王紫嬌，王曉丹

（空軍工程大學(xué)防空反導(dǎo)學(xué)院，西安 710051）

0 概述

高分辨率距離像（High-Resolusion Response Profile，HRRP）能夠提供目標(biāo)的重要分布細(xì)節(jié)、結(jié)構(gòu)特征信息等可識(shí)別信息，被廣泛應(yīng)用于彈道導(dǎo)彈目標(biāo)識(shí)別。但對(duì)于非合作目標(biāo)，其觀測(cè)頻率極低，導(dǎo)致帶標(biāo)簽樣本量嚴(yán)重不足，極大地限制了深度學(xué)習(xí)算法在HRRP目標(biāo)識(shí)別中的應(yīng)用［1-3］。

受“二人零和博弈”的啟發(fā)，GOODFELLOW 等于2014 年提出了生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Networks，GAN）框架［4］，解決了生成模型的泛化問(wèn)題［5-6］。相較于蒙特卡洛估計(jì)和玻爾茲曼機(jī)信念網(wǎng)絡(luò)，應(yīng)用于HRRP 數(shù)據(jù)增擴(kuò)時(shí)GAN 學(xué)習(xí)過(guò)程不涉及馬爾科夫鏈和近似推理，能夠充分利用分段線性單元；相較于變分自編碼器，GAN 是漸進(jìn)一致的，且沒(méi)有變分下界的限制，不需要引入決定性偏置；相較于非線性獨(dú)立分量分析，GAN 不需要限制HRRP 數(shù)據(jù)的維度［7］。文獻(xiàn)［8］提出了一種基于深度生成網(wǎng)絡(luò)的雷達(dá)數(shù)據(jù)生成方法，通過(guò)訓(xùn)練深度生成網(wǎng)絡(luò)訓(xùn)練生成HRRP 數(shù)據(jù)。文獻(xiàn)［1］結(jié)合了圖像翻譯理論與二次精煉模型，在保證模型原始結(jié)構(gòu)信息的同時(shí)，增強(qiáng)了HRRP 樣本的多樣性和辨識(shí)度。由此可見(jiàn)，利用GAN 可以有效地實(shí)現(xiàn)HRRP 數(shù)據(jù)增擴(kuò)。

GAN 在數(shù)據(jù)增擴(kuò)領(lǐng)域具有較多的應(yīng)用，但也存在模式崩潰、生成樣本多樣性缺失、模型評(píng)價(jià)困難等問(wèn)題。近年來(lái)，研究者針對(duì)這些問(wèn)題開(kāi)展了廣泛的研究，提出了多種模型：LSGAN［8］利用最小二乘損失函數(shù)代替損失函數(shù)懲罰離群數(shù)據(jù)，有效解決了GAN訓(xùn)練不穩(wěn)定的問(wèn)題；PGGAN［9］通過(guò)漸進(jìn)增大方式訓(xùn)練GAN 以提高生成質(zhì)量；SGAN［10］通過(guò)自頂向下堆疊多個(gè)GAN，并在對(duì)抗損失的基礎(chǔ)上同時(shí)引入條件損失，利用高層條件信息和熵?fù)p失生成真實(shí)、可靠的數(shù)據(jù)；SinGAN［11］包含了為從單幅圖像進(jìn)行內(nèi)部學(xué)習(xí)而探索的多尺度網(wǎng)絡(luò)結(jié)構(gòu)，提高了生成質(zhì)量。但利用上述衍生模型對(duì)HRRP 數(shù)據(jù)進(jìn)行增擴(kuò)時(shí)，樣本數(shù)量過(guò)少所帶來(lái)的過(guò)擬合導(dǎo)致的模式崩潰現(xiàn)象尤為突出，即生成器生成某種模式的樣本并有效欺騙了判別器后，持續(xù)生成該模式的樣本，造成生成樣本模式單一，缺乏多樣性。

