络(information maximizing generative adversarial nets，infogan)的基础上，利用提前通过电磁建模方法生成的rcs数据进行训练，实现实时快速生成大量rcs数据的效果。
5.为了解决上述技术问题，在一个方面，本发明实施例提供了一种rcs数据重构方法。
6.本发明实施例的rcs数据重构方法包括：构建目标几何模型；其中，所述目标几何模型的多个特征参数中的每一特征参数在该特征参数的预设范围内变化；通过电磁建模获得所述目标几何模型的仿真rcs数据，并确定所述仿真rcs数据与每一特征参数的关联性；依据所述仿真rcs数据训练预设的信息最大化生成对抗网络，根据所述关联性调整所述信息最大化生成对抗网络的模型参数；将随机噪声与所述特征参数的具体数值输入训练完成的所述信息最大化生成对抗网络，生成所述目标几何模型的重构rcs数据。
7.可选地，所述信息最大化生成对抗网络包括生成网络、判别网络和分类网络；其中，所述生成网络基于输入的随机噪声和分类标签形成的输出数据进入所述判别网络和所述分类网络；所述判别网络用于判别所述输出数据的真伪；所述分类网络用于确定所述输出数据的分类标签；输入所述生成网络的分类标签为所述特征参数的具体数值，所述判别网络和所述分类网络共用卷积层和至少一个全连接层。
8.可选地，所述依据所述仿真rcs数据训练预设的信息最大化生成对抗网络，包括：首先固定所述生成网络的模型参数，以仿真rcs数据和所述生成网络的输出数据作为样本训练所述判别网络和所述分类网络；在所述判别网络和所述分类网络训练完成之后，固定所述判别网络和所述分类网络的模型参数训练所述生成网络。
9.可选地，训练所述信息最大化生成对抗网络时使用的损失函数为：
10.11.其中，g表示所述生成网络，d表示所述判别网络，q表示所述分类网络，λ表示常数，i表示互信息，c表示所述分类标签，z表示所述随机噪声，mse表示均方误差，v表示生成对抗网络的原始目标函数，v1表示所述信息最大化生成对抗网络的目标函数。
12.可选地，所述根据所述关联性调整所述信息最大化生成对抗网络的模型参数，包括：根据所述仿真rcs数据与各特征参数的关联性调节所述信息最大化生成对抗网络的损失函数中各特征参数的权重。
13.可选地，所述方法进一步包括：在所述确定所述仿真rcs数据与每一特征参数的关联性之前，通过主成分分析pca算法或局部线性嵌入lle算法对所述仿真rcs数据进行降维处理。
14.可选地，所述特征参数包括至少一个几何参数和极化方式参数。
15.为了解决上述技术问题，在另一方面，本发明实施例提供了一种rcs数据重构装置。
16.本发明实施例的rcs数据重构装置可以包括：构建单元，用于：构建目标几何模型；其中，所述目标几何模型的多个特征参数中的每一特征参数在该特征参数的预设范围内变化；仿真数据获取单元，用于：通过电磁建模获得所述目标几何模型的仿真rcs数据，并确定所述仿真rcs数据与每一特征参数的关联性；训练单元，用于：依据所述仿真rcs数据训练预设的信息最大化生成对抗网络，根据所述关联性调整所述信息最大化生成对抗网络的模型参数；重构单元，用于：将随机噪声与所述特征参数的具体数值输入训练完成的所述信息最大化生成对抗网络，生成所述目标几何模型的重构rcs数据。
17.为实现上述目的，根据本发明的又一方面，提供了一种电子设备。
18.本发明的一种电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明所提供的rcs数据重构方法。
19.为实现上述目的，根据本发明的再一方面，提供了一种计算机可读存储介质。
20.本发明的一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明所提供的rcs数据重构方法。
21.实施本发明的rcs数据重构方法和装置，具有以下有益效果：首先，构建目标几何模型，所述目标几何模型的多个特征参数中的每一特征参数在该特征参数的预设范围内变化；接着，通过电磁建模获得所述目标几何模型的仿真rcs数据，并确定所述仿真rcs数据与每一特征参数的关联性；此后，依据所述仿真rcs数据训练预设的信息最大化生成对抗网络，根据所述关联性调整所述信息最大化生成对抗网络的模型参数；此后，将随机噪声与所述特征参数的具体数值输入训练完成的所述信息最大化生成对抗网络，即可生成所述目标几何模型的重构rcs数据。通过以上步骤，能够利用infogan网络在一定几何范围内进行rcs数据重构，得到的数据与高频建模(高频指的是大于预设频率值的频率)计算得到的数据具有很好的一致性，并且能够快速计算得到相应的数据。
