目标RCS数据的重构方法、装置、电子设备及存储介质与流程

目标rcs数据的重构方法、装置、电子设备及存储介质
技术领域
1.本发明涉及目标电磁计算技术领域，特别涉及一种目标rcs数据的重构方法、装置、电子设备及存储介质。


背景技术：

2.雷达散射截面(radar cross section，rcs)是描述雷达目标电磁散射特性的重要参数，其在雷达系统设计等领域具有重要意义。
3.相关技术中，已经出现基于训练样本目标的特征参数和rcs数据对神经网络模型进行训练，然后利用训练好的网络模型重构待测目标rcs数据的方法。但相关方法中训练样本目标的选取缺乏统一标准，导致利用该训练样本目标的rcs数据训练出的网络模型不易收敛且训练出来的网络模型质量较差，因此，利用该网络模型重构出的rcs数据质量不高。
4.因此，目前亟待需要一种目标rcs数据的重构方法、装置、电子设备及存储介质来解决上述问题。


技术实现要素：

5.基于上述问题，本发明提供了一种目标rcs数据的重构方法、装置、电子设备及存储介质，重构出的目标rcs数据质量较高。
6.第一方面，本发明实施例提供了一种目标rcs数据的重构方法，包括：
7.获取待测目标的特征参数；其中，所述特征参数包括几何参数和极化方式；
8.将随机噪声和所述待测目标的特征参数输入预先训练好的rcs重构模型中，得到所述待测目标的rcs数据；其中，所述rcs重构模型是基于训练样本目标的特征参数和rcs数据对信息最大化生成对抗网络进行训练得到的，所述训练样本目标是对基准目标进行电磁散射机理分析得到的，所述随机噪声为预设范围内的估计值。
9.在一种可能的设计中，对基准目标进行电磁散射机理分析，得到所述训练样本目标的方法为：
10.利用射线弹跳追踪法确定所述基准目标中的不同散射结构；
11.针对每一个散射结构，均执行：对当前散射结构的几何尺寸进行参数化处理并进行电磁散射计算，得到当前散射结构的rcs数据；
12.对每个所述散射结构的rcs数据的贡献度进行排序，将贡献度最大的预设个数的散射结构作为关键散射结构；
13.改变所述关键散射结构的几何参数，得到多个不同尺寸的训练样本目标。
14.在一种可能的设计中，所述利用射线弹跳追踪法确定所述基准目标中的不同散射结构，包括：
15.将所述基准目标的几何模型划分为若干个网格子区，其中，每个所述网格子区对应所述基准目标中的一个曲面；
16.针对每一个所述网格子区，均利用sbr算法追踪当前网格子区中的每一根射线，得
到所有射线的路径和电磁场，以确定各个网格子区之间的耦合关系；
17.根据所述耦合关系，将各个网格子区与其产生关系的射线进行关联，得到射线子集；
18.根据所述射线子集与每个所述网格子区的归属关系，确定所述基准目标中的不同散射结构。
19.在一种可能的设计中，所述训练样本目标的rcs数据是对所述训练样本目标的几何模型进行网格剖分以及高频电磁建模计算得到的。
20.在一种可能的设计中，所述信息最大化生成对抗网络包括生成网络、真伪判别网络和类别判别网络；
21.所述生成网络的输入为随机噪声和目标的特征参数，输出为所述目标的伪rcs数据；
22.所述真伪判别网络的输入为所述伪rcs数据和目标的真实rcs数据，输出为输入的数据为真或假；其中，真代表输入的数据为真实rcs数据，假代表输入的数据为伪rcs数据；
23.所述类别判别网络的输入为所述伪rcs数据或目标的真实rcs数据，输出为与所述生成网络输入的特征参数相关的第一特征参数，所述第一特征参数用于指导所述生成网络生成预设的rcs数据。
24.在一种可能的设计中，所述信息最大化生成对抗网络的目标函数为：
[0025][0026]
其中，
[0027]
i(c,g(z,c))＝h(c)-h(c|g(z,c))；
[0028]
mse(c1,q
c1
)＝e[k(c-q
c1
)
t
(c-q
c1
)k
t
]；
[0029]
loss(c2,q
c2
)＝e[-c2*log(q
c2
)-(1-c2)*log(1-q
c2
)]；
[0030]
式中，g表示所述生成网络，d表示所述真伪判别网络，q表示所述类别判别网络，i表示互信息，mse表示加权均方误差，loss表示二分类交叉熵损失函数，v表示生成对抗网络的原始目标函数，v1表示所述信息最大化生成对抗网络的目标函数，h表示信息熵，e表示期望，t表示转置矩阵，λ和k为可调整权重，c表示特征参数，c1表示几何参数，c2表示极化方式，z表示随机噪声，q
