為解決合成孔徑雷達(dá)（Synthetic Aperture Radar,SAR）自動目標(biāo)識別（Automatic Target Recognition,ATR）中的數(shù)據(jù)稀疏問題,提出一種基于譜歸一化生成對抗網(wǎng)絡(luò)（Spectral Normalization Generative Adversarial Network,SN-GAN）的目標(biāo)SAR圖像仿真方法。本文方法通過構(gòu)建目標(biāo)—場景—雷達(dá)耦合物理模型,求解散射強(qiáng)度分布圖,利用SN-GAN實現(xiàn)對散射強(qiáng)度分布圖的優(yōu)化,生成高質(zhì)量仿真SAR圖像。通過3種相似性評估算法對仿真圖像進(jìn)行相似度評估,驗證本文仿真方法的有效性。最后通過多組SAR ATR進(jìn)行實驗驗證,在訓(xùn)練集中加入SN-GAN優(yōu)化的仿真SAR圖像可以有效緩解數(shù)據(jù)稀疏問題,提升分類算法的準(zhǔn)確率。 

【文章來源】：計算機(jī)與現(xiàn)代化. 2020,(08)

【文章頁數(shù)】：7 頁

【部分圖文】：

本文方法整體流程圖

該步驟將目標(biāo)裝配到場景中，對目標(biāo)的方位角進(jìn)行自適應(yīng)調(diào)整。設(shè)置合適的方位角，使得目標(biāo)朝向給定的方向。至此，耦合物理模型構(gòu)建完成。圖2給出了目標(biāo)模型裝配效果圖和方位角示意圖。2 散射強(qiáng)度分布圖計算

GAN網(wǎng)絡(luò)性能很大程度受限于判別器的穩(wěn)定性。本文的判別器是一個簡單的5層嵌套卷積神經(jīng)網(wǎng)絡(luò)，判別器模型結(jié)構(gòu)圖如圖3所示。為了保證優(yōu)化效果，在判別器中引入了譜歸一化(Spectral Normalization,SN)[15]方式對卷積核權(quán)重施加Lipschitz約束:

【參考文獻(xiàn)】：
期刊論文
[1]建筑物的高分辨率SAR圖像仿真方法[J]. 任苗苗,潘卓,徐向輝,蘇海濤.  中國科學(xué)院大學(xué)學(xué)報. 2018(06)
[2]人造目標(biāo)SAR圖像實時仿真[J]. 齊彬,劉方.  系統(tǒng)仿真學(xué)報. 2008(01)



本文編號：3280487