(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211173691.6 (22)申请日 2022.09.26 (71)申请人 中国人民解 放军海军航空大 学 地址 264001 山东省烟台市芝罘区二马路 188号 (72)发明人 崔亚奇　唐田田　王海鹏　熊伟　 周伟　孙炜炜　于艺伟　郝延飚　 张磊　夏沭涛　 (74)专利代理 机构 烟台上禾知识产权代理事务 所(普通合伙) 37234 专利代理师 苏红红 (51)Int.Cl. G06V 10/82(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/77(2022.01) G06V 10/80(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01S 7/41(2006.01) (54)发明名称 一种一维距离 像数据跨设备运用识别方法 (57)摘要 本发明公开了一种一维距离像数据跨设备 运用识别方法， 包括以下步骤： 采集不同雷达对 共同观测目标的一维距离像数据， 构建数据集； 基于CycleGAN模型， 构建一维距离像转换网络； 对所构建的一维距离像转换网络进行交互训练， 得到训练好的一维距离像转换网络； 基于训练好 的一维距离像转换网络， 对一维距离像进行转换 识别。 本发 明利用生成对抗网络构建了一维距离 像数据的转换网络， 实现了两个不同雷达对同一 观测目标生成的一维距离像数据的相互运用 识 别， 大大提高了目标识别的效率， 对之后目标的 精准跟踪提供了帮助。 权利要求书3页 说明书7页 附图1页 CN 115482455 A 2022.12.16 CN 115482455 A 1.一种一维距离像数据跨设备运用识别方法， 其特 征在于， 包括以下步骤： 步骤1.采集 不同雷达对 共同观测目标的一维距离像数据， 构建数据集； 步骤2.基于 CycleGAN模型， 构建一维距离像转换网络； 步骤3.根据所构建的数据集对所构建的一维距离像转换网络进行交互训练， 得到训练 好的一维距离像转换网络； 步骤4.基于训练好的一维距离像转换网络， 对一维距离像数据进行转换识别。 2.根据权利要求1所述的一种一维距离像数据跨设备运用识别方法， 其特征在于， 所述 CycleGAN模型包 含两个GAN， 每 个GAN均包括 一个生成器和一个判别器。 3.根据权利要求2所述的一种一维距离像数据跨设备运用识别方法， 其特征在于， 所述 生成器包括编 码器、 转换器和解码 器， 用于完成对输入的一 维距离像数据的预 处理、 特征提 取、 特征向量转换及输出生成数据； 其中， 所述编码器利用一维卷积神经网络从输入数据中提取特征； 所述转换器使用6个 Reset模块， 通过组合图像数据的不相近特征， 将特征向量进行转换； 所述解码器解码利用 反卷积层完成 从特征向量中还原出低级特 征的工作， 最后得到生成的一维距离像数据。 4.根据权利要求2所述的一种一维距离像数据跨设备运用识别方法， 其特征在于， 所述 判别器用于对转换后的图像进行判别， 预测生成的图像来自目标图像集 合的可能性。 5.根据权利要求2所述的一种一维距离像数据跨设备运用识别方法， 其特征在于， 所述 模型包含还包括损失函数， 所述损失函数包括对抗性损失、 循环一致性损失和身份映射损 失： 总的损失函数 方程应为： L(G,F,DX,DY)＝Ladv(GX→Y,DY)+Ladv(GY→X,DX)+λcycLcyc(GX→Y,FY→X)+λidLid(GX→Y,FY→X) 其中， λcyc和 λid为权衡参数， Ladv(GX→Y,DY)、 Ladv(GY→X,DX)为对抗性损失， Lcyc(GX→Y,FY→X) 为循环一 致性损失、 Lid(GX→Y,FY→X)为身份映射损失。 