附图说明
22.图1是本发明实施例中rcs数据重构方法的主要步骤示意图；
23.图2是本发明实施例中rcs数据重构方法的执行架构示意图；
24.图3是本发明实施例的信息最大化生成对抗网络的结构示意图；
25.图4是本发明实施例的信息最大化生成对抗网络的训练示意图；
26.图5是本发明实施例的仿真rcs数据获取流程示意图；
27.图6是直径作为分类标签的降维数据可视化示意图；
28.图7是本发明实施例的判别网络和分类网络的结构示意图；
29.图8是本发明实施例的生成网络的结构示意图；
30.图9是本发明实施例中rcs数据重构装置的组成部分示意图；
31.图10是用来实现本发明实施例中rcs数据重构方法的电子设备结构示意图。
具体实施方式
32.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
33.雷达目标电磁散射特性是目标自身特有的对照射电磁波散射的性质，可用雷达散射截面积(radar cross section，rcs)及其统计特征参数、角闪烁及其统计特征参数、极化散射矩阵、散射中心分布和目标成像等雷达目标特征参量进行描述。获取目标电磁散射数据的方法主要有实际测量和电磁建模两种手段。然而，实际测量代价很大，周期较长，测试范围有限；电磁建模又需要获取目标完整准确的几何结构等信息，这两者都存在一定的限制。
34.人工智能网络具有很好的特征提取和泛化能力，已经在语音识别、文本和图像处理等方面取得了惊人的成绩。近几年，人工智能领域最火热的生成模型生成对抗网络(generative adversarial networks，gan)在传统的光学图像的生成上表现出非常优秀的性能。本文在信息最大化生成对抗网络(information maximizing generative adversarial nets，infogan)的基础上对目标雷达散射截面数据生成模型进行了研究设计，以下为本发明实施例的基本构思，基于infogan的rcs数据重构方法分为以下几部分。
35.1、数据获取及处理，通过cad等软件绘制出几何模型，然后对目标模型进行网格剖分，通过高频建模方法计算，得到rcs数据。为了使提高网络训练的效率和网络的性能，需要对训练样本数据进行降维处理，提取高维数据中的主要特征，将几何尺寸作为标签，通过数据的可视化，确定几何参数中对样本数据影响最大的因素。
36.2、搭建智能网络，infogan网络主要包括三个部分：生成网络g，判别真伪的网络d，和判别类别的网络q，q和d共享前面的网络参数，只在输出层和全连接层有所区别。生成器g的输入为随机噪声z和数据分布的潜变量c(即分类标签)，判别器d对输入的训练样本数据(真)和生成数据g(z,c)(伪)进行真伪判别；q输出的是潜变量c。
37.3、训练网络及数据生成，首先训练判别网络和分类网络，接着训练生成网络，然后将生成数据和样本数据通过判别网络进行判别对比，此后对网络参数进行调整，循环这一过程直到达到平衡。之后进行数据生成并与样本数据进行详细对比处理，确定网络参数。
38.以下进行具体说明。图1是根据本发明实施例中rcs数据重构方法的主要步骤示意图。
39.如图1所示，本发明实施例的rcs数据重构方法可具体按照如下步骤执行：
40.步骤s101：构建目标几何模型，所述目标几何模型的多个特征参数中的每一特征参数在该特征参数的预设范围内变化。
41.在本步骤中，可以首先建立目标的几何模型，该几何模型的基本样式已知，但是特征参数并不固定，可以在各特征参数的预设范围内进行变化。示例性地，以上特征参数可以包括至少一个几何参数和极化方式参数，几何参数可以是长、宽、高、直径等，这些参数的取值可以在预设范围内连续变化；极化方式参数的取值可以是hh(水平发射水平接收)、vv(垂直发射垂直接收)、hv(水平发射垂直接收)、vh(垂直发射水平接收)等，该参数的取值可以离散变化。
42.步骤s102：通过电磁建模获得所述目标几何模型的仿真rcs数据，并确定所述仿真rcs数据与每一特征参数的关联性。