c1
表示与c1相关的几何参数，q
c2
表示与c2相关的极化方式。
[0031]
在一种可能的设计中，基于训练样本目标的特征参数和rcs数据对信息最大化生成对抗网络进行训练，包括：
[0032]
固定所述生成网络的模型参数，利用所述训练样本目标的rcs数据和所述生成网络生成的伪rcs数据对所述真伪判别网络和所述类别判别网络进行训练；
[0033]
在所述真伪判别网络和所述类别判别网络训练完成后，固定所述真伪判别网络和所述类别判别网络的模型参数，对所述生成网络进行训练，直至所述真伪判别网络无法判别所述生成网络生成数据的真假。
[0034]
第二方面，本发明实施例还提供了一种目标rcs数据的重构装置，包括：
[0035]
获取模块，用于获取待测目标的特征参数；其中，所述特征参数包括几何参数和极化方式；
[0036]
输入模块，用于将随机噪声和所述待测目标的特征参数输入预先训练好的rcs重
构模型中，得到所述待测目标的rcs数据；其中，所述rcs重构模型是基于训练样本目标的特征参数和rcs数据对信息最大化生成对抗网络进行训练得到的，所述训练样本目标是对基准目标进行电磁散射机理分析得到的，所述随机噪声为预设范围内的估计值。
[0037]
第三方面，本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的方法。
[0038]
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。
[0039]
本发明实施例中，由于训练样本目标是基于对基准目标进行电磁散射机理分析得到的，因此训练样本目标的几何模型更加准确全面，由此获得的训练样本目标的rcs数据也更加准确全面地表征目标的电磁散射特性，进而利用该训练样本目标的rcs数据训练出的rcs重构模型质量也更好，进而利用该模型可以重构出质量较高的rcs数据。也就是说，本发明方法重构出的目标rcs数据质量较高。
附图说明
[0040]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0041]
图1是本发明一实施例提供的一种目标rcs数据的重构方法流程图；
[0042]
图2是本发明一实施例提供的基准目标的几何模型示意图；
[0043]
图3是本发明一实施例提供的信息最大化生成对抗网络的结构示意图；
[0044]
图4是本发明一实施例提供的a＝306时利用本发明方法重构出的rcs数据与真实rcs数据的对比图；
[0045]
图5是本发明一实施例提供的a＝333时利用本发明方法重构出的rcs数据与真实rcs数据的对比图；
[0046]
图6是本发明一实施例提供的a＝387时利用本发明方法重构出的rcs数据与真实rcs数据的对比图；
[0047]
图7是本发明一实施例提供的a＝414时利用本发明方法重构出的rcs数据与真实rcs数据的对比图；
[0048]
图8是本发明一实施例提供的a＝306、d＝0.043841时，利用本发明方法得到的累计分布概率密度函数与真实累计分布概率密度函数的对比图；
[0049]
图9是本发明一实施例提供的a＝333、d＝0.073098时，利用本发明方法得到的累计分布概率密度函数与真实累计分布概率密度函数的对比图；
[0050]
图10是本发明一实施例提供的a＝387、d＝0.081865时，利用本发明方法得到的累计分布概率密度函数与真实累计分布概率密度函数的对比图；
[0051]
图11是本发明一实施例提供的a＝414、d＝0.038246时，利用本发明方法得到的累计分布概率密度函数与真实累计分布概率密度函数的对比图；
[0052]
图12是本发明一实施例提供的a＝306，每10
°
一个角域进行平均，利用本发明方法重构出的rcs的均值和方差与真实rcs的均值和方差的对比图；
[0053]
图13是本发明一实施例提供的a＝333，每10
°
一个角域进行平均，利用本发明方法重构出的rcs的均值和方差与真实rcs的均值和方差的对比图；
[0054]
图14是本发明一实施例提供的a＝387，每10
°
一个角域进行平均，利用本发明方法重构出的rcs的均值和方差与真实rcs的均值和方差的对比图；
[0055]
图15是本发明一实施例提供的a＝414，每10
