一種改進生成對抗網絡的天波雷達地海雜波半監督分類模型構建方法

2024-04-15 15:28:05 2

1.本發明屬於雷達數據處理領域中的頻譜數據處理技術，涉及一種改進生成對抗網絡的天波雷達地海雜波半監督分類方法。


背景技術：

2.天波超視距雷達(天波雷達)是超視距遠程探測的重要裝備，在軍事和民用領域存在廣泛應用。然而，電磁波經電離層傳播時會產生坐標配準問題，嚴重影響天波雷達的目標定位精度。天波雷達地海雜波識別即為辨識雷達回波每個距離-方位單元背景雜波來源為地或海的過程。利用地海雜波識別結果形成地/海分界線或地形輪廓，然後將其與先驗地理信息匹配可為目標定位提供坐標配準參數。由於無需提供其他輔助信源或探測設備等優勢，地海雜波識別已經受到越來越多的關注。
3.天波雷達由發射機發出電磁波信號，並由電離層折射至地海表面，目標或雜波的回波信號沿原路返回至接收機形成地海雜波，海雜波的一階布拉格峰是由天波雷達發射的高頻電磁波和海浪的布拉格共振散射形成的，呈現為對稱於零頻的雙峰。地雜波樣本由於陸地或島嶼的回波特性無明顯運動起伏，故呈現為處於零頻附近的單峰。地海交界雜波樣本融合了海雜波樣本和地雜波樣本的特性，呈現為處於零頻附近的三峰。
4.近年來，深度學習在地海雜波分類方面取得了非常成功的應用。與傳統的依賴人工提取地海雜波特徵的方法相比，基於深度學習的地海雜波分類方法能夠利用神經網絡強大的特徵提取能力，從大量地海雜波樣本中自動提取數據的高層次表徵，實現對後續分類任務的精準預測。然而，現有的地海雜波分類方法作為全監督分類框架，依賴於大量有標籤訓練樣本。由於地海雜波樣本的標籤標定極其費時費力，且需要該領域的專家知識，因此全監督地海雜分類方法在實際應用中存在一定局限性。
5.為此一種新型的分類方法有待提出以解決如何減小樣本添加標籤成本，提高樣本分類效率的技術問題。


技術實現要素：

6.本發明的目的是提供一種改進生成對抗網絡的天波雷達地海雜波半監督分類模型構建方法，以解決如何減小地海雜波樣本添加標籤成本，提高地海雜波樣本的分類精度的問題。
7.本發明採用以下技術方案：
8.本發明實施例一提供了一種改進生成對抗網絡的天波雷達地海雜波半監督分類模型構建方法，其特徵在於，包括：
9.將地海雜波的訓練樣本輸入半監督分類模型進行訓練，訓練樣本包含有標籤樣本、無標籤樣本和生成樣本，半監督生成對抗網絡包括判別器和生成器；
10.根據判別器的輸出的有標籤樣本的信息熵計算判別器的第一對抗損失，第一對抗
損失表徵判別器的全監督損失；
11.根據判別器的輸出無標籤樣本的信息熵和生成樣本的信息熵計算判別器的第二對抗損失，第二對抗損失表徵判別器的半監督損失；
12.根據判別器中多層網絡中的生成樣本特徵和無標籤樣本特徵計算聯合特徵損失；
13.對第二對抗損失與聯合特徵損失進行加權，生成生成器的加權損失；
14.通過重複訓練半監督分類模型，基於第一對抗損失、第二對抗損失和加權損失更新判別器的分類權重，確定滿足預設分類精度的半監督分類模型。
15.可選地，第一對抗損失的計算方式如下：
[0016][0017]
其中，pd為判別器輸出的有標籤樣本的信息熵，y為樣本標籤，k表示第k個樣本空間，x為樣本特徵，表示有標籤樣本的期望算子，l
supervised
為第一對抗損失。
[0018]
可選地，第二對抗損失的計算方式如下：
[0019][0020]
其中，log[1-pd(y＝k+1|x)]為判別器輸出的無標籤樣本中第k+1個樣本空間中樣本特徵的信息熵，logpd(y＝k+1|x)為判別器輸出的生成樣本的第k+1個樣本空間中樣本特徵的信息熵，為無標籤樣本的期望算子，為生成標籤樣本的期望算子，l
unsupervised
為第二對抗損失。
[0021]
可選地，根據判別器中多層網絡中的生成樣本特徵和無標籤樣本特徵計算聯合特徵損失包括：
[0022]
從判別器的預設層數的中間層網絡中提取出每層網絡中無標籤樣本特徵和生成樣本特徵；
[0023]
求解每層網絡中無標籤樣本特徵與生成樣本特徵的歐式距離，得出每層網絡的特徵匹配損失；
