本發(fā)明涉及雷達信號處理，尤其涉及一種基于擴散模型的雷達傳感器數(shù)據(jù)合成方法及系統(tǒng)。

背景技術(shù)：

1、雷達傳感器在現(xiàn)代技術(shù)中扮演著關(guān)鍵角色，特別是在自動駕駛、智能交通系統(tǒng)和無人機導航等領(lǐng)域。雷達傳感器通過發(fā)射電磁波并接收反射波來測量物體的距離、速度和角度。與其他傳感器相比，雷達具有在各種天氣條件和光照環(huán)境下工作的能力，使其在實際應(yīng)用中廣受青睞。然而，獲取大量高質(zhì)量的雷達傳感器數(shù)據(jù)以訓練和測試各種智能系統(tǒng)是一項耗時且昂貴的任務(wù)，這限制了許多應(yīng)用的推廣和優(yōu)化。

2、在自動駕駛領(lǐng)域，雷達傳感器用于檢測周圍環(huán)境中的車輛、行人、障礙物等。這些數(shù)據(jù)與攝像頭和激光雷達的數(shù)據(jù)相結(jié)合，可以提供車輛的360度視野，幫助實現(xiàn)路徑規(guī)劃、避障和車道保持等功能。然而，實際道路環(huán)境的數(shù)據(jù)采集需要大量的人力和物力，并且在不同天氣和路況下的數(shù)據(jù)獲取尤為困難。此外，為了捕捉足夠多的環(huán)境變化和復雜場景，必須在各種條件下進行大量的數(shù)據(jù)采集，這進一步增加了成本和復雜性。

3、智能交通系統(tǒng)依賴于大量的傳感器數(shù)據(jù)來監(jiān)控和管理交通流量，優(yōu)化交通信號控制，并提供實時的交通信息服務(wù)。雷達傳感器在這些應(yīng)用中有明顯的優(yōu)勢，能夠在惡劣天氣條件下正常工作。然而，要覆蓋廣泛的交通網(wǎng)絡(luò)，需要部署大量的雷達傳感器，這不僅成本高昂，而且維護復雜。因此，如何有效地獲取和利用高質(zhì)量的雷達數(shù)據(jù)成為了一個亟待解決的問題。

4、無人機導航是另一個高度依賴雷達數(shù)據(jù)的領(lǐng)域。在執(zhí)行任務(wù)時，如物流配送、環(huán)境監(jiān)測和災害救援等，無人機需要依靠雷達數(shù)據(jù)進行導航和避障。無人機操作環(huán)境多變，包括城市、高山、森林等復雜地形。為了確保無人機在各種環(huán)境中安全可靠地運行，需要大量高質(zhì)量的雷達數(shù)據(jù)進行訓練和測試。然而，實地采集這些數(shù)據(jù)面臨技術(shù)和操作上的諸多挑戰(zhàn)，如環(huán)境的多樣性和不確定性，造成雷達數(shù)據(jù)中存在的缺失、不完整、噪聲、稀疏性等問題，使得雷達數(shù)據(jù)的質(zhì)量不高。

技術(shù)實現(xiàn)思路

1、基于背景技術(shù)存在的技術(shù)問題，本發(fā)明提出了一種基于擴散模型的雷達傳感器數(shù)據(jù)合成方法及系統(tǒng)，具有較高的計算效率和生成穩(wěn)定性，能夠在多種復雜環(huán)境下生成逼真的雷達數(shù)據(jù)，為智能系統(tǒng)提供可靠的數(shù)據(jù)支持。

2、本發(fā)明提出的一種基于擴散模型的雷達傳感器數(shù)據(jù)合成方法，將真實圖片輸入到生成對抗網(wǎng)絡(luò)中，以輸出高質(zhì)量的合成雷達數(shù)據(jù)；

3、所述生成對抗網(wǎng)絡(luò)的訓練如下：

4、步驟一、獲取真實圖片以及真實圖片對應(yīng)的真實雷達數(shù)據(jù)，以構(gòu)建訓練數(shù)據(jù)集；

5、步驟二、利用編碼器對真實圖片進行線性嵌入以及位置信息編碼，得到高維特征向量，通過卷積神經(jīng)網(wǎng)絡(luò)提取高維特征向量的局部特征，并結(jié)合注意力機制捕捉高維特征向量的全局特征，以將高維特征向量映射到語義向量；

6、步驟三、對真實雷達數(shù)據(jù)進行正向擴散處理，逐步加入標準高斯噪聲，直至真實雷達數(shù)據(jù)演化為純噪聲，并記錄每一步加入標準高斯噪聲時的狀態(tài)數(shù)據(jù)；

7、步驟四、將語義向量和每一步加入標準高斯噪聲時的狀態(tài)數(shù)據(jù)輸入到生成器的解碼器中，解碼器在真實圖片條件的引導下從語義向量和每一步加入標準高斯噪聲時的狀態(tài)數(shù)據(jù)中生成合成雷達數(shù)據(jù)；

8、步驟五、將真實雷達數(shù)據(jù)和合成雷達數(shù)據(jù)輸入到判別器中，基于所生成的真實雷達特征向量和預測雷達特征向量，結(jié)合kl散度構(gòu)建損失函數(shù)，以對生成對抗網(wǎng)絡(luò)的可訓練參數(shù)進行優(yōu)化。