針對(duì)模式崩潰問(wèn)題，EGHBAL-ZADEH 提出了混合密度生成對(duì)抗網(wǎng)絡(luò)（Mixture Density Generative Adversarial Networks，MDGAN）［12］，通過(guò)對(duì)真實(shí)樣本經(jīng)判別器編碼后的輸出進(jìn)行聚類，計(jì)算假樣本經(jīng)判別器后的輸出與類中心間的距離并反饋給生成器，使其發(fā)現(xiàn)數(shù)據(jù)中的不同模式，提高生成樣本的多樣性。但MDGAN 也存在一些缺陷：隨著網(wǎng)絡(luò)深度增加，容易造成多層神經(jīng)網(wǎng)絡(luò)之間信息傳遞不流暢，導(dǎo)致梯度消失；生成器采用傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，特征提取能力不足；由于模型和參數(shù)量的差別，生成器和判別器的訓(xùn)練速度不同，其損失函數(shù)的收斂情況不同，導(dǎo)致網(wǎng)絡(luò)穩(wěn)定性差。

為獲得多樣性、真實(shí)性和穩(wěn)定性更好的HRRP數(shù)據(jù)，本文利用MDGAN 提出一種基于誤差匹配分布的混合密度生成對(duì)抗網(wǎng)絡(luò)（EMD-MDGAN）。針對(duì)梯度消失的問(wèn)題，在生成器中引入殘差結(jié)構(gòu)，通過(guò)跳層連接實(shí)現(xiàn)數(shù)據(jù)流的跨層流動(dòng)，保證網(wǎng)絡(luò)深度增加后仍然能夠維持各層神經(jīng)網(wǎng)絡(luò)之間的信息流通；針對(duì)特征提取能力較弱的問(wèn)題，在生成器中引入注意力機(jī)制，增強(qiáng)神經(jīng)網(wǎng)絡(luò)解碼過(guò)程中有用特征的作用，消除冗余特征和有害特征的影響；針對(duì)穩(wěn)定性較差的問(wèn)題，在MDGAN 損失函數(shù)中引入誤差匹配分布的思想均衡生成器和判別器的訓(xùn)練速度，使網(wǎng)絡(luò)更易收斂。

1 MDGAN 模型

圖1 MDGAN 模型架構(gòu)Fig.1 Architecture of MDGAN model

真樣本x經(jīng)過(guò)判別器D 編碼，編碼后的輸出er通過(guò)聚類形成多個(gè)等距離的數(shù)據(jù)集合，稱為簇（c1,c2,c3）。每個(gè)簇中心位于單純形的一個(gè)頂點(diǎn)中，且均由高斯核表示，因此，整個(gè)核由高斯核組成，稱為單純高斯混合模型（SGMM）。通過(guò)使用SGMM作為似然函數(shù)，計(jì)算假樣本（噪聲z通過(guò)生成器生成的樣本）經(jīng)過(guò)判別器編碼后的輸出et與簇中心之間的距離，et越接近簇的中心，獲得的似然值越大，越容易被識(shí)別為真樣本。每次更新，訓(xùn)練分類器將輸入的真樣本映射到任意簇中心點(diǎn)周圍，而輸入的假樣本都會(huì)隨機(jī)的分布在d維空間中。在理想狀態(tài)下，生成器生成樣本時(shí)會(huì)考慮所有的核心，由此可以產(chǎn)生模式不一樣的樣本。

2 基于EMD-MDGAN的彈到目標(biāo)HRRP增擴(kuò)

MDGAN 能夠發(fā)現(xiàn)數(shù)據(jù)中的不同模式，提高生成樣本的多樣性，但MDGAN 也存在梯度消失、特征提取能力不足、網(wǎng)絡(luò)穩(wěn)定性差等缺陷。本文基于MDGAN提出一種基于誤差匹配分布的混合密度生成對(duì)抗網(wǎng)絡(luò)（EMD-MDGAN），在生成器中引入殘差結(jié)構(gòu)，通過(guò)引入跳層連接實(shí)現(xiàn)數(shù)據(jù)流的跨層流動(dòng)；在生成器中引入注意力機(jī)制，在神經(jīng)網(wǎng)絡(luò)解碼過(guò)程中，增強(qiáng)有用特征的作用，提高特征提取能力；在MDGAN 損失函數(shù)中引入誤差匹配分布的思想，均衡生成器和判別器的訓(xùn)練速度，使網(wǎng)絡(luò)更易收斂。