[0024]
將每層網絡的特徵匹配損失進行加權求和，得到聯合特徵匹配損失。
[0025]
可選地，聯合特徵匹配損失的計算方式如下：
[0026][0027]
其中，l
max
為表示判別器的中間層網絡的總和，l
mul
表示選取的預設層數，且ch
(l)
為第l層的樣本特徵對應的通道數，le
(l)
為樣本特徵的長度，為每層網絡的特徵匹配損失，為第l層生成樣本特徵的期望，為第l層無標籤樣本特徵的期望，l
fm
為聯合特徵匹配損失。
[0028]
可選地，加權損失的計算方式如下：
[0029]
l
wl-ssgan
＝α(-l
unsupervised
)+βl
fm
，
[0030]
其中，α為第一常數，β為第二常數，l
fm
為聯合特徵匹配損失，l
wl-ssgan
為加權損失。
[0031]
可選地，方法還包括：當只有有標籤樣本作為半監督分類模型的輸入時，只有判別器工作，此時判別器的損失為第一對抗損失和第二對抗損失之和。
[0032]
可選地，方法還包括：當有有標籤樣本和無標籤樣本作為半監督分類模型的輸入時，判別器與生成器均工作，此時，通過在生成器中添加隨機噪聲，輸出生成樣本。
[0033]
可選地，判別器的第一個卷積層的後面以及所有卷積層的後面均連結leakyrelu激活函數。
[0034]
可選地，生成器的第一個卷積層的後面連接relu激活函數以及最後一個反卷積層的後面連結tanh激活函數。
[0035]
本發明的有益效果是：將半監督生成對抗網絡中判別器的中間層網絡篩選出多層網絡中的特徵，並對各層的特徵匹配損失進行加權得出聯合特徵匹配損失。進一步，將標準的對抗損失與聯合特徵匹配損失作線性加權，得到加權損失。基於標準對抗損失、聯合特徵損失和加權損失設計基於改進生成對抗網絡的地海雜波分類模型wl-ssgan。當wl-ssgan的輸入僅包含有標籤樣本時，將其視為基於改進生成對抗網絡的地海雜波地海雜波全監督分類模型。當wl-ssgan的輸入同時包含有標籤樣本和無標籤樣本時，將其視為基於改進生成對抗網絡的地海雜波半監督分類模型；一方面，從判別器不同層網絡中提取利於提高分類器分類性能的特徵，並計算標準對抗損失與多層網絡的聯合特徵匹配損失進行加權的加權損失，相比傳統單純使用對抗損失或單層網絡的特徵匹配損失，本發明中基於加權損失的分類模型的分類性能更高；另一方面，針對分布隨機性較強的樣本，可以同時啟動判別器和分類器，判別器可以從無標籤樣本提取有用特徵生成樣本，使得生成樣本的分布與初始樣本的分布相同，從而避免人工添加標籤，節省添加標籤成本，提高分來效率。
附圖說明
[0036]
圖1為本發明實施例一提供的一種改進生成對抗網絡的天波雷達地海雜波半監督分類模型構建方法的方法步驟圖；
[0037]
圖2為本發明實施例一提供的一種改進生成對抗網絡的天波雷達地海雜波半監督分類模型示意圖；
[0038]
圖3為本發明實施例一提供的一種實時採集的天波雷達某波束全距離段的頻譜圖；
[0039]
圖4為本發明實施例一提供的一種從頻譜圖採樣得到的距離-方位單元海雜波樣本示意圖；
[0040]
圖5為本發明實施例一提供的一種從頻譜圖採樣得到的距離-方位單元地雜波樣本示意圖；
[0041]
圖6為本發明實施例一提供的一種從頻譜圖採樣得到的距離-方位單元地海交界雜波樣本示意圖。
具體實施方式
[0042]
下面結合附圖和具體實施方式對本發明進行詳細說明。
[0043]
本發明實施例一提供了一種改進生成對抗網絡的天波雷達地海雜波半監督分類模型構建方法，其特徵在於，包括：
[0044]
步驟s101:將地海雜波的訓練樣本輸入半監督分類模型進行訓練，訓練樣本包含有標籤樣本、無標籤樣本和生成樣本，半監督生成對抗網絡包括判別器和生成器；
[0045]
在一種實施例中，在訓練半監督分類模型前，首先建立訓練樣本集。需要說明的是為了在分類模型訓練結束後，採用測試樣本測試分類模型的分類性能，為此需要同時建立測試樣本集。
[0046]