9、進一步地，在步驟二中，利用編碼器對真實圖片進行線性嵌入以及位置信息編碼，得到高維特征向量，具體為：

10、通過視覺傳感器獲取真實圖片，將真實圖像分割為固定大小的圖像塊，每個圖像塊經(jīng)過線性嵌入后轉(zhuǎn)換為線性嵌入的特征向量；

11、對每個圖像塊添加位置信息，使用余弦函數(shù)生成一組位置編碼；

12、將位置編碼與線性嵌入的特征向量相加得到高維特征向量。

13、進一步地，在步驟三中，對真實雷達數(shù)據(jù)進行正向擴散處理，逐步加入標準高斯噪聲，直至真實雷達數(shù)據(jù)演化為純噪聲，具體為：

14、利用擴散模型的前向擴散過程，對真實雷達數(shù)據(jù)進行0至步加標準高斯噪聲處理，得到加噪數(shù)據(jù)組，為第步加標準高斯噪聲得到的加噪數(shù)據(jù)，近似服從均值為0、協(xié)方差矩陣為單位矩陣的多變量高斯噪聲分布，并作為真實雷達數(shù)據(jù)演化為的純噪聲。

15、進一步地，純噪聲的生成公式如下：

16、；

17、；

18、；

19、其中，為累積的噪聲縮放因子，表示從第1步到第步的噪聲影響的累計，為第步的噪聲縮放因子，第步的噪聲因子，表示第步加標準高斯噪聲的索引。

20、進一步地，在步驟四中，解碼器是一個條件擴散模型，由攜帶真實圖片特征的語義向量引導，預測噪聲定義為：

21、；

22、其中，為正向擴散過程中第步加入標準高斯噪聲時的狀態(tài)數(shù)據(jù)，為生成器的可學習參數(shù)，為語義向量，表示條件擴散模型根據(jù)當前狀態(tài)數(shù)據(jù)和語義向量來預測噪聲的輸出，表示對當前狀態(tài)數(shù)據(jù)的梯度，表示條件擴散模型的分布，為從第步到第步累積的噪聲縮放因子；

23、合成雷達數(shù)據(jù)的生成公式為：

24、；

25、；

26、其中，為合成雷達數(shù)據(jù)。

27、進一步地，在步驟五中，損失函數(shù)具體如下：

28、

29、其中，是特征向量維度，和分別是第個真實雷達特征向量和第個預測雷達特征向量，表示超參數(shù)，表示在條件訓練步和第步加入標準高斯噪聲時的狀態(tài)數(shù)據(jù)下的期望，表示條件擴散模型的分布，表真實圖片特征的分布，表示kl散度。

30、一種基于擴散模型的雷達傳感器數(shù)據(jù)合成系統(tǒng)，將真實圖片輸入到生成對抗網(wǎng)絡(luò)中，以輸出高質(zhì)量的合成雷達數(shù)據(jù)；

31、所述生成對抗網(wǎng)絡(luò)的訓練如下：

32、步驟一、獲取真實圖片以及真實圖片對應(yīng)的真實雷達數(shù)據(jù)，以構(gòu)建訓練數(shù)據(jù)集；

33、步驟二、利用編碼器對真實圖片進行線性嵌入以及位置信息編碼，得到高維特征向量，通過卷積神經(jīng)網(wǎng)絡(luò)提取高維特征向量的局部特征，并結(jié)合注意力機制捕捉高維特征向量的全局特征，以將高維特征向量映射到語義向量；

34、步驟三、對真實雷達數(shù)據(jù)進行正向擴散處理，逐步加入標準高斯噪聲，直至真實雷達數(shù)據(jù)演化為純噪聲，并記錄每一步加入標準高斯噪聲時的狀態(tài)數(shù)據(jù)；

35、步驟四、將語義向量和每一步加入標準高斯噪聲時的狀態(tài)數(shù)據(jù)輸入到生成器的解碼器中，解碼器在真實圖片條件的引導下從語義向量和每一步加入標準高斯噪聲時的狀態(tài)數(shù)據(jù)中生成合成雷達數(shù)據(jù)；

36、步驟五、將真實雷達數(shù)據(jù)和合成雷達數(shù)據(jù)輸入到判別器中，基于所生成的真實雷達特征向量和預測雷達特征向量，結(jié)合kl散度構(gòu)建損失函數(shù)，以對生成對抗網(wǎng)絡(luò)的可訓練參數(shù)進行優(yōu)化。

37、本發(fā)明提供的一種基于擴散模型的雷達傳感器數(shù)據(jù)合成方法及系統(tǒng)的優(yōu)點在于：旨在解決雷達數(shù)據(jù)中存在的缺失、不完整、噪聲、稀疏性等問題，并提高數(shù)據(jù)合成的實時性和有效性；通過編碼器提取真實圖片特征，結(jié)合正向擴散和反向去噪過程，生成高真實性的雷達數(shù)據(jù)，并通過判別器優(yōu)化生成模型。該方法不僅提高了生成數(shù)據(jù)的真實性和多樣性，還在計算效率和生成穩(wěn)定性方面表現(xiàn)出色。具有廣泛的應(yīng)用前景，特別是在自動駕駛、智能交通系統(tǒng)和無人機導航等領(lǐng)域，能夠顯著提升系統(tǒng)的環(huán)境感知能力和操作安全性。