一种基于LSGAN的陆海分界线识别及匹配方法与流程

一种基于lsgan的陆海分界线识别及匹配方法
技术领域
1.本发明属于雷达数据处理领域，特别涉及该领域中的一种利用天波雷达返回散射定频数据进行陆海分界线识别及匹配的方法。


背景技术：

2.作为战略/远程预警骨干装备之一，天波超视距雷达(天波雷达)利用电磁波在电离层与陆/海面之间的反射效应传输高频能量，其作用距离不受地球曲率限制，是最经济、费效比最高的远程预警手段。电离层是天波超视距雷达的传输介质，电离层特性的精确评估是雷达实现精确探测的关键技术之一。现在主要通过垂测、斜测和返回散射探测三种电离层探测手段获取探测数据进行反演、重构，进而获取探测范围的电离层特性。在远海区域探测站部署困难，成本高，因此，考虑应用返回散射定频进行陆海分界识别，形成“类斜测”，相当于增加了斜测探测站，提高电离层重构精度，进而提高雷达坐标配准精度。
3.基于深度学习的陆海分界线识别方法能够自动提取陆海杂波特征并进行分类识别。事实上，一方面，返回探测定频数据易于大量获得；另一方面，电离层的复杂特性使得数据特征极为复杂。深度学习方法具备从大量数据中自动提取高层次抽象特征的能力。实践证明，深度学习方法可以实现陆海杂波的高精度分类。
4.然而，基于深度学习的陆海分界线识别方法需要大量已标定陆海杂波样本，人工标定样本费时费力。此外，标注样本量少、样本不均衡，将导致陆海分界线识别器精度差、鲁棒性差。生成对抗网络作为一种隐式概率密度生成模型，一方面能够生成大量陆海杂波样本，以辅助样本标定；另一方面，能够基于少量已标定样本实现陆海杂波样本分类。因此，如何利用少量已标定陆海杂波样本得到基于生成对抗网络的鲁棒性高的陆海分界线识别器；如何快速将识别结果与先验地形轮廓配准，并提取坐标配准参数，均具有实际工程意义。


技术实现要素：

5.本发明为了克服人工标定样本量少、不均衡，提高陆海分界线识别器鲁棒性、精度，提供一种基于lsgan的陆海分界线识别及匹配方法。
6.本发明采用如下技术方案：
7.一种基于lsgan的陆海分界线识别及匹配方法，其改进之处在于，包括如下步骤：
8.步骤1，构建基于卷积神经网络的生成器和判别器：
9.步骤1a，构建基于卷积神经网络的生成器：
10.生成器利用卷积网络的数据拟合能力，通过建立一维噪声分布到真实数据分布之间的映射关系，来学习返回散射定频数据的数学分布，最终实现模型生成数据；
11.生成器用可微函数g表示，输入z为服从高斯分布或均匀分布的随机噪声信号，输出为陆海杂波生成数据g(z)；
12.生成器采用深度卷积神经网络作为网络的基本组成，采用四层卷积层和四层上采样层作为生成器的基本网络结构，其中四层卷积层用于重构数据细节特征；四层上采样层
用于扩大特征向量维数；
13.采用leakyrelu函数作为每层卷积层中的激活函数，leakyrelu函数的定义为：
[0014][0015]
上式中x为真实数据，negative_slope为权重系数；
[0016]
采用tanh函数作为输出层，tanh函数的定义为：
[0017][0018]
上式中x为真实数据，e为自然常数；
[0019]
步骤1b，构建基于卷积神经网络的判别器：
[0020]
判别器用d来表示，判别器的输入为生成数据g(z)和真实数据x，输出为判断输入数据是否为真实数据的概率，该过程由两个场景构成，在第一个场景中，从真实训练数据中采样真实数据x，作为判别器d的输入，判别器d输出的是0到1之间的概率值，表示真实数据x属于真实样本的概率，概率值越接近于1，是真实数据的概率越高，反之为生成数据的概率越高；在第二个场景中，从一个先验分布中采样出输入z，将g(z)作为判别器d的输入，在这个场景中，判别器d和生成器g都要参与，判别器d的目标是使得输出d(g(z))的概率值接近0，d(x)的概率值接近1；
