[发明专利]一种样本扩充方法、系统、存储介质及电子设备

说明书

本发明公开了一种样本扩充方法、系统、存储介质及电子设备。该方法包括：获取实测的雷达图像样本；以实测的雷达图像样本为输入，对生成对抗神经网络模型进行训练，得到训练好的模型；采用训练好的模型进行雷达图像样本的扩充，得到合成的雷达图像样本。采用本发明的样本扩充方法、系统、存储介质及电子设备，能够在实现数据样本扩充的基础上，保证数据样本的真实性。

技术领域

本发明涉及数据处理技术领域，特别是涉及一种样本扩充方法、系统、存储介质及电子设备。

背景技术

在利用机器学习方法对数据进行分类、识别等处理时，需要依托大量数据样本才能实现模型的有效训练。然而，在雷达探测领域，要获取海量、真实的探测数据是非常具有挑战性的任务，因为雷达探测数据的收集过程更加依赖于专用探测设备，并在相对严格的数据处理流程下，才能获得有效数据样本。正是高精度的探测设备要求与复杂的数据处理流程，提高了获取雷达探测数据样本的门槛，雷达探测数据样本数量的不足极大地限制了机器学习技术在雷达探测领域的广泛应用。

除通过雷达实测方式获取数据样本外，目前常用样本扩充方法还包括基于数字仿真、半实物仿真的雷达数据获取方法，这两类方法虽然解决了数据样本不足问题，但无法保障数据样本的真实性。

发明内容

本发明的目的是提供一种样本扩充方法、系统、存储介质及电子设备，能够在实现数据样本扩充的基础上，保证数据样本的真实性。

为实现上述目的，本发明提供了如下方案：

本发明提供一种样本扩充方法，包括：

获取实测的雷达图像样本；

以所述实测的雷达图像样本为输入，对生成对抗神经网络模型进行训练，得到训练好的模型；

采用所述训练好的模型进行雷达图像样本的扩充，得到合成的雷达图像样本。

可选的，在所述得到合成的雷达图像样本之后，所述方法还包括：

采用平滑标签标注方法，对所述合成的雷达图像样本进行标注，得到标注好的扩充样本。

可选的，在得到标注好的扩充样本之后，所述方法还包括：

将所述标注好的扩充样本和所述实测的雷达图像样本作为待处理雷达图像样本；所述待处理雷达图像样本用于目标分类或目标检测。

可选的，在所述获取实测的雷达图像样本之后，所述方法还包括：

采用反距离加权插值方法，对所述实测的雷达图像样本进行处理，得到处理后的雷达图像样本；

将所述处理后的雷达图像样本的每个像素值映射到预设区间范围内，得到归一化后的雷达图像样本。

可选的，所述以所述实测的雷达图像样本为输入，对生成对抗神经网络模型进行训练，得到训练好的模型，具体包括：

获取第一随机向量；所述第一随机向量为符合正态分布的向量；

将所述第一随机向量输入所述生成对抗神经网络模型中的生成网络模型中，得到第一合成样本；

将所述第一合成样本和所述实测的雷达图像样本输入所述生成对抗神经网络模型中的判别网络模型中，得到所述第一合成样本的置信度；

根据所述第一合成样本的置信度和所述判别网络模型的损失函数，在所述生产网络模型参数不变的条件下，对所述判别网络模型的参数采用梯度下降法进行优化，得到优化后的判别网络模型参数；

在所述优化后的判别网络模型参数不变的条件下，根据所述生成网络模型的损失函数，对所述生成网络模型的参数采用梯度下降法进行优化，得到优化后的生成网络模型参数；