基于对抗领域自适应的天波雷达地海杂波分类方法及装置

本发明涉及雷达数据处理，特别是涉及一种基于对抗领域自适应的天波雷达地海杂波分类方法及装置。

背景技术：

1、天波雷达是一种利用天线发射和接受高频电磁波来探测超远距离目标的雷达系统。天波雷达坐标配准是将雷达坐标系下目标的距离-方位信息与地图等参考源进行比对，从而确定目标在地理坐标系下的实际位置。

2、近年来，以基于深度学习的地海杂波识别方法为主的坐标配准方法备受关注。该方法主要分为分类与匹配两个子流程。分类指的是利用深度神经网络辨识雷达回波每个距离-方位单元背景杂波来源为地或海的过程，匹配则是利用分类结果形成地/海分界线或地形轮廓，然后将其与先验地理信息匹配的过程，根据匹配误差可为目标定位提供坐标配准参数。

3、然而，天波雷达在实际工作中由于工作条件、电离层环境复杂多变等因素的影响，使得获取的地海杂波样本的源域与目标域之间存在数据集偏差或域偏移，从而造成其分布不一致，导致现有的基于深度学习的地海杂波识别方法的深度神经网络的分类性能急剧下降，分类准确度低。并且现有的基于深度学习的地海杂波识别方法需要对目标域样本进行标签标注，由于直接获取的地海杂波样本没有标签信息，对目标域样本进行标签标注需要耗费大量的人力物力。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提升样本分类性能，且不需要对目标域样本进行标签标注的基于对抗领域自适应的天波雷达地海杂波分类方法及装置。

2、第一方面，本发明提供了一种基于对抗领域自适应的天波雷达地海杂波分类方法，包括以下步骤：

3、构建地海杂波的源域训练集和目标域训练集；

4、利用源域训练集和目标域训练集对基于对抗领域自适应的地海杂波分类模型进行训练，其中，基于对抗领域自适应的地海杂波分类模型包括特征提取器、任务分类器和领域判别器，特征提取器用于提取源域训练集和目标域训练集的特征并将提取到的源域特征和目标域特征输入到任务分类器和领域判别器，任务分类器用于输出分类总损失，领域判别器用于输出领域损失，分类总损失和领域损失用于基于反向传播算法更新特征提取器、任务分类器和领域判别器的参数；

5、将目标域样本数据输入训练好的基于对抗领域自适应的地海杂波分类模型，获得天波雷达地海杂波数据分类结果。

6、在其中一个实施例中，构建地海杂波的源域训练集和目标域训练集包括：

7、从天波雷达地海杂波距离-多普勒数据库中采样不同相干积累点数参数下的距离-方位单元地海杂波样本；

8、根据相干积累点数对距离-方位单元地海杂波样本进行归类，将相干积累点数相同的距离-方位单元地海杂波样本归为一组；

9、将任意一组的距离-方位单元地海杂波样本作为源域，将除了源域之外的任意一组距离-方位单元地海杂波样本作为目标域；

10、基于源域确定源域训练集，基于目标域确定目标训练集。

11、在其中一个实施例中，利用源域训练集和目标域训练集对基于对抗领域自适应的地海杂波分类模型进行训练为重复执行预设最大训练轮次的以下步骤：

12、将利用源域训练集和目标域训练集输入到特征提取器，获得源域特征和目标域特征；

13、将源域特征和目标域特征输入到任务分类器获得分类损失和统计损失，将源域特征和目标域特征输入到领域判别器获得领域损失；

14、加权分类损失和统计损失作为分类总损失；

15、将分类总损失和领域损失反向传播至特征提取器、任务分类器和领域判别器，对特征提取器、任务分类器和领域判别器的参数进行更新，其中，领域损失反向传播时需要通过梯度反转层。

16、在其中一个实施例中，方法还包括在利用源域训练集和目标域训练集对基于对抗领域自适应的地海杂波分类模型进行训练完成后，对基于对抗领域自适应的地海杂波分类模型的分类准确率进行验证。

