摘要
未来信息化、智能化战争的发展对目标的精准感知提出了更高的要求。深度学习技术的发展，使得目标感知技术获得了快速发展。然而深度网络的训练依赖于充足的目标特性数据，典型目标特性数据包括雷达散射截面积(RadarCrossSection,RCS)、逆合成孔径雷达(InverseSyntheticApertureRadar,ISAR)图像、光学图像等。对于非合作目标而言，目标特性数据获取困难，制约了目标探测感知能力的提升。因此，获取充分的目标特性数据是亟需解决的一个问题。近年来，深度学习在序列、图像等数据生成方面有广泛而成功的应用，鉴于此，本文针对非合作空天目标特性数据获取，研究基于深度学习的目标宽带RCS特性数据、ISAR图像数据、光学图像数据的生成方法。 本文的主要研究工作与创新点包括: 1.针对现有不同姿态角下宽带RCS散射特性数据生成问题，考虑RCS的姿态敏感性，研究基于循环卷积网络的RCS生成方法，结合卷积神经网络和长短时记忆网络,同时挖掘RCS序列的幅度特征和相位特征，实现复RCS序列的扩充生成，通过仿真案例验证了方法的有效性。 2.针对多姿态角的ISAR图像数据生成问题，考虑在特定条件下利用已有目标光学图像信息，开展基于条件生成对抗网络的光学图像至ISAR图像的迁移生成研究，建立多尺度编解码网络结构提取和重构目标多尺度特征，并引入傅里叶损失优化损失函数，实现了不同方位角、俯仰角条件下ISAR图像的高质量迁移生成，通过测试案例验证了方法的有效性。 3.针对目标光学图像数据生成问题，考虑在特定条件下利用已有目标ISAR图像信息，研究基于条件生成对抗网络的ISAR图像至光学图像迁移生成方法，构建具有孪生结构的条件生成对抗网络框架，通过注意力机制改善生成图像的细节，并引入结构相似度损失来优化损失函数，以提高生成图像与真实图像间的相似性，通过仿真案例证实了所提方法的有效性。
NETL