2.1 EMD-MDGAN 的生成器與判別器

本文以傳統(tǒng)的自編碼器為基礎(chǔ)，將生成器與殘差網(wǎng)絡(luò)、注意力機(jī)制相結(jié)合，并采用一個(gè)具有5 維輸出的全連接神經(jīng)網(wǎng)作為誤差匹配的混合密度生成網(wǎng)絡(luò)中的判別器。由于sigmoid 在循環(huán)過(guò)程中能夠不斷地增強(qiáng)特征效果，在特征相差明顯時(shí)效果尤其明顯，因此本文選擇sigmoid作為生成器與判別器的輸出層。EMD-MDGAN生成器和判別器結(jié)構(gòu)如圖2 所示。

圖2 EMD-MDGAN 生成器與判別器結(jié)構(gòu)Fig.2 Structure of EMD-MDGAN generator and discriminator

增加網(wǎng)絡(luò)深度能夠使網(wǎng)絡(luò)具有更好的非線性表達(dá)能力，學(xué)習(xí)更為復(fù)雜的特征變換，提取數(shù)據(jù)的深層特征，增強(qiáng)網(wǎng)絡(luò)對(duì)于復(fù)雜模型的擬合能力［13］，但同時(shí)也會(huì)帶來(lái)計(jì)算資源的消耗、模型容易過(guò)擬合、梯度消失等問(wèn)題。在圖2 中，殘差網(wǎng)絡(luò)（Residual Network）［14］通過(guò)引入跳層連接實(shí)現(xiàn)了恒等映射，使得數(shù)據(jù)流可以跨層流動(dòng)，保證多層神經(jīng)網(wǎng)絡(luò)在加深網(wǎng)絡(luò)后仍然能夠維持各層神經(jīng)網(wǎng)絡(luò)之間的信息流通。將殘差網(wǎng)絡(luò)與生成器模型相結(jié)合，能夠有效增強(qiáng)生成器模型對(duì)于真實(shí)數(shù)據(jù)的深層特征提取能力，在保證網(wǎng)絡(luò)訓(xùn)練穩(wěn)定性的同時(shí)，解決梯度消失的問(wèn)題，提升生成數(shù)據(jù)的質(zhì)量。

由于MDGAN 生成器采用傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，受限于神經(jīng)單元的數(shù)量，神經(jīng)網(wǎng)絡(luò)擬合的函數(shù)受限制，特征提取能力較弱。如圖2 所示，本文在MDGAN生成器的基礎(chǔ)上引入注意力機(jī)制。一方面，可以讓輸入向量之間的作用方式是相乘，擬合更復(fù)雜的函數(shù)模型，且可以被應(yīng)用到任意類型的輸入；另一方面，注意力機(jī)制能夠選擇特定的輸入，使一個(gè)神經(jīng)網(wǎng)絡(luò)能夠只關(guān)注其輸入的一部分信息，即增強(qiáng)有用特征的作用，消除冗余特征和有害特征的影響。

2.2 EMD-MDGAN 的損失函數(shù)

生成對(duì)抗網(wǎng)絡(luò)穩(wěn)定性差、不易訓(xùn)練等問(wèn)題的核心原因在于生成器模型與判別器模型損失下降不均衡，從而導(dǎo)致生成器模型與判別器模型訓(xùn)練不對(duì)稱，即判別器模型訓(xùn)練過(guò)于優(yōu)異而生成器模型訓(xùn)練不夠充分［15］。如果生成樣本不能被鑒別器正確區(qū)分，那么兩者間的誤差分布應(yīng)當(dāng)是相同的，也包括它們的預(yù)期誤差。