17、在其中一个实施例中，对基于对抗领域自适应的地海杂波分类模型的分类准确率进行验证包括：

18、确定分类准确率的范围；

19、基于目标域确定目标域测试集；

20、将目标域测试集输入训练完成后的基于对抗领域自适应的地海杂波分类模型中的分类网络分支中，获得基于对抗领域自适应的地海杂波分类预测标签，其中分类网络分支包括特征提取器和任务分类器；

21、将基于对抗领域自适应的地海杂波分类预测标签与真实标签进行对比获得基于对抗领域自适应的地海杂波分类模型的分类准确率；

22、判断基于对抗领域自适应的地海杂波分类模型的分类准确率是否在分类准确率的范围内，若是，进入将目标域样本数据输入训练好的基于对抗领域自适应的地海杂波分类模型这一步骤。

23、在其中一个实施例中，确定分类准确率的范围包括：

24、分别利用源域训练集和目标域训练集对基于深度神经网络的地海杂波分类模型进行训练；

25、将目标域测试集输入源域训练集训练完成后的基于深度神经网络的地海杂波分类模型获得的基于深度神经网络的地海杂波分类预测标签与真实标签进行对比，获得基于对抗领域自适应的地海杂波分类模型的分类准确率下限；

26、将目标域测试集输入目标域训练集训练完成后的基于深度神经网络的地海杂波分类模型获得的基于深度神经网络的地海杂波分类预测标签与真实标签进行对比，获得基于对抗领域自适应的地海杂波分类模型的分类准确率上限。

27、在其中一个实施例中，基于对抗领域自适应的天波雷达地海杂波分类模型的损失函数为

28、

29、式中，lc为分类损失，ldis为统计损失，ld为领域损失，ns表示源域中有标签样本的数量，nt表示目标域中无标签样本的数量，di表示领域标签，rλ表示梯度反转层，ds表示源域，dt表示目标域，xi表示源域中第i个样本，yi表示样本xi对应的标签，xj表示目标域中第j个样本，f表示特征提取器，c表示任务分类器，d表示领域判别器，α为分类损失与统计损失之间的权衡因子，λ为总分类损失与领域损失之间的权衡因子。

30、在其中一个实施例中，预设最大训练轮次为100。

31、在其中一个实施例中，

32、第二方面，本发明还提供了一种基于对抗领域自适应的天波雷达地海杂波分类装置，包括：

33、训练集构建模块，用于构建地海杂波的源域训练集和目标域训练集；

34、模型训练模块，用于利用源域训练集和目标域训练集对基于对抗领域自适应的地海杂波分类模型进行训练，其中，基于对抗领域自适应的地海杂波分类模型包括特征提取器、任务分类器和领域判别器，特征提取器用于提取源域训练集和目标域训练集的特征并将提取到的源域特征和目标域特征输入到任务分类器和领域判别器，任务分类器用于输出分类总损失，领域判别器用于输出领域损失，分类总损失和领域损失用于基于反向传播算法更新特征提取器、任务分类器和领域判别器的参数；

35、分类模块，用于将目标域样本数据输入训练好的基于对抗领域自适应的地海杂波分类模型，获得天波雷达地海杂波数据分类结果。

36、本发明的有益效果是：本发明的基于对抗领域自适应的天波雷达地海杂波分类模型加入了领域判别器，使得模型的更新能够引入统计损失来正则化反向传播更新整个模型，模型训练输入的是源域训练集和目标域训练集，不但可以消除源域与目标域之间存在数据集偏差或域偏移，提高分类准确率，也可以有效利用与目标域特征空间相似但存在分布差异的、具有标签信息的源域数据训练分类模型，并将其迁移到目标域，从而能够对未标注的目标域数据进行分类，节省了对目标域样本进行标签标注耗费的人力物力。