[0021]
采用深度卷积神经网络作为判别器的基本框架结构，采用输入层-三层以上卷积层-池化层叠加结构-输出层作为判别器的基本网络结构，三层以上卷积层用于充分提取多层次特征，卷积层之间采用leakyrelu函数作为激活函数，池化层降低特征向量维数，减小计算量、修正过拟合的同时提取高层次特征；输出层是全连接层，该层使用sigmoid激活函数实现判别真伪两种功能，sigmoid激活函数能够将输出映射到[0,1]的区间作为真伪输出；
[0022][0023]
上式中x为真实数据，e为自然常数；
[0024]
步骤2，构建损失函数如下：
[0025][0026][0027]
上式中x为服从真实分布p
data
(x)的真实数据，z为服从高斯分布pz(z)的随机噪声，a和b分别表示判为假和判为真的标签；
[0028]
步骤3，模型训练：
[0029]
步骤3a，陆海杂波样本预处理：
[0030]
首先对真实数据进行归一化预处理，获得真实数据的最大值max(x)，最小值min(x)，通过下式将数据映射到[-1,1]之间：
[0031][0032]
上式中x
*
为归一化后的数据，x为真实数据，
[0033]
步骤3b，网络参数配置：
[0034]
批样本数量取2n，n为自然数；学习率取10-6
～1；采用adma优化器对生成器和判别器的权重和偏置进行更新；
[0035]
步骤3c，网络训练：
[0036]
根据步骤2构建的损失函数进行网络训练：
[0037]
判别器输入真实数据，使真伪辨别结果尽可能接近1，计算判别器的损失函数，并反向传播；
[0038]
判别器输入生成数据，使真伪辨别结果尽可能接近0，计算判别器的损失函数，并反向传播；
[0039]
生成器输入随机噪声，获得生成数据，生成数据通过判别器获得真伪辨别结果，使其尽可能接近1，计算生成器的损失函数，并反向传播；
[0040]
设随机噪声为z，生成器的函数为g，它的输入是z，要学习的参数为θ
(g)
；判别器的函数为d，它的输入是真实数据x，要学习的参数为θ
(d)
，d需要通过更新θ
(d)
极小化其目标函数j
(d)
，g需要通过更新θ
(g)
极小化其目标函数j
(g)
，两个网络相互博弈，两者的损失函数都依赖于对方，网络训练的目标是达到纳什平衡，纳什平衡指的是一对参数θ
(d)
,θ
(g)
，使得θ
(d)
是j
(d)
的一个极小值点，同时θ
(g)
是j
(g)
的一个极小值点；
[0041]
步骤4，构建分类器：
[0042]
步骤4a，构建特征提取器：
[0043]
训练步骤3的lsgan陆海杂波样本生成模型直到损失趋于稳定，将训练好的判别器单独拆分出来，将判别器的最后一层去掉，只将训练好的卷积层拆分出来，用作陆海杂波分类器的特征提取器；
[0044]
步骤4b，构建分类器：
[0045]
对特征提取器连接用于陆海杂波样本分类的分类层，构建陆海杂波分类器，最后，固定卷积层的参数，并用真实陆海杂波样本对分类层进行微调；
[0046]
步骤5，陆海分界线匹配：
[0047]
通过陆海杂波分类器对返回散射定频数据进行陆海属性判别后，将陆海分界线识别结果和先验地理信息地图作为匹配算法的输入，在先验地理信息地图中遍历搜寻陆海分界线识别结果并同时计算匹配误差，最终输出陆海分界线匹配结果；
[0048]
设陆海分界线识别结果为t(m,n)，m为陆海分界线识别结果的距离单元数，n为陆海分界线识别结果的方位单元数，设先验地理信息地图为s(w,h)，w为先验地理信息地图的距离单元数，h为先验地理信息地图的方位单元数，将陆海分界线识别结果和先验地理信息地图重叠的子区域定义为s
i,j
，i,j为先验地理信息地图坐标，用下式衡量t(m,n)和s
i,j
的相似性d(i,j)：
[0049]
[0050]
将其归一化，得模板匹配的相关系数r(i,j)：