基于動(dòng)態(tài)電壓補(bǔ)償?shù)腣SG電流平衡及峰值電流控制//郭巖,鄭天文,司楊,陳來(lái)軍,梅生偉//(9):108

邊界均衡生成對(duì)抗網(wǎng)絡(luò)（Boundary Equilibrium Generative Adversarial Network，BEGAN）［16］是 一種基于Wasserstein 距離的均衡增強(qiáng)方法，其采用誤差匹配分布而不是直接匹配樣本分布，即優(yōu)化自編碼器損失分布間距離，而不是樣本間距離。BERTHELOT等通過(guò)公式推導(dǎo)及實(shí)驗(yàn)驗(yàn)證證明了誤差匹配分布能夠降低時(shí)間復(fù)雜度，提高模型的穩(wěn)定性，且不要求判別器函數(shù)為K-Lipschitz 限制［16］。

本文將損失匹配分布的思想融入MDGAN 的損失函數(shù)中，通過(guò)估計(jì)誤差的分布而不是直接估計(jì)分布來(lái)擬合GAN，均衡生成器和判別器的訓(xùn)練速度。給定判別器和生成器參數(shù)θD、θG，每個(gè)參數(shù)通過(guò)最小化判別器、生成器的損失函數(shù)LossD、LossG來(lái)進(jìn)行更新，則目標(biāo)損失表示為：

其中：x為服從于真實(shí)樣本分布pdata的真實(shí)樣本；z為服從于分布pz的生成器的輸入噪聲；D(?)為判別器模型的輸 出；G(?)為生成器模型的輸出；lk 為MDGAN中定義的似然函數(shù)；λ設(shè)置為似然函數(shù)lk 的最大值，以便在方程中的對(duì)數(shù)中只有正值。

對(duì)于判別器D 的輸出e，MDGAN 定義的似然函數(shù)lk 計(jì)算方法如式（2）所示：

其中：真實(shí)樣本數(shù)量為n，i=1，2，…，n；Φ為高斯概率密度函數(shù)；wi為混合權(quán)重；μi為平均向量；Σi為高斯分量I的協(xié)方差矩陣。判別器識(shí)別真樣本和假樣本時(shí)，首先將輸入樣本編碼得到輸出e，然后計(jì)算判別器的輸出的e的似然函數(shù)lk(e)，lk(e)即為e是由真實(shí)樣本編碼得到的概率。

為保持生成器與判別器損失函數(shù)之間的平衡狀態(tài)，當(dāng)兩者處于平衡狀態(tài)時(shí)：

3 實(shí)驗(yàn)驗(yàn)證

本文使用彈頭、高仿誘餌、簡(jiǎn)單誘餌、球形誘餌和母艙5 類彈道目標(biāo)的HRRP 數(shù)據(jù)集［17］，每類目標(biāo)樣本數(shù)量為3 601（3 601 個(gè)不同方位角），每類樣本數(shù)據(jù)維數(shù)為256（距離單元個(gè)數(shù)為256）。

利用彈道目標(biāo)HRRP 數(shù)據(jù)集對(duì)EMD-MDGAN模型的穩(wěn)定性和HRRP 增擴(kuò)效果進(jìn)行驗(yàn)證：通過(guò)生成器、判別器的損失函數(shù)變化趨勢(shì)驗(yàn)證EMD-MDGAN模型的穩(wěn)定性；通過(guò)對(duì)比真實(shí)數(shù)據(jù)與生成數(shù)據(jù)經(jīng)判別器編碼后的輸出在聚類后的空間中的分布狀態(tài)驗(yàn)證生成HRRP 數(shù)據(jù)的多樣性；通過(guò)輔助分類器的分類準(zhǔn)確率，以及IS、FID、KID 量化指標(biāo)驗(yàn)證生成HRRP 數(shù)據(jù)的真實(shí)性、多樣性。實(shí)驗(yàn)中使用優(yōu)化器Adam 訓(xùn)練網(wǎng)絡(luò)，學(xué)習(xí)率設(shè)置為0.002，動(dòng)量設(shè)置為0.5，每個(gè)批次設(shè)置為64 個(gè)樣本。

