基于生成对抗网络的wvd时频分析交叉项抑制方法及系统、存储介质
阅读说明：本技术 基于生成对抗网络的wvd时频分析交叉项抑制方法及系统、存储介质 (WVD time-frequency analysis cross item suppression method and system based on generation countermeasure network and storage medium ) 是由 谭龙飞 崔梦玲 叶鑫 钱江 于 2021-07-21 设计创作，主要内容包括：本发明公开一种基于生成对抗网络的WVD时频分析交叉项抑制方法及系统、存储介质,首先构建生成式对抗GAN网络,所述GAN网络包括生成器G和判别器D：所述生成器G用于获取样本数据；所述判别器D用于判断输入数据是否为真实数据；获取含有交叉项的图像和消除交叉项的图像；以相互博弈的方式对生成器与判别器进行训练,直到消除含有交叉项的图像中的交叉项。本发明提供的方法,结合深度学习网络,利用网络端到端的特性与制备交叉项数据的便利性、多样性；实现消除多分量调频信号在WVD变换中产生的交叉项。相比传统方法是更为迅速的。在高信噪比情况下只需改变训练集便可继续发挥,比传统方法所使用的消除交叉项更加的准确。(The invention discloses a WVD time-frequency analysis cross item suppression method, a system and a storage medium based on a generated countermeasure network, wherein a generated countermeasure GAN network is firstly constructed, and comprises a generator G and a discriminator D: the generator G is used for acquiring sample data; the discriminator D is used for judging whether the input data is real data; acquiring an image containing a cross item and an image for eliminating the cross item; the generator and the discriminator are trained in a mutual game until the cross terms in the image containing the cross terms are eliminated. The method provided by the invention combines a deep learning network, and utilizes the end-to-end characteristic of the network and the convenience and diversity of the preparation of cross item data; the cross terms generated by the multi-component frequency modulation signal in the WVD conversion are eliminated. Is more rapid than the conventional method. Under the condition of high signal-to-noise ratio, the method can be continuously exerted only by changing the training set, and is more accurate than the cross item elimination used by the traditional method.)
技术领域
本发明涉及目标检测技术领域，特别是一种基于生成对抗网络的WVD时频分析交叉项抑制方法及系统。
背景技术
WVD(Wigner-Ville distribution)方法虽然频率分辨率很高，但是会产生交叉项，严重影响ISAR图像的质量，如何抑制WVD(wigner-ville distribution)变换中的交叉项，是信号处理领域中的一个热点。
目前，有比较的能有效地抑制交叉项干扰的方法(如平滑伪Wigner分布，ChoiWilliams分布等)。Ram Bilas Pachori等应用Fourier Bessel展开先将多分量信号分解为单分量信号，再对各单分量信号分别计算WVD后合并，以达到去除交叉项的目的。陈端等基于Gabor变换抑制交叉项，但该方法是将信号分解后用其Gabor系数来计算WVD，存在不能直观的观察到信号的组成成分，只能使用固定的Gabor系数来重构信号的缺点，在各分量信号较为接近时会产生较大的混叠而失效。
因此，传统方法都能够在一定程度上抑制部分交叉项，但都是以损失其分辨率为代价。尤其当分量信号较为接近时，会出现混叠而导致传统方法失效。
发明内容
有鉴于此，本发明的目的在于提供一种基于生成对抗网络的WVD时频分析交叉项抑制方法，该方法利用能准确的消除交叉项。
为达到上述目的，本发明提供如下技术方案：