6.根据权利要求5所述的一种一维距离像数据跨设备运用识别方法， 其特征在于， 所述 对抗性损失为： 式中， xi表示总样本数据集D中雷达 1一维像数据集X中的第i个目标； yi表示总样本数据 集D中雷达2一维像数据集Y 中的第i个目标； PX(xi)表示雷达1一维像数据集X服从的概率分 布； PY(yi)表示雷达2一维像数据集Y服从的概率分布； GX→Y(xi)表示样本数据xi通过生成器 G 生成与样本数据Y同分布的图像数据； DY(yi)表示真实的数据样本yi在判别器DY中的评分 值， 取值范围为[0,1]； log  DY(yi)表示判别器DY判断真实的数据样本yi为真的概率； 表示判别器DY判断真实的数据样本yi为真的期望； DY(GX→Y(xi))是判别器 DY对生成器G根据输入xi生成的图像数据进行评分， 评分值的取值范围为[0,1]； log(1 ‑DY (GX→Y(xi)))表示判别器DY判断生成的图像数据为假的概率； 表示判别器DY判断生成的图像数据为 假的期望； 式中， GY→X(yi)表示样本数据yi通过生成器G生成与样本X 同分布的图像数据； DX(xi)表权　利　要　求　书 1/3 页 2 CN 115482455 A 2示真实的数据样本xi在判别器DX中的评分值， 取值范围为[0,1]； log  DX(xi)表示判别器DX判 断真实的数据样本xi为真的概率； 表示判别器DX判断真实的数据样本xi为 真的期望； DX(GY→X(yi))是判别器DX对生成器G根据输入yi生成的图像数据进行评分， 评分值 的取值范围为[0,1]； lo g(1‑DX(GY→X(yi)))表示判别器DX判断生成的图像数据为假的概率； 表示判别器DX判断生成的图像数据为 假的期望 。 7.根据权利要求5所述的一种一维距离像数据跨设备运用识别方法， 其特征在于， 所述 循环一致性损失为： 式中， FY→X(GX→Y(xi))表示样本数据xi通过生成器G生成数据 后， 继续通 过生成器F生成 与样本X同分布的图像数据 GX→Y(FY→X(yi))表示样本数据yi通过生成器F生成数据 后， 继续通过生成器G生成与样本Y同分布的图像数据 表示生成数据 与原真实数据xi的差距的期望； 表示生 成数据 与原真实数据yi的差距的期望 。 8.根据权利要求5所述的一种一维距离像数据跨设备运用识别方法， 其特征在于， 所述 身份映射损失为： 式中， FY→X(xi)表示样本数据xi通过生成器F生成的图像数据； GX→Y(yi)表示样本数据yi 通过生成器G生成的图像数据； 表示生成数据FY→X(xi)与原输入数据 xi的差距的期望； 表示生成数据GX→Y(yi)与原输入 数据yi的差距的 期望。 9.根据权利要求1所述的一种一维距离像数据跨设备运用识别方法， 其特征在于， 步骤 3中根据所构建的数据集对所构建的一维距离像转换网络进行交 互训练， 包括以下步骤： 步骤3‑1.在数据集中选用前i个样本作为训练样本， 并对训练样本进行数据增 强预处 理操作； 步骤3‑2.生成器采用一维卷积神经网络， 生成器训练时成对读取数据， 以样本(xi,yi) 为例， 具体步骤如下： 输入xi经过生成器G得到 输入yi经过生成器F 得到 经过生成器G再生成yi的假数据 经过生成器F 再生成xi的假数据 经过判别器DX生成标签x_f_dis， 经过判别器DY生成标签y_f_dis； 计算对抗 性损失： Ladv(GX→Y,DY)和Ladv(GY→X,DX)； yi经过生成器G得到G(yi)， xi经过生成器F 得到F(xi)； 计算循环一 致性损失Lcyc(GX→Y,FY→X)和身份映射损失Lid(GX→Y,FY→X)； 步骤3‑3.判别器采用二维卷积神经网络， 完成二分类操作；权　利　要　求　书 2/3 页 3 CN 115482455 A 3