3.1 穩(wěn)定性對(duì)比

GAN 穩(wěn)定意味著生成器和判決器的損失函數(shù)在一定范圍內(nèi)能夠收斂。MDGAN 模型改進(jìn)前后生成器的損失函數(shù)g_loss、判別器的損失函數(shù)d_loss 隨迭代次數(shù)的變化趨勢(shì)分別如圖3 和圖4 所示。

圖3 生成器損失函數(shù)曲線Fig.3 Loss function curve of generator

圖4 判別器損失函數(shù)曲線Fig.4 Loss function curve of discriminator

從圖3、圖4 可以看出，隨著迭代次數(shù)的增加，EMD-MDGAN 模型與原模型相比，生成器和判別器的損失函數(shù)波動(dòng)幅度較小，g_loss 在14 000 次迭代后收斂于1，d_loss 在18 000 次迭代后收斂于1.05，而MDGAN 模型生成器和判別器的損失函數(shù)在迭代22 000 次內(nèi)震動(dòng)較大。由此可知，應(yīng)用于HRRP 數(shù)據(jù)集增擴(kuò)，EMD-MDGAND 的穩(wěn)定性較原模型得到了較大提升，網(wǎng)絡(luò)更易收斂。這是由于EMD-MDGAND在MDGAN 的損失函數(shù)的基礎(chǔ)上引入了誤差匹配分布的思想，更新?lián)p失分布間的距離，而非樣本間的距離，均衡了生成器和判別器的訓(xùn)練速度，使網(wǎng)絡(luò)更易收斂。

3.2 多樣性對(duì)比實(shí)驗(yàn)

生成數(shù)據(jù)經(jīng)過(guò)判別器編碼后的輸出在聚類后的空間中的分布狀態(tài)能夠顯示生成數(shù)據(jù)的多樣性，即在每個(gè)簇的周圍分布越均勻，意味著生成了多種模式的樣本，其多樣性更好。簇的數(shù)量不同，分布情況也不相同。根據(jù)數(shù)據(jù)集中數(shù)據(jù)的類別，本文選擇簇?cái)?shù)量為25 的情況，對(duì)真實(shí)樣本與生成樣本的分布進(jìn)行對(duì)比，結(jié)果如圖5 所示。

圖5 簇?cái)?shù)量為25 時(shí)真實(shí)樣本與生成樣本的分布Fig.5 Distribution of real samples and generated samples when the number of clusters is twenty-five

從圖5 中可以看出，應(yīng)用于HRRP 數(shù)據(jù)增擴(kuò)時(shí)，簇?cái)?shù)量為25 時(shí)，雖然生成樣本相比于真實(shí)樣本在編碼器的輸出空間中的分布存在分布不均的現(xiàn)象，但生成樣本在絕大多簇附近均有分布，說(shuō)明生成樣本具有一定的多樣性。

3.3 輔助判別器

在HRRP 數(shù)據(jù)中難以直觀地獲取可識(shí)別信息，使用可視化方法對(duì)評(píng)價(jià)HRRP 生成數(shù)據(jù)的質(zhì)量作用十分有限。因此，本文通過(guò)構(gòu)建神經(jīng)網(wǎng)絡(luò)作為驗(yàn)證分類器評(píng)判生成數(shù)據(jù)的可靠性和多樣性。驗(yàn)證分類器結(jié)構(gòu)如圖6 所示。