具體地，地海雜波數據集來源為天波雷達目標或雜波的回波功率譜。天波雷達由發射機發出電磁波信號，並由電離層折射至地海表面，目標或雜波的回波信號沿原路返回至接收機形成地海雜波。從天波雷達地海雜波距離-都卜勒譜資料庫中篩選並標定符合項目要求的距離-方位單元地海雜波樣本，包括海雜波樣本、地雜波樣本和地海交界雜波樣本。符合項目要求所述的距離-方位單元海雜波樣本呈現為對稱於零頻的雙峰、地雜波樣本呈現為處於零頻附近的單峰、地海交界雜波樣本呈現為處於零頻附近的三峰。然後將所述地海雜波樣本劃分為訓練集和測試集兩部分；
[0047]
例如，海雜波、地雜波、地海交界雜波樣本總量各為1000，其中訓練樣本量為700(佔70％)，測試樣本量為300(佔30％)。訓練樣本將被隨機劃分為兩部分，其中一部分為少量有標籤樣本，其標籤信息有效；另一部分為大量無標籤樣本，其標籤信息可忽略。此外，測試樣本僅用於評估wl-ssgan的性能且不參與任何訓練過程，僅通過訓練樣本對半監督分類模型進行訓練。
[0048]
步驟s102:根據判別器的輸出有標籤樣本的信息熵計算判別器的第一對抗損失，第一對抗損失表徵判別器的全監督損失；
[0049]
步驟s103:根據判別器的輸出無標籤樣本的信息熵和生成樣本的信息熵計算判別器的第二對抗損失，第二對抗損失表徵判別器的半監督損失；
[0050]
在一種實施例中，當訓練樣本只包含有標籤樣本和無標籤樣本時，該模型由半監督生成對抗網絡ssgan構成，其中只有判別器起作用，其損失函數正則化形式由監督損失和半監督損失兩部分組成：
[0051]
l
ssgan
＝l
supervised
+l
unsupervised
，
[0052]
其中，第一對抗損失為全監督損失，其計算方式如下：
[0053][0054]
其中，pd為判別器輸出的有標籤樣本的信息熵，y為樣本標籤，k表示第k個樣本空間，x為樣本特徵，表示有標籤樣本的期望算子，l
supervised
為第一對抗損失。
[0055]
第二對抗損失為半監督損失，其計算方式如下：
[0056][0057]
其中，log[1-pd(y＝k+1|x)]為判別器輸出的無標籤樣本中第k+1個樣本空間中樣本特徵的信息熵，logpd(y＝k+1|x)為判別器輸出的生成樣本的第k+1個樣本空間中樣本特徵的信息熵，為無標籤樣本的期望算子，為生成標籤樣本的期望算子，l
unsupervised
為第二對抗損失。
[0058]
步驟s104:根據判別器中多層網絡中的生成樣本特徵和無標籤樣本特徵計算聯合特徵損失；
[0059]
在一種實施例中，可選地，根據判別器中多層網絡中的生成樣本特徵和無標籤樣本特徵計算聯合特徵損失包括：
[0060]
從判別器的預設層數的中間層網絡中提取出每層網絡中無標籤樣本特徵和生成
樣本特徵；
[0061]
求解每層網絡中無標籤樣本特徵與生成樣本特徵的歐式距離，得出每層網絡的特徵匹配損失；
[0062]
將每層網絡的特徵匹配損失進行加權求和，得到聯合特徵匹配損失。
[0063]
具體地，從判別器的中間網絡中篩選出預設層數的網絡集合，並從每層網絡中提取出無標籤樣本特徵與生成樣本特徵，根據計算每層網絡中無標籤樣本特徵與生成樣本特徵的歐式距離得出每層網絡的特徵匹配損失：
[0064][0065]
其中，為第l層生成樣本特徵的期望，為第l層無標籤樣本特徵的期望，為第l層網絡的特徵匹配損失。
[0066]
進一步，結合聯合生成樣本和無標籤樣本對應的通道數以及樣本特徵的長度
[0067]
進行聯合特徵匹配損失計算，計算方式如下：
[0068][0069]
其中，l
max
為表示判別器的中間層網絡的總和，l
mul
表示選取的預設層數，且ch
(l)
為第l層的樣本特徵對應的通道數，le
(l)
為樣本特徵的長度，為每層網絡的特徵匹配損失，為第l層生成樣本特徵的期望，為第l層無標籤樣本特徵的期望，l
fm
為聯合特徵匹配損失。
[0070]
步驟s105:對第二對抗損失與聯合特徵損失進行加權，生成生成器的加權損失；
[0071]
