论文部分内容阅读
在雷达自动目标识别(RATR)中,数据驱动方法是强有力的工具之一.然而数据驱动方法的性能十分依赖数据集的质量,数据增强方法通过扩充数据集,能够提升数据驱动模型在现有数据集上的识别率.本文提出了用于高分辨距离像(HRRP)数据生成的一维基础生成对抗网络(BGAN)结构和条件生成对抗网络(CGAN)结构,并利用生成的人工样本补充不完备数据集完成了数据增强.实验表明,本文所提出的两种网络均能有效提升目标识别的准确率,提升效果优于传统的平移和镜像增强方法.基于BGAN的HRRP数据增强方法提升效果最优,但其模型时间与空间复杂度较高;基于CGAN的数据增强方法能够在保证识别率提升的同时降低模型的时间与空间复杂度,具有较高的应用前景.