圖6 驗(yàn)證分類器結(jié)構(gòu)Fig.6 Structure of validation classifier

驗(yàn)證分類器的數(shù)據(jù)集設(shè)置及分類結(jié)果如表1 所示。在數(shù)據(jù)集data_1 中，按照1∶1 的比例隨機(jī)劃分訓(xùn)練集和測(cè)試集；在數(shù)據(jù)集data_2 中，隨機(jī)抽取50%的真實(shí)數(shù)據(jù)作為訓(xùn)練集，隨機(jī)抽取相同數(shù)量的生成數(shù)據(jù)作為測(cè)試集；在數(shù)據(jù)集data_3 中，隨機(jī)抽取50%的真實(shí)數(shù)據(jù)作為測(cè)試集，隨機(jī)抽取相同數(shù)量的生成數(shù)據(jù)作為訓(xùn)練集；data_4、data_5 中測(cè)試集與data_1 相同，隨機(jī)抽取50%真實(shí)數(shù)據(jù)，并分別按照真實(shí)數(shù)據(jù)，生成數(shù)據(jù)=1∶0.5、1∶1 的比例構(gòu)造訓(xùn)練集。分類準(zhǔn)確率隨迭代次數(shù)變化趨勢(shì)如圖7 所示。

表1 驗(yàn)證分類器的數(shù)據(jù)集設(shè)置及分類準(zhǔn)確率結(jié)果Table 1 Data set setting and classification accuracy for classifier validation %

圖7 分類準(zhǔn)確率隨迭代次數(shù)變化趨勢(shì)Fig.7 Trend of classification accuracy with iteration times

由表1 和圖7 的分類結(jié)果可以得出如下結(jié)論：

1）數(shù)據(jù)集data_1 使用HRRP 真實(shí)數(shù)據(jù)作為分類器的訓(xùn)練集和測(cè)試集，最高82.74%的分類準(zhǔn)確率說(shuō)明了分類器在真實(shí)數(shù)據(jù)上具有一定的識(shí)別能力，并可將其作為后續(xù)實(shí)驗(yàn)對(duì)比的基準(zhǔn)。

2）數(shù)據(jù)集data_2、data_3 的分類準(zhǔn)確率略低于數(shù)據(jù)集data_1，說(shuō)明結(jié)合了殘差網(wǎng)絡(luò)和注意力機(jī)制的生成器模型能夠提取真實(shí)樣本的深層特征，捕獲更多細(xì)節(jié)特征，生成具有一定的真實(shí)性、可靠性的數(shù)據(jù)，使得生成數(shù)據(jù)與真實(shí)數(shù)據(jù)的分布形式大致相同。

3）數(shù)據(jù)集data_1、data_4、data_5 的分類準(zhǔn)確率依次遞增，說(shuō)明生成數(shù)據(jù)在少量真實(shí)數(shù)據(jù)的基礎(chǔ)上，能夠產(chǎn)生更多變化，為真實(shí)樣本帶來(lái)數(shù)據(jù)增擴(kuò)效果，即EMD-MDGAN 模型能夠生成不同模式的生成數(shù)據(jù)，有效地改善模式崩潰的問(wèn)題。

3.4 GAN 評(píng)價(jià)指標(biāo)

IS（Inceptiokn Score）［18］、FID（Fréchet Inception Distance）［19］、KID（Kernel Inception Distance）［20］均 為GAN 網(wǎng)絡(luò)中的主要評(píng)價(jià)指標(biāo)。IS 通過(guò)熵的大小來(lái)衡量清晰度和多樣性，但只考慮了生成樣本，沒(méi)有考慮真實(shí)數(shù)據(jù)，無(wú)法反映真實(shí)數(shù)據(jù)和樣本之間的距離，且存在對(duì)神經(jīng)網(wǎng)絡(luò)內(nèi)部權(quán)重十分敏感，不能判別出網(wǎng)絡(luò)是否過(guò)擬合等問(wèn)題。相比IS，F(xiàn)ID 有了很大改進(jìn)，其能計(jì)算真實(shí)樣本與生成樣本在特征空間之間的距離，對(duì)噪聲有更好的魯棒性，但也有和IS 同樣的缺陷，如不適合在內(nèi)部差異較大的數(shù)據(jù)集上使用、無(wú)法區(qū)分過(guò)擬合等。KID 是一種基于特征的差異性度量方式，其采用最大均值差異（MMD）算法，通過(guò)計(jì)算Inception 表征之間最大均值差異的平方來(lái)度量2 組樣本之間的差異，其值越大表明2 個(gè)分布差異越大，越小表明分布越相似。與依賴經(jīng)驗(yàn)偏差的FID不同，KID 有一個(gè)三次核的無(wú)偏估計(jì)值，其能更一致地匹配人類的感知。從上述度量理論中可以看出，IS、FID、KID 的計(jì)算方式與維度無(wú)關(guān)，同樣適用于一維HRRP數(shù)據(jù)生成樣本的質(zhì)量評(píng)價(jià)。EMD-MDGAN模型與經(jīng)典衍生模型IS、FID、KID 對(duì)比結(jié)果如表2所示。