在一種實施例中，需要說明的是，當半監督模型中輸入的訓練樣本既包含有標籤樣本又包含無標籤樣本時，此時模型中的判別器和生成器均起作用，此時生成器的損失為加權損失，其具體計算方式如下：
[0072]
l
wl-ssgan
＝α(-l
unsupervised
)+βl
fm
，
[0073]
其中，α為第一常數，β為第二常數，l
fm
為聯合特徵匹配損失，l
wl-ssgan
為加權損失，l
unsupervised
為第二對抗損失。
[0074]
需要說明的是，其中的α和β可根據實際情況設定，且α+β＝1，α,β≥0。可以控制權重因子α和β的比重，以權衡對抗損失和特徵匹配損失對wl-ssgan訓練的貢獻程度。除此之外，還可以控制l
mul
對不同層作特徵加權，以衡量不同信號特徵組合對wl-ssgan分類性能的影響除此之外。在本實施例中為提升wl-ssgan模型的泛化能力，並不直接使用從單一層提取的信號特徵作為特徵匹配損失，而是將多層信號作特徵加權，得到聯合特徵匹配損失l
fm
，為了獲得更好的半監督分類性能。
[0075]
步驟s106:通過重複訓練半監督分類模型，基於第一對抗損失、第二對抗損失和加權損失更新判別器的分類權重，確定滿足預設分類精度的半監督分類模型。
[0076]
在一種實施例中，通過採用尋訓練樣本對半監督模型進行多次訓練，每次通過當前訓練時刻下的第一對抗損失、第二對抗損失和加權損失經過反向傳播，更新分類器的分
類權重，最終輸出分類類型和概率，指導分類器的分類精度滿足預設分類精度，得到最終的半監督分類模型。
[0077]
結合圖2，上述步驟s101-步驟s106的實現方式描述如下：
[0078]
第一到十組的訓練集樣本量分別如下所示：
[0079]
(1)有標籤樣本量為15。其中有標籤海雜波樣本量為5，有標籤地雜波樣本量為5，有標籤地海交界雜波樣本量為5。無標籤樣本量為2085。其中無標籤海雜波樣本量為695，無標籤地雜波樣本量為695，無標籤地海交界雜波樣本量為695；
[0080]
(2)有標籤樣本量為30。其中有標籤海雜波樣本量為10，有標籤地雜波樣本量為10，有標籤地海交界雜波樣本量為10。無標籤樣本量為2070。其中無標籤海雜波樣本量為690，無標籤地雜波樣本量為690，無標籤地海交界雜波樣本量為690；
[0081]
(3)有標籤樣本量為45。其中有標籤海雜波樣本量為15，有標籤地雜波樣本量為15，有標籤地海交界雜波樣本量為15。無標籤樣本量為2055。其中無標籤海雜波樣本量為685，無標籤地雜波樣本量為685，無標籤地海交界雜波樣本量為685；c
[0082]
(4)有標籤樣本量為60。其中有標籤海雜波樣本量為20，有標籤地雜波樣本量為20，有標籤地海交界雜波樣本量為20。無標籤樣本量為2040。其中無標籤海雜波樣本量為680，無標籤地雜波樣本量為680，無標籤地海交界雜波樣本量為680；
[0083]
(5)有標籤樣本量為75。其中有標籤海雜波樣本量為25，有標籤地雜波樣本量為25，有標籤地海交界雜波樣本量為25。無標籤樣本量為2025。其中無標籤海雜波樣本量為675，無標籤地雜波樣本量為675，無標籤地海交界雜波樣本量為675；
[0084]
(6)有標籤樣本量為90。其中有標籤海雜波樣本量為30，有標籤地雜波樣本量為30，有標籤地海交界雜波樣本量為30。無標籤樣本量為2010。其中無標籤海雜波樣本量為670，無標籤地雜波樣本量為670，無標籤地海交界雜波樣本量為670；
[0085]
(7)有標籤樣本量為105。其中有標籤海雜波樣本量為35，有標籤地雜波樣本量為35，有標籤地海交界雜波樣本量為35。無標籤樣本量為1995。其中無標籤海雜波樣本量為665，無標籤地雜波樣本量為665，無標籤地海交界雜波樣本量為665；
[0086]
(8)有標籤樣本量為120。其中有標籤海雜波樣本量為40，有標籤地雜波樣本量為40，有標籤地海交界雜波樣本量為40。無標籤樣本量為1980。其中無標籤海雜波樣本量為660，無標籤地雜波樣本量為660，無標籤地海交界雜波樣本量為660；
[0087]