43.在获得目标几何模型之后，可以对目标几何模型进行网格剖分，进而通过已知的电磁建模方法获得目标几何模型在不同特征参数下的仿真rcs数据(仿真rcs数据与以下将要说明的通过智能计算网络——即信息最大化生成对抗网络——生成的重构rcs数据相对而言，以上仿真rcs数据在信息最大化生成对抗网络中作为真实数据，而重构rcs数据本质上为伪造数据)，此后可以通过主成分分析pca算法或局部线性嵌入lle算法对仿真rcs数据进行降维处理，并从降维处理后的数据中判断每一特征参数与仿真rcs数据的关联性，以上关联性可以采用定性或定量的方式表达。上述关联性可以用于后续的信息最大化生成对抗网络的模型参数调整，即，当训练后的模型不符合要求时，可以提高模型损失函数中上述关联性较大的特征参数的权重，或者降低模型损失函数中上述关联性较小的特征参数的权重，并重新训练，由此可望提高模型性能。
44.步骤s103：依据所述仿真rcs数据训练预设的信息最大化生成对抗网络，根据所述关联性调整所述信息最大化生成对抗网络的模型参数。
45.在本步骤中，可以首先利用仿真rcs数据训练预设的信息最大化生成对抗网络。具体地，所述信息最大化生成对抗网络可以包括生成网络、判别网络和分类网络。其中，所述生成网络基于输入的随机噪声和分类标签形成的输出数据进入所述判别网络和所述分类网络；所述判别网络用于判别所述输出数据的真伪；所述分类网络用于确定所述输出数据的分类标签。可以理解，输入所述生成网络的分类标签即所述特征参数的具体数值。所述判别网络和所述分类网络可以共用在前的卷积层和至少一个全连接层，二者可以只在最后一层或多层(例如输出层和在后的全连接层)存在区别。
46.以下为所述信息最大化生成对抗网络的训练过程：首先固定所述生成网络的模型参数，以仿真rcs数据和所述生成网络的输出数据作为样本训练所述判别网络和所述分类网络；在所述判别网络和所述分类网络训练完成之后，固定所述判别网络和所述分类网络的模型参数训练所述生成网络。模型训练采用以下损失函数：
[0047][0048]
其中，g表示所述生成网络，d表示所述判别网络，q表示所述分类网络，λ表示常数，i表示互信息，c表示所述分类标签，z表示所述随机噪声，mse表示均方误差，v表示生成对抗网络的原始目标函数，v1表示所述信息最大化生成对抗网络的目标函数。
[0049]
在训练完成之后，可以测试训练后的所述信息最大化生成对抗网络是否满足要求：如果满足，则保存模型；如果不满足，则可以根据以上关联性调整所述信息最大化生成对抗网络的模型参数。具体地，可以根据所述仿真rcs数据与各特征参数的关联性调节所述信息最大化生成对抗网络的损失函数中各特征参数的权重。例如，如果在步骤s102中确定目标几何模型的特征参数中的直径与仿真rcs数据的关联性最大，可以提高损失函数中直径的权重(例如在损失函数的最后一项——即均方误差项——的c中体现出直径的更高权重)，从而形成更为合理的损失函数，进而通过重新训练获得效果更好的模型。
[0050]
图2是本发明实施例中rcs数据重构方法的执行架构示意图，如图2所示，当信息最大化生成对抗网络(即智能计算网络)符合要求时，保存模型；如果不符合要求，则需要调整网络，调整网络需要使用基于训练样本(即仿真rcs数据)得到的以上关联性，调整网络之后重新使用训练样本进行训练，训练完成之后重新测试模型，直到符合要求。
[0051]
步骤s104：将随机噪声与所述特征参数的具体数值输入训练完成的所述信息最大化生成对抗网络，生成所述目标几何模型的重构rcs数据。
[0052]
当所述信息最大化生成对抗网络训练完成并且性能满足要求之后，可以使用所述信息最大化生成对抗网络中的生成网络直接生成近似于仿真rcs数据的重构rcs数据，即，将随机噪声与所述特征参数的具体数值输入生成网络，生成目标几何模型的重构rcs数据。当随机噪声和特征参数的具体数值发生变化之后，生成的重构rcs数据随之变化，从而能够实现大量重构rcs数据的快速生成。
[0053]
以下说明本发明的一个实施例。
[0054]
在本实施例中，首先需要获取训练样本数据，可以通过cst、cad(二者均为仿真软件)等绘制目标的几何模型，此目标的大致几何尺寸和样式已知，但具体精确的几何尺寸还待确认(即每一尺寸具有预设范围)。建立多个尺寸在一定范围内变化的几何模型，剖分网格后，利用高频建模方法求出该模型一定角度下的扫角rcs数据(即仿真rcs数据)。然后对数据进行分析处理，通过pca、lle等方法对rcs数据进行降维处理，可以看出对这些数据影响最大的某个具体几何参数。在进行训练时，针对性的调整相关网络参数，可以提高网络训练的效率和网络性能。
[0055]