[0051][0052]
当陆海分界线识别结果和子区域一样时，相关系数r(i,j)＝1，在先验地理信息地图中完成全部搜索后，找出相关系数的最大值r
max
(i,j)，其对应的子区域s
i,j
即为匹配结果。
[0053]
本发明的有益效果是：
[0054]
本发明所公开的方法，利用生成器和判别器进行对抗训练，将训练好的判别器的卷积层作为特征提取器，以此构建陆海杂波分类模型。该模型相较传统深度学习分类模型具有更强的泛化能力，同时构建的生成器能够解决数据标注困难，数据多样性差的问题。
[0055]
本发明所公开的方法，改进了传统生成对抗网络的损失函数。陆海杂波样本为返回散射定频数据，其随机性很强，导致传统生成对抗网络的训练过程十分不稳定，这很大程度上是因为它的损失函数，尤其是在最小化损失函数时可能发生梯度消失，使其很难再去更新生成器。本发明提出一种基于最小二乘法损失函数的lsgan来更新网络参数，这能有效解决训练不稳定问题。
[0056]
本发明所公开的方法，基于上述陆海分界线识别结果，将识别结果形成的前景地图与先验地理信息地图这两幅图像在空间上进行对准，以确定两幅图像之间的相对平移过程，获得平移参数。
附图说明
[0057]
图1是本发明所公开方法的总体流程图；
[0058]
图2是生成的陆杂波样本示意图；
[0059]
图3是生成的海杂波样本示意图；
[0060]
图4是陆海分界线匹配结果示意图。
具体实施方式
[0061]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0062]
实施例1，本实施例公开了一种基于lsgan的陆海分界线识别及匹配方法，解决陆海分界线识别鲁棒性、精度低的问题，基于最小二乘损失函数，构建lsgan陆海杂波样本生成模型。基于训练好的lsgan模型，将判别器特征层拆分，作为陆海杂波样本特征提取器。将特征提取器连接分类层微调得到陆海杂波样本分类器，以此进行陆海分界线识别。利用模板匹配方法，对陆海分界线识别结果与先验地理信息进行匹配。最后根据匹配结果提取坐标配准参数。
[0063]
具体包括如下步骤：
[0064]
步骤1，构建基于卷积神经网络的生成器和判别器：
[0065]
步骤1a，构建基于卷积神经网络的生成器：
[0066]
生成器利用卷积网络强大的数据拟合能力，通过建立一维噪声分布到真实数据分布之间的映射关系，来学习返回散射定频数据的数学分布，最终实现模型能够生成大量可靠的数据；
[0067]
生成器用可微函数g表示，输入z为100维高斯噪声序列，输出为陆海杂波生成数据g(z)；
[0068]
生成器采用深度卷积神经网络作为网络的基本组成，采用四层卷积层和四层上采样层作为生成器的基本网络结构，其中四层卷积层用于重构数据细节特征；四层上采样层用于扩大特征向量维数，以增大特征图；
[0069]
采用leakyrelu函数作为每层卷积层中的激活函数，leakyrelu函数的定义为：
[0070][0071]
上式中x为真实数据，negative_slope为权重系数，设置为0.2；
[0072]
采用tanh函数作为输出层，tanh函数的定义为：
[0073][0074]
上式中x为真实数据，e为自然常数；
[0075]
步骤1b，构建基于卷积神经网络的判别器：
[0076]
判别器用d来表示，判别器的输入为生成数据g(z)和真实数据x，输出为判断输入数据是否为真实数据的概率，该过程由两个场景构成，在第一个场景中，从真实训练数据中采样真实数据x，作为判别器d的输入，判别器d输出的是0到1之间的概率值，表示真实数据x属于真实样本的概率，概率值越接近于1，是真实数据的概率越高，反之为生成数据的概率越高；在第二个场景中，从一个先验分布中采样出输入z，将g(z)作为判别器d的输入，在这个场景中，判别器d和生成器g都要参与，判别器d的目标是使得输出d(g(z))的概率值接近0，d(x)的概率值接近1；