(9)有標籤樣本量為135。其中有標籤海雜波樣本量為45，有標籤地雜波樣本量為45，有標籤地海交界雜波樣本量為45。無標籤樣本量為1965。其中無標籤海雜波樣本量為655，無標籤地雜波樣本量為655，無標籤地海交界雜波樣本量為655；
[0088]
(10)有標籤樣本量為150。其中有標籤海雜波樣本量為50，有標籤地雜波樣本量為50，有標籤地海交界雜波樣本量為50。無標籤樣本量為1950。其中無標籤海雜波樣本量為650，無標籤地雜波樣本量為650，無標籤地海交界雜波樣本量為650。
[0089]
當只有有標籤樣本作為半監督分類模型的輸入時，只有判別器工作，此時判別器的損失為第一對抗損失和第二對抗損失之和。
[0090]
此時，wl-ssgan的判別器損失ld為標準的ssgan損失：
[0091]
ld＝l
supervised
+l
unsupervised
，
[0092]
其中，l
supervised
為第一對抗損失，l
unsupervised
為第二對抗損失。
[0093]
當有有標籤樣本和無標籤樣本作為半監督分類模型的輸入時，判別器與生成器均工作，此時，通過在生成器中添加隨機噪聲從無標籤樣本中提取有用樣本特徵，輸出生成樣本，需要說明的是有標籤樣本通過人工標註獲得。
[0094]
此時，wl-ssgan的生成器損失為提出的加權損失l
wl-ssgan
：
[0095]
l
wl-ssgan
＝αl
adv
+βl
fm
＝α(-l
unsupervised
)+βl
fm
[0096]
其中，α+β＝1，α,β≥0。
[0097]
單層網絡的特徵匹配損失為：
[0098][0099]
則聯合特徵匹配損失函數如下：
[0100][0101]
為了便於理解l
wl-ssgan
，用d(x)取代l
unsupervis
中的1-pd(y＝k+1|x)，從而l
unsupervis
轉換為標準的gan損失形式：
[0102][0103]
進一步，l
wl-ssgan
能夠重寫為以下更詳細的表示：
[0104][0105]
基於建立好的同時包含少量有標籤樣本和大量無標籤樣本地海雜波訓練集，根據判別器損失部分ld和生成器損失部分l
supervised
交替更新構建好的基於改進生成對抗網絡的地海雜波半監督分類模型的參數，進行半監督學習。
[0106]
並根據測試集作為訓練好的地海雜波全監督分類模型的輸入，測試其分類性能。
[0107]
可選地，判別器的第一個卷積層的後面以及所有卷積層的後面均連結leakyrelu激活函數。
[0108]
在一種實施例中，判別器包含七個1維卷積層和兩個全連接層，其中所有的卷積核大小為4，步長為2。第一個卷積層的後面連接leakyrelu激活函數，所有卷積層的後面連接1維批歸一化和leakyrelu激活函數，第一個全連接層的後面連接leakyrelu激活函數。除此之外，所有的卷積層後面都連接殘差塊以及leakyrelu激活函數。判別器的輸入為1
×
512維的信號，輸出為3維分類結果。
[0109]
可選地，生成器的第一個卷積層的後面連接relu激活函數以及最後一個反卷積層的後面連結tanh激活函數。
[0110]
在一種實施例中，生成器包含八個1維反卷積層，其中所有的卷積核大小為4，第一層步長為1且其餘為2。前七個反卷積層的後面都連接1維批歸一化和relu激活函數，最後一個反卷積層的後面連接tanh激活函數。除此之外，前七個反卷積層後面都連接殘差塊以及relu激活函數。生成器的輸入為100維的高斯分布隨機噪聲，輸出為1
×
512的信號。
[0111]
基於本發明上述實施例一所示一種改進生成對抗網絡的天波雷達地海雜波半監督分類模型，進行wl-ssgan的半監督分類性能測試。
[0112]
在本實施例實驗中，用於訓練wl-ssgan模型的實驗環境及相應版本號為：system:
windows10(64-bit)、gpu:nvidiageforce rtx 3090、cuda:11.6、python:3.9.0(in anaconda 4.11.0)、torch:1.11.0、torchvision:0.12.0、numpy:1.22.3。