然后搭建智能网络，如图3，infogan网络主要包括三个部分：生成网络g、判别网络d和分类网络q，q和d共享前面的网络参数，只在后边的全连接层和输出层有所区别。生成器g的输入为随机噪声z和数据分布的潜变量c，这里c包含几何尺寸参数和极化方式，输出的生成数据g(z,c)；判别器d对输入的训练样本数据(x)和生成数据g(z,c)进行真伪判别(即判别为real还是fake)；q输出的是潜变量c。infogan模型的原始目标函数为：
[0056][0057]
其中，v1与基础的gan的目标函数类似。
[0058]
i(c,g(z,c))＝h(c)-h(c|g(z,c))
[0059]
h表示信息熵，i为c和g(z,c)的互信息，能够度量c和g(z,c)的相关性，当他们相互独立时，i(c,g(z,c))＝0。当他们之间能够由一个确定的、可逆的函数联系起来时，可以得到最大的互信息量。在这里，为了使潜变量c在生成过程中不被丢失，所以在目标函数中加入互信息量，从而可以通过潜变量c来控制生成过程的结果。
[0060]
接下来是网络的训练，如图4，首先训练判别网络和分类网络，接着训练生成网络，
然后将生成数据和样本数据通过判别网络进行判别对比，之后对网络参数进行调整，循环这一过程直到达到平衡。在训练时，对几何尺寸标签(即几何参数)进行线性缩放n倍的处理。由于标签为连续数值变量，需要对损失函数进行修正，选择使用均方误差(mse)，并且由于各几何尺寸标签对样本数据的贡献不同，需要调整相应权重。
[0061]
以下介绍本发明的另一实施例。
[0062]
如图5所示，目标几何模型是由一个大长方体(长a，宽b,高h),一个小长方体(长a/2，宽b,高h)和一个圆柱体(高a/2，直径r)自下而上组合成的简单坦克模型(见图5左侧图)。对几何模型进行剖分网格(见图5中间图)，高频建模方法计算，得到俯仰角为60
°
、频率为10g赫兹、以1
°
为步长进行扫角的rcs数据，极化方式包括hh和vv。图5右侧图中的横坐标为方位角，纵坐标为rcs数值。
[0063]
此后，将样本数据降维到三维，并将几何尺寸分别作为分类标签进行可视化，可以发现：长a，宽b，高h作为标签时，其分布比较混沌没有明显的区分；而直径r作为标签时，有非常明显的分簇现象(如图6)，即直径r相同的样本数据具有某些近似的特征，r不同的样本数据具有某些相异的特征，也就是说直径r是对样本数据影响最大的因素。在图6中，不同灰度代表不同的rcs数值，三维坐标系分别代表降维后的仿真rcs数据的三个维度。
[0064]
搭建智能生成网络时，对目标函数进行了如下修正：
[0065][0066]
mse(c,q(g(z,c)))＝e[(c-q(g(z,c)))
t
(c-q(g(z,c)))]
[0067]
其中，e表示期望，t表示转置矩阵。
[0068]
判别网络d和分类网络q具体结构如图7(左侧分支为判别网络，右侧分支为分类网络)，d和q共用部分为：输入层(即input data所在层，361*1为数据维度)、卷积层(conv1，361*1*2为卷积核尺寸)、第一激活层(leakyrelu，0.2为相关参数)、展平层(flatten)、全连接层(dense，1024维度)、舍弃层(dropout，0.2为相关参数)、第二激活层(leakyrelu，0.2为相关参数)。此后，判别网络d具有1维的全连接层(dense)和输出层(即sigmoid层)；分类网络具有512维的全连接层(dense)和5维的全连接层(dense，对应五个标签labels)
[0069]
生成网络如图8，包括z随机噪声(noise)和标签(label)的输入层(input)、联合层(concatenate)、1024维全连接层(dense)、第三激活层(leakyrelu，0.2为相关参数)、批标准化batchnormalization层、722维全连接层(dense)、维度重塑层(reshape，361*1*2表示计算后的维度)和输出层(conv1表示卷积，out data表示输出数据，361*1*1为输出的维度)。以上批标准化层可以使梯度保持在一定的范围内，在反向传播过程中不易出现梯度消失或梯度爆炸的现象，能够加快生成模型的收敛速度。
[0070]
之后在windows 10系统基于python3.6、tensorflow2.0、keras环境下进行训练测试。优化器使用的是rmsprop优化器，参数设置为learnrate＝2e-4
，delay＝6e-8
，每批随机抽取的训练样本数为512，训练一次判别网络之后训练一次对抗(将生产数据作为输入，用训练好的判别网络进行判别分类)网络，这样一个过程为一个周期，训练周期设为50000次。