[0077]
判别器d通过与生成器g的双人零和博弈，并且d的主要目标是判断输入是否为真实样本并为g提供更新反馈机制。
[0078]
采用深度卷积神经网络作为判别器的基本框架结构，采用输入层-三层以上卷积层-池化层叠加结构-输出层作为判别器的基本网络结构，三层以上卷积层用于充分提取多层次特征，卷积层之间采用leakyrelu函数作为激活函数，池化层降低特征向量维数，减小计算量、修正过拟合的同时提取高层次特征；输出层是全连接层，该层使用sigmoid激活函数实现判别真伪两种功能，sigmoid激活函数能够将输出映射到[0,1]的区间作为真伪输出；
[0079][0080]
上式中x为真实数据，e为自然常数；
[0081]
步骤2，构建损失函数如下：
[0082]
陆海杂波样本为返回散射定频数据，其随机性很强，导致传统的生成对抗网络的
训练过程十分不稳定。这很大程度上是因为它的损失函数，尤其是在最小化损失函数时可能发生梯度消失，使其很难再去更新生成器。
[0083]
lsgan采用最小二乘损失替换了原来的sigmoid损失，定义的损失函数如下：
[0084][0085][0086]
上式中x为服从真实分布p
data
(x)的真实数据，z为服从高斯分布pz(z)的随机噪声，a＝0和b＝1分别表示判为假和判为真的标签；
[0087]
由于l2(最小二乘)距离独有的特性，在陆海杂波样本数据偏离目标时会有一个与偏离距离成比例的惩罚，再将其拉回来，从而使数据的偏离不会越来越远，即生成的陆海杂波样本更靠近决策边界。从而使得网络的训练过程更加稳定且生成器和判别器朝着性能更有利的方向更新。
[0088]
步骤3，模型训练：
[0089]
步骤3a，陆海杂波样本预处理：
[0090]
上述两个模型在训练过程中，生成器不断生成逼近真实数据分布的假样本去欺骗判别器，判别器则在学习过程中区分生成的假样本和真实样本。从陆海杂波样本数据库采样并标定少量陆海杂波样本，其中海杂波样本量为10000，陆杂波样本量为10000。其中70％的量，即7000个海杂波样本、7000个陆杂波样本用于训练lsgan。剩余30％的量，即3000个海杂波样本，3000个陆杂波样本用于分类器分类层的微调。
[0091]
首先对真实数据进行归一化预处理，获得真实数据的最大值max(x)＝98.58，最小值min(x)＝-54.12，通过下式将数据映射到[-1,1]之间：
[0092][0093]
上式中x
*
为归一化后的数据，x为真实数据，max(x)是x中的最大值，min(x)是x中的最小值；
[0094]
步骤3b，网络参数配置：
[0095]
批样本数量决定梯度下降的方向。批样本数量选择过小，则梯度更新的随机性较大，网络难收敛。取极端特例批样本数量为1，则每次梯度修正的方向根据各自样本梯度方向进行修正，导致梯度更新震荡剧烈，难以收敛；且小的批样本数量对内存的利用率低，导致对抗网络训练速率很低。增大批样本数量有利于提高梯度下降的准确率，缓解梯度更新的震荡，但批样本数量增大到一定程度时，梯度下降方向基本不再改变，且过大的批样本数量占据更大内存，当陆/海杂波样本容量较大时，容易引起内存溢出，导致训练崩溃。因此，结合上述原因选取出效果较好的批样本数量为64。
[0096]
学习率决定损失函数的收敛性和收敛速率。学习率选择过大，则损失梯度可能在最小值附近来回剧烈震荡，导致网络难以收敛。减小学习率有利于稳定训练，但过小的学习率会使损失梯度的下降速率较慢，收敛时间较长。选取出效果较好的学习率为0.0002。
[0097]
基于动量的adma算法引入梯度的一阶矩估计和二阶矩估计，利用历史梯度信息对