本发明提供的基于生成对抗网络的WVD时频分析交叉项抑制方法，包括以下步骤：
构建生成式对抗GAN网络，所述GAN网络包括生成器G和判别器D：所述生成器G用于获取样本数据；所述判别器D用于判断输入数据是否为真实数据；
获取含有交叉项的图像和消除交叉项的图像；
以相互博弈的方式对生成器与判别器进行训练，直到消除含有交叉项的图像中的交叉项。
进一步，所述以相互博弈的方式对生成器与判别器进行训练，具体步骤如下：
判别器D参数的训练：
将含有交叉项的图像输入生成器G生成样本G(z)；
将样本G(z)与消除交叉项的图像输入到判别器D中进行训练得到判别器D的参数；
输出判别器D的判别结果；
生成器的参数训练：
根据判断器D输出的判断结果调整生成器的参数直到生成器G输出结果为真实状态；
保留生成器G的参数。
进一步，所述生成式对抗GAN网络采用pix2pix网络。
进一步，所述生成器G(x)采用U-Net网络，包括降采样编码单元、升采样编码单元、连接单元；
所述U-Net网络按照以下步骤进行：
通过采样编码单元将输入图像降采样到低维度图像，再通过升采样编码单元将低维度图像升采样到原始分辨率；
通过连接单元将降采样和升采样按对应的通道拼接。
进一步，所述判别器采用马尔可夫判别器PatchGAN。
进一步，所述马尔可夫判别器PatchGAN中全卷积采用全卷积小网络，最后一层每个像素过sigmoid输出为真的概率，用BCEloss计算得到最终loss。
进一步，所述含有交叉项图像按照以下步骤制作：
将线性调频信号s1(t)与s2(t)相加后得到s(t)，再对s(t)进行WVD变换，得到含有交叉项的数据Ws(t,w)。
进一步，所述消除交叉项图像按照以下步骤制作：
分别将线性调频信号s1(t)与s2(t)进行WVD变换得到与
再将其相加得到不含有交叉项的数据Ws′(t,w)；
其中，表示线性调频信号s1(t)变换后信号；表示线性调频信号s2(t)变换后信号。
本发明提供的基于生成对抗网络的WVD时频分析交叉项抑制系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，程序被处理器执行时实现权利要求1-8中任一项所述方法的步骤。
本发明提供的存储介质，其上存储有计算机程序，程序被处理器执行时实现权利要求1-8中任一项所述方法的步骤。
本发明的有益效果在于：
本发明提供的基于生成对抗网络的WVD时频分析交叉项抑制方法，结合深度学习网络，利用网络端到端的特性与制备交叉项数据的便利性、多样性；实现消除多分量调频信号在WVD变换中产生的交叉项。本方法提供的网络在完成训练后，可以直接对实测数据进行初步消除交叉项，这相比传统方法是更为迅速的。在高信噪比情况下只需改变训练集便可继续发挥，比传统方法所使用的消除交叉项更加的准确。利用pix2pix网络可以训练含有多种干扰和噪声的图像，最终结果稳定性得到大幅度提高。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为线性调频信号WVD变换中交叉项呈片状分布(分量数为2)示意图。
图2为线性调频信号WVD变换中交叉项呈线状分布(分量数为2)示意图。
图3为较为复杂的交叉项分布示意图。
图4为GAN网络结构图。
图5为pix2pix网络结构图。
图6为生成器网络结构图。
图7为判别器网络结构图。
图8为含有交叉项数据制作流程图。
图9为不含有交叉项数据制作流程图。
图10为含有交叉项和不含有交叉项图像数据对比。
图11为训练集的训练效果图。
图12为测试集的结果。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
如图1所示，本实施例涉及的WVD(wigner-ville distribution)变换，线性调频信号WVD变换是按照以下步骤进行的：
解析信号z(n)的WVD定义如下：
式中，乘积项关于t共辄对称。与线性时频分析不同的是，信号在WVD的计算公式中出现了两次，所以WVD是二次非线性的，也可以称为双线性变换。
WVD是非线性的,也就是说两信号和的WVD与每一个信号的WVD相加的结果不相等，多出的部分就是交叉干扰项。若s(t)＝s1(t)+s2(t)，则有：
WVDs(t,w)＝WVDs1(t,w)+WVDs2(t,w)+2Re{WVDs1,s2(t,w)}#(2)
其中
式(2)的前两项表示信号的自项即有用信息，第三项就是多出来的交叉干扰项。通过式(2)可以知道，交叉干扰项是实值的，它不仅夹杂在自项之间，其幅值还是自项幅值的两倍，干扰项过多时必然会淹掉有用信号；此外，交叉干扰项是以震荡形式存在的，每两个信号之间即会有一个交叉干扰项出现，比如某信号含有N个分量，那么就会产生个交叉干扰项。
下面分别绘制多个线性调频信号WVD变换中交叉项分布，具体如下：
如图1所示，图1为线性调频信号WVD变换中交叉项呈片状分布(分量数为2)示意图，由图可知，当线性调频信号的调频斜率相差较大时，交叉项呈片状分布。
如图2所示，图2为线性调频信号WVD变换中交叉项呈线状分布(分量数为2)示意图，由图可知，当线性调频信号的调频斜率相差较小时，交叉项呈直线状分布。
如图3所示，图3为较为复杂的交叉项分布示意图，当线性调频信号的分量增多时，交叉项也变得更为复杂，可以看到片状和线状的交叉项分布于图像之中。