[0071]
在经过多次调整之后，训练得到的infogan智能网络，具有较好的数据重构能力，其rcs走势和分布具有较好的一致性。
[0072]
对生成数据和样本数据进行分析，将361维方位角rcs数据按10度一个角域进行平
均，再在对数据影响比较小的几何尺寸参数上(如a或b变化)求得各数据的均值方差，可以发现，生成数据和样本数据具有相似的均值和方差，具有较好的一致性。对直径不同的各个角域的rcs均值进行统计如表1，所有角域下均值的误差值为1.65。
[0073]
表1.生成数据与样本数据不同直径下均值比较
[0074][0075]
在上表中，《2db为同直径下生成数据角域均值gadata和样本数据padata的差的绝对值|gadata-padata|《2db，
[0076]
置信率＝|gadata-padata|《2db的个数/总个数；平均误差表示|gadata-padata|的平均值。
[0077]
再将生成数据与样本数据的累计分布概率密度函数进行比较，即在保持影响数据特征比较大的几何尺寸参数直径r不变的情况下，改变影响比较小的几何尺寸参数(如a或b)，将这些数据进行ks检验，可以发现，不同直径下的ks距离都小于0.1，可以说生成数据和样本数据来自同一个分布。
[0078]
综上，从测试结果可以看出，利用infogan网络能够在一定几何范围内进行rcs数据重构，得到的数据与高频建模计算得到的数据具有很好的一致性，并且能够快速得到相应的数据。
[0079]
需要说明的是，对于前述的各方法实施例，为了便于描述，将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，某些步骤事实上可以采用其它顺序进行或者同时进行。此外，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是实现本发明所必须的。
[0080]
为便于更好的实施本发明实施例的上述方案，下面还提供用于实施上述方案的相关装置。
[0081]
请参阅图9所示，本发明实施例提供的rcs数据重构装置900可以包括：构建单元901、仿真数据获取单元902、训练单元903和重构单元904。
[0082]
其中，构建单元901可用于：构建目标几何模型；其中，所述目标几何模型的多个特征参数中的每一特征参数在该特征参数的预设范围内变化；仿真数据获取单元902可用于：通过电磁建模获得所述目标几何模型的仿真rcs数据，并确定所述仿真rcs数据与每一特征参数的关联性；训练单元903可用于：依据所述仿真rcs数据训练预设的信息最大化生成对抗网络，根据所述关联性调整所述信息最大化生成对抗网络的模型参数；重构单元904可用于：将随机噪声与所述特征参数的具体数值输入训练完成的所述信息最大化生成对抗网络，生成所述目标几何模型的重构rcs数据。
[0083]
在本发明实施例中，所述信息最大化生成对抗网络包括生成网络、判别网络和分类网络；其中，所述生成网络基于输入的随机噪声和分类标签形成的输出数据进入所述判别网络和所述分类网络；所述判别网络用于判别所述输出数据的真伪；所述分类网络用于
确定所述输出数据的分类标签；输入所述生成网络的分类标签为所述特征参数的具体数值，所述判别网络和所述分类网络共用卷积层和至少一个全连接层。
[0084]
作为一个优选方案，训练单元903可进一步用于：首先固定所述生成网络的模型参数，以仿真rcs数据和所述生成网络的输出数据作为样本训练所述判别网络和所述分类网络；在所述判别网络和所述分类网络训练完成之后，固定所述判别网络和所述分类网络的模型参数训练所述生成网络。
[0085]
较佳地，训练所述信息最大化生成对抗网络时使用的损失函数为：
[0086][0087]
其中，g表示所述生成网络，d表示所述判别网络，q表示所述分类网络，λ表示常数，i表示互信息，c表示所述分类标签，z表示所述随机噪声，mse表示均方误差，v表示生成对抗网络的原始目标函数，v1表示所述信息最大化生成对抗网络的目标函数。
[0088]
具体应用中，训练单元903可进一步用于：根据所述仿真rcs数据与各特征参数的关联性调节所述信息最大化生成对抗网络的损失函数中各特征参数的权重。
[0089]
实际应用中，仿真数据获取单元902可进一步用于：在所述确定所述仿真rcs数据与每一特征参数的关联性之前，通过主成分分析pca算法或局部线性嵌入lle算法对所述仿真rcs数据进行降维处理。