参数的学习率进行动态调节，经偏置校正后的学习率都有确定的范围，从而能够稳定参数的学习。拟采用adma优化器对生成器和判别器的权重和偏置进行更新。其中一阶矩估计的指数衰减率和二阶矩估计的指数衰减率分别取0.5和0.999。
[0098]
步骤3c，网络训练：
[0099]
根据步骤2构建的损失函数进行网络训练：
[0100]
判别器输入真实数据，使真伪辨别结果尽可能接近1，计算判别器的损失函数，并反向传播；
[0101]
判别器输入生成数据，使真伪辨别结果尽可能接近0，计算判别器的损失函数，并反向传播；
[0102]
生成器输入随机噪声，获得生成数据，生成数据通过判别器获得真伪辨别结果，使其尽可能接近1，计算生成器的损失函数，并反向传播；
[0103]
生成器的函数为g，它的输入是100维高斯噪声序列，要学习的参数为θ
(g)
；判别器的函数为d，它的输入是真实数据x，要学习的参数为θ
(d)
，d需要通过更新θ
(d)
极小化其目标函数j
(d)
，g需要通过更新θ
(g)
极小化其目标函数j
(g)
，两个网络相互博弈，两者的损失函数都依赖于对方，网络训练的目标是达到纳什平衡，纳什平衡指的是一对参数θ
(d)
,θ
(g)
，使得θ
(d)
是j
(d)
的一个极小值点，同时θ
(g)
是j
(g)
的一个极小值点；
[0104]
步骤4，构建分类器：
[0105]
步骤4a，构建特征提取器：
[0106]
训练步骤3的lsgan陆海杂波样本生成模型直到损失趋于稳定，将训练好的判别器单独拆分出来，将判别器的最后一层去掉，即将判别样本真假的分类层去掉。只将训练好的卷积层拆分出来，用作陆海杂波分类器的特征提取器；
[0107]
步骤4b，构建分类器：
[0108]
对特征提取器连接用于陆海杂波样本分类的分类层，构建陆海杂波分类器，最后，固定卷积层的参数，并用真实陆海杂波样本对分类层进行微调；
[0109]
步骤5，陆海分界线匹配：
[0110]
通过陆海杂波分类器对返回散射定频数据进行陆海属性判别后，将陆海分界线识别结果(前景地图)和先验地理信息地图(背景地图)作为匹配算法的输入，在先验地理信息地图中遍历搜寻陆海分界线识别结果并同时计算匹配误差，最终输出陆海分界线匹配结果；
[0111]
设陆海分界线识别结果为t(m,n)，其中m＝1,n＝1760，设先验地理信息地图为s(w,h)，其中w＝5000,h＝5000，将陆海分界线识别结果和先验地理信息地图重叠的子区域定义为s
i,j
，i,j为先验地理信息地图坐标，用下式衡量t(m,n)和s
i,j
的相似性d(i,j)：
[0112][0113]
将其归一化，得模板匹配的相关系数r(i,j)：
[0114][0115]
当陆海分界线识别结果和子区域一样时，相关系数r(i,j)＝1，在先验地理信息地图中完成全部搜索后，找出相关系数的最大值r
max
(i,j)，其对应的子区域s
i,j
即为匹配结果。
[0116]
为了验证本发明的有效性，下面通过实验进行测试。基于lsgan的陆海分界线识别及匹配方法总体流程如图1所示，根据上述步骤将已有的少量返回散射定频数据作为模型的输入，对lsgan进行迭代训练得到生成模型。将训练好的生成器拆分出来，输入100维高斯噪声序列，生成海量陆海杂波样本，生成的陆杂波样本和海杂波样本的示意图分别如图2和图3所示。将训练好的判别器的卷积层拆分出来作为特征提取器，连接分类层作为分类器。然后固定卷积层参数，并用已标定返回散射定频数据对分类层进行微调，得到最终的分类器。利用已标定的测试数据进行测试，其分类精度达到99.21％。而对未固定卷积层参数的分类器训练并测试，其分类精度达到95.35％。进一步，将识别结果形成的陆海分界线与真实地理信息通过陆海分界线匹配，得到平均正确率为97.52％，图4为陆海分界线匹配前后示意图，通过示意图可以清楚的看到陆海分界线被准确的匹配到真实地理信息图中。