[0003] 为解决上述背景介绍中出现的具体问题，本发明针对传统HRRP识别模型中拒判模块的不足，从模型的拒判能力本身着手，提出了一种基于条件生成式对抗网络的拒判方法。
[0004] 为实现上述目的，本发明包括以下步骤：
[0005] S1：对原始HRRP样本集进行预处理。为了能对HRRP样本有效的搭建模型，我们需要针对样本集的强度敏感性和样本不平衡问题，对样本集进行强度归一化、样本对齐、均匀分帧处理。
[0006] S2：搭建模型。在TensorFlow平台上搭建条件生成式对抗网络，根据网络的特点设计优化目标函数。
[0007] S3：调参训练。每一帧都按相同步骤训练出一个判别器，使用S2中设计的优化目标函数进行参数更新，最终实现网络的良好拒判性能。
[0008] S4：用训练好的模型在测试样本集上进行测试。从每一帧训练集所训练出的条件生成式判别网络中分别提取出判别器进行测试，对判别器设置相应阈值，若测试样本经过所有判别器的输出都小于阈值，则对该测试样本进行拒判。
[0009] 优选地，所述S1详细步骤为：
[0010] S1.1：强度归一化。对样本集{x1,x2,...,xn}中的每一个HRRP样本 进行归一化操作： 其中 是第j个HRRP样本中的第i维特征，||·||2是求二范数操作。
[0011] S1.2：样本对齐。对样本集{x1,x2,...,xn}中的每一个HRRP样本 进行对齐操作，采用质心对齐公式 计算并取整得到一个质心特征的位置，对样本进行平移，直到将这个特征移到中心处。
[0012] S1.3：均匀分帧。将经过S2.1和S2.2处理后的每一类训练样本集都进行均匀分帧。在训练过程中以帧为单位，即每一帧训练出一个拒判网络。
[0013] 优选地，所述S2详细步骤为：
[0014] S2.1：条件生成式对抗网络介绍。CGAN由两个部分组成：一部分是生成器G，生成器依据随机噪声输入和所给的HRRP各帧的平均距离像生成伪造样本；另一部分是判别器D，判别器用于判定输入的样本和标签组成的数据对是否真实并可互相对应，本发明中用到的标签是样本的平均距离像。网络内部结构和卷积神经网络类似，输入样本会被卷积层、池化层、全连接层进行处理，需要优化的参数有每一层的权重和偏置。
[0015] S2.2生成器G和判别器D的实现目标。在模型中，生成器G和判别器D有不同的实现目标，生成器G的实现目标是尽可能生成可以骗过判别器D的样本，再和真实HRRP样本标签相反的标签组成数据对，最后送入判别器D并让它错误判断。而判别器D的目标是尽可能正确识别出真实的HRRP样本标签组成的数据对。即最终要实现的是一个由生成器G和判别器D共同组成的一个最小最大化目标函数V(G,D)。目标函数V(G,D)为:
[0016]
[0017] 其中E[·]表示求期望操作,其下标x～pdata(x)表示样本x抽样于真实的数据集，z～pz(z)表示样本z抽样于随机分布pz(z)。y表示需要用到的条件，本发明中用到的条件是每一帧HRRP样本的平均距离像，D(·|y)表示括号内样本在给定y的条件下为真实样本的概率。G(z|y)表示给定条件y的前提下生成的样本。
[0018] 优选地，所述S3详细步骤为：
[0019] S3.1初始化第k帧生成器Gk的参数θg，初始化判别器Dk的参数θd。整个训练过程一共迭代T次，以下为每一轮迭代过程中的训练步骤。
[0020] S3.2固定生成器Gk的参数，训练判别器Dk。
[0021] S3.2.1从第k帧中共计r个训练样本集中取样出l个样本X＝{x1,x2,...,xl}，X∈Rl×m，其中 从一个标准分布pprior(z)中取样出l个样本Z＝{z1,z2,...,zl}，Z∈Rl×m，其中
[0022] S3.2.2一帧样本的平均距离像是由一帧中所有样本的每一维特征平均值组成的向量，记第k帧训练样本集的平均距离像为 其中
[0023]
[0024] 将l个平均距离像 与样本Z在维度列上进行拼接，即组成一个矩阵P1送入生成器Gk，P1∈Rl×2m。生成器Gk在给定 的条件下生成l个样本 其中
[0025] S3.2.3将样本X和 分别与l个平均距离像 在维度列上拼接成矩阵P2，P3，其中P2,P3∈Rl×2m，再将P2，P3在维度行上拼接成矩阵P，P∈R2l×2m。拼接好的矩阵P作为判别器D的输入。
[0026] S3.2.4矩阵P输入进判别器Dk，模型的输出为一个长度为2l的向量，对向量进行切片操作，前l维为对l个真实样本X的预测结果，将输出记为yX；后l维为对l个虚假样本，即的预测结果，将输出记为 yX、 中的数值大小映射到对l个真实样本和l个虚假样本真实与否的概率判断，即数值越靠近1则样本在判别器Dk看来就越真实。目标函数为将yX中的值带入 中的值带入 进行计算，通过梯度上升更新参数：
[0027]
[0028] 训练判别器Dk迭代K次。
[0029] S3.3固定判别器Dk的参数，训练生成器Gk。
[0030] S3.3.1从一个随机分布pprior(z)中取样出另一组样本{z1,z2,...,zl}，其中与l个平均距离像 在维度列上拼接后送进生成器Gk。
[0031] S3.3.2生成器Gk输出l个虚假样本 进行和3.2.3相同的处理后再输入进固定好参数的Dk。目标函数为 因判别器Dk的参数已被固定，故目标函数为 即在这部分训练中只需用到Gk输
出的 通过梯度下降更新参数
[0032] 训练生成器Gk迭代一次。
[0033] 优选地，所述S4详细步骤为：
[0034] S4.1提取出已完成上述训练的条件生成式对抗网络中的判别器，设置拒判的阈值。
[0035] S4.2进行HRRP样本测试。用一个虚假样本分别和每一帧的平均距离像拼接起来组成输入样本，分别输入到所有判别器中，当所有判别器的输出结果都小于阈值时，对样本进行拒判。