[0090]
此外，在本发明实施例中，所述特征参数包括至少一个几何参数和极化方式参数。
[0091]
在本发明实施例的技术方案中，针对在军事对抗中难以获得完整准确的电磁散射数据，研究一种在信息最大化生成对抗网络的基础上，利用提前通过高频建模方法生成的rcs数据进行训练，实现实时快速生成rcs数据的方法，本发明生成的数据和建模数据十分相似，具有较高的实用性与可信度。
[0092]
本发明还提供了一种电子设备。本发明实施例的电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明所提供的rcs数据重构方法。
[0093]
下面参考图10，其示出了适于用来实现本发明实施例的电子设备的计算机系统1000的结构示意图。图10示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0094]
如图10所示，计算机系统1000包括中央处理单元(cpu)1001，其可以根据存储在只读存储器(rom)1002中的程序或者从存储部分1008加载到随机访问存储器(ram)1003中的程序而执行各种适当的动作和处理。在ram1003中，还存储有计算机系统1000操作所需的各种程序和数据。cpu1001、rom 1002以及ram 1003通过总线1004彼此相连。输入/输出(i/o)接口1005也连接至总线1004。
[0095]
以下部件连接至i/o接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至i/o接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便从其上读出的计算机程序根据需要被安装入存储部分1008。
[0096]
特别地，根据本发明公开的实施例，上文的主要步骤图描述的过程可以被实现为计算机软件程序。例如，本发明实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行主要步骤图所示的方法的程序代码。在上述实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元1001执行时，执行本发明的系统中限定的上述功能。
[0097]
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。在本发明中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0098]
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这根据所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0099]
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括构建单元、仿真数据获取单元、训练单元和重构单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，构建单元还可以被描述为“向仿真数据获取单元提供目标几何模型的单元”。
[0100]
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中的。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该设备执行时，使得该设备执行的步骤包括：构建目标几何模型；其中，所述目标几何模型的多个特征参数中的
每一特征参数在该特征参数的预设范围内变化；通过电磁建模获得所述目标几何模型的仿真rcs数据，并确定所述仿真rcs数据与每一特征参数的关联性；依据所述仿真rcs数据训练预设的信息最大化生成对抗网络，根据所述关联性调整所述信息最大化生成对抗网络的模型参数；将随机噪声与所述特征参数的具体数值输入训练完成的所述信息最大化生成对抗网络，生成所述目标几何模型的重构rcs数据。
[0101]
在本发明实施例的技术方案中，能够利用infogan网络在一定几何范围内进行rcs数据重构，得到的数据与高频建模计算得到的数据具有很好的一致性，并且能够快速计算得到相应的数据。
[0102]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。