[0113]
用於訓練wl-ssgan的參數配置為：batch size:64、learning rate:0.0001、leakyrelu:0.2、adma optimizer:beta1-0.5,beta2-0.999、data normalization:-1～1、weight initialization。
[0114]
為了評估wl-ssgan的性能，記訓練集有標籤樣本的數量γ依次為：15,30,45,60,75,90,105,120,135,150，其餘為相應的無標籤樣本的數量。接下來，考慮有標籤樣本的數量γ、α和β的比重、l
mui
的選擇這三個因素對wl-ssgan分類性能的影響。與僅用少量有標籤樣本訓練的wl-ssgan全監督分類器作了對比。
[0115]
首先，假定判別器的所有中間層對生成器的損失都有貢獻，即l
mui
＝{1,2,3,4,5,6,7}，以此固定聯合特徵匹配損失函數，衡量α和β的不同比重對wl-ssgan分類性能的影響。實驗結果由表1所示。其中base表示僅用少量有標籤樣本訓練的wl-ssgan全監督分類器的分類精度。
[0116]
表1α與β不同取值下wl-ssgan的分類精度
[0117][0118]
由表1可以得到如下結論：(1)wl-ssgan的分類性能全部高於全監督分類器的分類性能，這表明該模型通過增加生成器能夠從大量無標籤樣本中提取到與地海雜波分類相關的潛在特徵。因此，wl-ssgan能夠提升僅有少量有標籤樣本時全監督模型的分類性能。(2)隨著地海雜波樣本量γ的減小，wl-ssgan分類性能的提升效果越明顯。這是由於當訓練樣本量較少的時候，全監督分類器容易陷入過擬合。(3)當聯合特徵匹配損失l
fm
的層數l
mul
固定時，α和β的不同比重對分類精度顯然是有影響的，並且僅利用對抗損失l
adv
或聯合特徵匹配損失l
fm
，即(α,β)＝(1.0,0.0)或(α,β)＝(0.0,1.0)時得到的分類精度並不是最高的。因此，提出的加權損失函數l
wl-ssgan
優於l
adv
和l
fm
。
[0119]
其次，假定對抗損失和聯合特徵匹配損失對生成器的損失具有相同的貢獻，即(α,β)＝(0.5,0.5)。以此固定對抗損失和特徵匹配損失對wl-ssgan的貢獻，衡量l
mul
的不同選擇對wl-ssgan分類性能的影響。實驗結果由表2所示。
[0120]
表2l
mul
不同取值下wl-ssgan的分類精度
[0121][0122]
由表2可以得到如下結論：當對抗損失l
adv
和聯合特徵匹配損失l
fm
的貢獻α和β固定時，l
mul
的選擇對分類精度顯然是有影響的，並且利用僅包含單層的特徵匹配損失或包含所有層的聯合特徵匹配損失，即l
mul
＝{1}或l
mul
＝{1-7}時得到的分類精度並不是最高的。這表明：(1)提出的聯合特徵匹配損失l
fm
優於傳統的特徵匹配損失(2)並不是聯合判別器所有中間層特徵才能提供最佳的半監督分類性能。相反，一些層提取的特徵可能會抑制分類性能。因此，最優分類性能依賴於合適的層數組合。因此，提出的wl-ssgan能夠實現地海雜波半監督分類，並且提出的加權損失優於對抗損失和特徵匹配損失。
[0123]
如圖3所示，可以看出地海雜波樣本為天波雷達回波信號，其數據分布具有很強的隨機性，從而，使用標準的對抗損失訓練ssgan的生成器極其困難。相反，本發明提出的改進生成對抗網絡的地海雜波半監督分類方法wl-ssgan能夠利用這種隨機性使得特徵匹配損失能夠捕獲到多樣化的樣本特徵，如圖4-圖6所示，在一定程度上緩解了生成器的模式奔潰以及判別器的過擬合。因此，將半監督生成對抗網絡ssgan判別器的中間層作特徵加權，提出聯合特徵匹配損失。進一步，將標準的對抗損失與聯合特徵匹配損失作線性加權，提出wl-ssgan加權損失。實現地海雜波樣本半監督分類，並且提出的加權損失優於單獨的對抗損失或特徵匹配損失。