表2 不同模型的IS、FID、KID 對(duì)比結(jié)果Table 2 IS、FID、KID comparative results of different models

從表2 中不同模型的評(píng)價(jià)指標(biāo)可得到以下結(jié)論：

1）應(yīng)用于HRRP 增擴(kuò)時(shí)，MDGAN 模型與DCGAN［21］、WGAN［22］、WGAN-GP［23］、LSGAN［24］、BEGAN［16］等經(jīng)典衍生模型相比，在IS、KID 指標(biāo)中的表現(xiàn)較好，而在FID 指標(biāo)中的表現(xiàn)一般，這是數(shù)據(jù)集較小導(dǎo)致過(guò)擬合造成的。

2）由于注意力機(jī)制能夠擬合更復(fù)雜的數(shù)據(jù)分布，使神經(jīng)網(wǎng)絡(luò)只關(guān)注其輸入中較為重要的特征，忽略冗余特征，而結(jié)合了殘差網(wǎng)絡(luò)的自編碼器能夠通過(guò)引入跳層連接實(shí)現(xiàn)數(shù)據(jù)流的跨層流動(dòng)，更好地提取真實(shí)樣本的深層特征，因此僅加入殘差網(wǎng)絡(luò)或注意力機(jī)制的MDGAN 模型相比于原始MDGAN 模型在IS、FID、KID 量化評(píng)價(jià)指標(biāo)中均有所提升，即注意力機(jī)制與殘差網(wǎng)絡(luò)對(duì)提高生成數(shù)據(jù)的質(zhì)量均有貢獻(xiàn)。

3）在生成器的自編碼器中同時(shí)結(jié)合注意力機(jī)制與殘差網(wǎng)絡(luò)，并在損失函數(shù)中融入誤差匹配分布思想的EMD-MDGAN 模型，在IS、FID、KID 量化評(píng)價(jià)指標(biāo)中表現(xiàn)均最優(yōu)，從實(shí)驗(yàn)的角度證明了上述改進(jìn)并不互斥，能夠共同作用提高生成數(shù)據(jù)的質(zhì)量，使生成樣本與真實(shí)樣本的分布間差異更小。

4 結(jié)束語(yǔ)

本文基于誤差匹配提出一種改進(jìn)的混合密度生成對(duì)抗網(wǎng)絡(luò)（MDGAN）模型用于HRRP 數(shù)據(jù)集增擴(kuò)。該模型在原模型生成不同模式樣本的基礎(chǔ)上使網(wǎng)絡(luò)更易收斂，改善原模型應(yīng)用于一維數(shù)據(jù)生成穩(wěn)定性不足的問(wèn)題，同時(shí)將不同比例的生成樣本加入訓(xùn)練集中，使分類準(zhǔn)確率逐步提升。實(shí)驗(yàn)結(jié)果表明，本文模型在IS、FID、KID 指標(biāo)中均有良好表現(xiàn)，證明了生成樣本分布與真實(shí)樣本分布間的差異更小，生成樣本更具有真實(shí)性。但由于加入殘差網(wǎng)絡(luò)與注意力機(jī)制后網(wǎng)絡(luò)變得更復(fù)雜并且參數(shù)有所增加，因此EMD-MDGAN 模型的時(shí)間復(fù)雜度較高。如何在提高網(wǎng)絡(luò)穩(wěn)定性和生成質(zhì)量的同時(shí)降低時(shí)間成本，將是下一步的研究目標(biāo)。