买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安电子科技大学申请的专利基于GAN和自注意力的雷达高分辨距离像降噪识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114428234B 。

龙图腾网通过国家知识产权局官网在2025-08-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111592204.5，技术领域涉及：G01S7/41；该发明授权基于GAN和自注意力的雷达高分辨距离像降噪识别方法是由白雪茹;韩夏欣;刘潇丹;王力;周峰设计研发完成，并于2021-12-23向国家知识产权局提交的专利申请。

本基于GAN和自注意力的雷达高分辨距离像降噪识别方法在说明书摘要公布了：本发明公开了一种基于GAN和自注意力的雷达高分辨距离像降噪识别方法，主要解决现有雷达高分辨距离像降噪识别技术中将可分性强的特征当作噪声消除，且无法提取远距离依赖信息的问题。其实现方案为：1获取目标雷达回波，生成训练样本集和测试样本集；2构建由生成器、判别器和识别器构成的基于GAN和自注意力的雷达高分辨距离像降噪识别网络；3利用训练样本集采用反向传播算法对2构建的降噪识别网络进行训练；4将测试样本集输入到训练好的雷达高分辨距离像降噪识别网络中，得到雷达高分辨距离像降噪与识别结果。本发明提高了低信噪比环境下的目标识别率，可用于实现低信噪比环境下飞机、卫星目标的识别。

本发明授权基于GAN和自注意力的雷达高分辨距离像降噪识别方法在权利要求书中公布了：1.基于GAN和自注意力的雷达高分辨距离像降噪识别方法，其特征在于，包括： 1对三类飞机目标的雷达回波进行划分和处理，生成训练样本集S1和测试样本集S2； 2构建雷达高分辨距离像降噪与识别网络： 建立生成器，其由五个卷积层和五个反卷积层依次连接组成，每个卷积层均有LeakyReLU操作，每个反卷积层后均有LeakyReLU和跳跃连接操作，用于对含噪HRRP进行降噪，产生降噪后的高信噪比HRRP； 建立判别器，其由五个卷积层、一个flatten层和两个全连接层依次连接组成，每个卷积层后均有LeakyReLU操作，用于辅助生成器提升降噪性能； 建立识别器，其包括滑窗层、位置编码层、三个全连接层、五组特征提取器、一个flatten层和一个softmax分类器，且滑窗层、位置编码层、第三全连接层、五组特征提取器、flatten层、第四全连接层、第五全连接层、softmax分类器依次连接，用于对高信噪比HRRP进行特征提取并给出目标识别结果； 将生成器分别与判别器和识别器连接，构成基于生成对抗网络GAN和自注意力的雷达高分辨距离像降噪识别网络； 3将训练样本集S1，输入到2构建的降噪识别网络，通过反向传播算法对其进行对抗训练，得到训练好的基于GAN和自注意力的雷达高分辨距离像降噪识别网络；所述通过反向传播算法对基于GAN和自注意力的雷达高分辨距离像降噪识别网络进行对抗训练，实现如下： 6a初始化基于GAN和自注意力的雷达高分辨距离像降噪识别网络中的所有可学习的参数； 6b将训练样本集S1中含噪的高分辨距离像x1输入到生成器，沿网络结构逐层计算，产生降噪后的高分辨距离像x2； 6c将训练样本集S1中不含噪的高分辨距离像x3与含噪高分辨距离像x1连接，得到真样本r＝[x3,x1]，将6b中降噪后的高分辨距离像x2与含噪高分辨距离像x1连接，得到假样本f＝[x2,x1]，将真样本r和假样本f输入到判别器，沿网络结构逐层计算，得到判别器的输出； 6d将6b中降噪后的高分辨距离像x2输入识别器，沿网络结构逐层计算，得到识别器的输出，即目标类别； 6e设定生成器的损失函数LGD,G： 其中，表示期望运算，D表示判别器，G表示生成器，λ是正则化项系数，表示L1正则化项，表示L2正则化项，α是L1正则化项与L2正则化项的比例系数，β是识别损失系数，表示识别器损失函数，tk表示目标的真实类别向量中的第k个元素，yk表示识别器的输出向量中的第k个元素，K表示目标种类数量； 6f设定判别器的损失函数LDD,G： 其中，LGP表示梯度惩罚项，λGP表示梯度惩罚项的系数，是直线上的点，ε是从[0,1]的均匀分布中随机抽取的数字； 6g对判别器中的可学习参数wD进行更新，更新公式为： 其中，是判别器当前更新后得到的参数，是判别器更新前的参数，ηD是判别器学习率，是损失函数LDD,G对的梯度； 6h使用判别器更新后的参数再次进行6b到6e的计算过程，再对生成器中可学习的参数wG和识别器中可学习的参数wR进行更新，更新公式为： 其中，是生成器当前更新后得到的参数，是识别器当前更新后得到的参数，是生成器更新前的参数，是识别器更新前的参数，ηG是生成器和识别器的学习率，是损失函数LGD,G对的梯度，是损失函数LGD,G对的梯度； 6i使用生成器更新后的参数和识别器更新后的参数再次重复进行6b到6g进行多次迭代更新，直到当损失函数Lrec稳定收敛后，停止迭代，获得生成器中的可学习参数wG、判别器中的可学习参数wD、识别器中的可学习参数wR的最优值，得到训练好的基于GAN和自注意力的雷达高分辨距离像降噪识别网络； 4将测试样本集S2，输入训练好的基于GAN和自注意力的雷达高分辨距离像降噪识别网络进行测试，得到网络输出的目标识别结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安电子科技大学，其通讯地址为：710071 陕西省西安市太白南路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。