本实施例为了消除WVD变化图像中的交叉项，利用对抗生成网络(GAN)对含有交叉项的图像进行处理，思路简化为：构建生成式对抗GAN网络(GAN,Generative AdversarialNetworks)，所述GAN网络包括两大网络结构，即生成器G和判别器D：其中，生成器G(generator)：负责凭空捏造数据出来；判别器D(discriminator)：负责判断数据是不是真数据，通过两个网络的博弈过程就可以消除WVD变化图像中的交叉项。传统的消除交叉项的方法面对多分量调频信号时消除得不够干净，这是由于多分量信号的强度、调频斜率、起始斜率会对交叉项的形态分布产生很大影响，利用生成对抗网络消除交叉项则可以利用仿真数据的多样性和便利性来消除这一影响，这是神经网络相比传统图像处理的最大优势。
本实施例采用pix2pix网络来实现WVD变化图像中交叉项的消除，所述pix2pix网络为GAN网络中的分支，其本质是从像素到像素的映射。具体结构如下：
如图4所示，图4为GAN网络结构图，随机噪声z通过生成器G得到生成样本G(z)，所述生成样本G(z)与真实数据x输入到判别器D中，通过判别器D得到判别结果。在一次迭代中，首先训练判别器D的参数，将随机噪声z输入生成器G生成样本G(z)，与真实数据x一同传入判别器D中，判别器的学习目标为对生成样本G(x)输出0、对真实数据x输出1。完成判别器D的参数的训练后接下来训练生成器的参数，生成样本G(x)在判别器D中会得到一个判别结果，生成器G需要根据这个判别结果调整参数，从而使得输出结果为1，即为真实数据，即骗过判别器。至此，完成一次迭代，在接下来的训练过程中，生成器和判别器将继续博弈，当判别器无法分辨生成样本与真实数据时，网络就拟合了。
如图5所示，图5为pix2pix网络结构图，真实数据x通过生成器G得到生成样本G(x),判别器D在真实数据x的条件下将生成样本G(x)判别为假(fake)，判别器D在真实数据x的条件下将真实样本判别为真实(real)。其中，x是含有交叉项的数据，y是不含有交叉项的数据，这两张图像通过判别器，得到正样本real。X通过生成器G，得到消除交叉项后的图像G(x)，而后将消除交叉项的图像和含有交叉项的图像输入判别器D，作为负样本fake。
如图6所示，图6为生成器网络结构图，所述生成器G(x)采用U-Net，这是在图像分割领域应用非常广泛的网络结构，能够充分融合特征，所述生成器包括降采样编码单元和升采样编码单元，所述生成器按照以下步骤进行：先通过采样编码单元将输入图片降采样到低维度图片，再通过升采样编码单元将低维度图片升采样到原始分辨率；通过连接单元将降采样和升采样按对应的通道拼接，用来保留不同分辨率下像素级的细节信息。因此，U-Net对提升细节的效果非常明显，可以保留不同尺度的信息。
如图7所示，图7为判别器网络结构图，本实施例提供的判别器采用PatchGAN，所述PatchGAN对输入图像的每个区域(patch)都输出一个预测概率值，相当于从判断输入是真还是假演变成判断输入的某一大小区域是真还是假。具体实现的时候，使用一个1024*1024输入的全卷积小网络，最后一层每个像素过sigmoid输出为真的概率，然后用BCEloss计算得到最终loss。这样做的好处是因为输入的维度大大降低，所以参数量少，运算速度也比直接输入一张快，并且可以计算任意大小的图。
本实施例通过以下方式制作仿真数据：
将含有交叉项的图像作为随机噪声输入到生成器中，而将完整消除交叉项的图像作为真实数据输入到判别器中，让生成器与判别器进行相互对抗，从而达到消除交叉项的目的。
其中，数据制作流程如下：
如图8所示，图8为含有交叉项数据制作流程图，如图8所示，将线性调频信号s1(t)与s2(t)相加后得到s(t)，再对s(t)进行WVD变换，得到含有交叉项的数据Ws(t,w)；s(t)表示相加后的信号；ws(t,w)表示WVD变换后的信号；本实施例提供的交叉项是线性调频信号进行WVD变化时所产生的非线性部分，本实施例主要目的就是消除这个过程中产生的交叉项。
如图9所示，如图9所示，图9为不含有交叉项数据制作流程图，分别将线性调频信号s1(t)与s2(t)进行WVD变换得到与再将其相加得到不含有交叉项的数据Ws′(t,w)；其中，表示线性调频信号s1(t)变换后信号；表示线性调频信号s2(t)变换后信号；
如图10所示，图10为含有交叉项的图像和不含有交叉项的图像数据对比示意图，其中(a)为含有交叉项数据，(b)为不含有交叉项数据，仿真的数据包括了片状和线状的交叉项分布。线性调频信号包括多个分量，其中分量数随机给定在2～4个；每个分量信号的幅度随机给定为常值，幅度大小在1～2区间范围内；起始斜率随机给定在1～200区间范围内。由于调频斜率对WVD变换的交叉项影响较大，当两个信号分量的调频斜率较为相近时，交叉项呈线状分布，反之，呈片状分布。因此在仿真数据的制作上片状和线状数据各占50％。
本实施例提供的基于生成对抗网络的WVD时频分析交叉项抑制方法，通过网络进行的预测结果如图11所示，图11为训练集的训练效果图，其中，(a)为含有交叉项数据，(b)为训练集训练完成后得到的结果，(c)为标签图像。
本实施例提供的基于生成对抗网络的WVD时频分析交叉项抑制方法，在测试集上的表现也相当优秀，测试结果如图12所示，图12为测试集的结果，其中，(a)为含有交叉项数据，(b)为测试集得到的结果，(c)为标签图像，从测试得到的结果可以看出，无论是片状还是线状的交叉项都被较好地消除了，目视效果还是十分理想。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种基于CNN的多水下信标信号识别方法