°
一个角域进行平均，利用本发明方法重构出的rcs的均值和方差与真实rcs的均值和方差的对比图；
[0056]
图16是本发明一实施例提供的一种电子设备的硬件架构图；
[0057]
图17是本发明一实施例提供的一种目标rcs数据的重构装置结构图。
具体实施方式
[0058]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0059]
请参考图1，本发明实施例提供了一种目标rcs数据的重构方法，该方法包括：
[0060]
步骤100，获取待测目标的特征参数；其中，特征参数包括几何参数和极化方式；
[0061]
步骤102，将随机噪声和待测目标的特征参数输入预先训练好的rcs重构模型中，得到待测目标的rcs数据；其中，rcs重构模型是基于训练样本目标的特征参数和rcs数据对信息最大化生成对抗网络进行训练得到的，训练样本目标是对基准目标进行电磁散射机理分析得到的，随机噪声为预设范围内的估计值。
[0062]
本发明实施例中，由于训练样本目标是基于对基准目标进行电磁散射机理分析得到的，因此训练样本目标的几何模型更加准确全面，由此获得的训练样本目标的rcs数据也更加准确全面地表征目标的电磁散射特性，进而利用该训练样本目标的rcs数据训练出的rcs重构模型质量也更好，进而利用该模型可以重构出质量较高的rcs数据。也就是说，本发明方法重构出的目标rcs数据质量较高。
[0063]
此外，在该实施例中，如图2所示，该基准目标是由多个立方体和圆柱体组合而成的slicy目标，slicy目标作为目标散射机制的测试基准，包含了基本的散射体类型，有利于进行电磁散射特性计算。从图中可以看出，该基准目标包括圆柱、二面角、三面角、帽顶。当然，基准目标也可以是由其它几何体组成，本技术不做具体限定。
[0064]
在一些实施方式中，对基准目标进行电磁散射机理分析，得到训练样本目标的方法为：
[0065]
利用射线弹跳追踪法确定基准目标中的不同散射结构；
[0066]
针对每一个散射结构，均执行：对当前散射结构的几何尺寸进行参数化处理并进行电磁散射计算，得到当前散射结构的rcs数据；
[0067]
对每个散射结构的rcs数据的贡献度进行排序，将贡献度最大的预设个数的散射结构作为关键散射结构；
[0068]
改变关键散射结构的几何参数，得到多个不同尺寸的训练样本目标。
[0069]
在该实施例中，散射结构包括二面角、三面角、圆柱、顶帽和腔体等，由于不同散射结构的电磁散射机理不同，因此需要根据散射结构类型的不同，分别对每个散射结构进行电磁散射计算，进而准确得出每个散射结构的rcs数据。然后，根据rcs数据的大小，确定出关键散射结构。最后，只要改变这些关键散射结构的几何参数，就可以得到多个几何模型，即多个训练样本目标，且每个训练样本目标的散射结构均较为精细准确。
[0070]
最后，对每个训练样本目标的几何模型进行网格剖分以及高频电磁建模计算，即可得到每个训练样本目标的rcs数据，并将计算出的rcs数据作为训练样本目标的真实rcs数据，用于后续的模型训练。由于训练样本目标的几何模型较为准确全面，因此其rcs数据集的质量较高，利用该数据可以训练出质量更高的rcs重构模型
[0071]
在一些实施方式中，利用射线弹跳追踪法确定基准目标中的不同散射结构，包括：
[0072]
将基准目标的几何模型划分为若干个网格子区，其中，每个网格子区对应基准目标中的一个曲面；
[0073]
针对每一个网格子区，均利用sbr算法追踪当前网格子区中的每一根射线，得到所有射线的路径和电磁场，以确定各个网格子区之间的耦合关系；
[0074]
根据耦合关系，将各个网格子区与其产生关系的射线进行关联，得到射线子集；
[0075]
根据射线子集与每个网格子区的归属关系，确定基准目标中的不同散射结构。
[0076]
在该实施例中，一个曲面对应一个网格子区，根据曲面个数进行网格划分后，可以对每个网格子区进行编号，以利于后续的射线追踪计算。利用sbr算法对每根射线的传输、反射、绕射等进行追踪，直至其脱离目标区，根据对每根射线的追踪结果，可以得到各个网格子区的耦合关系，将各个网格子区与其产生关系的射线进行关联，得到射线子集，根据其与网格子区的归属关系确定不同的散射结构。该实施例中，利用射线弹跳追踪法确定出的散射结构精确度较高。
[0077]
在一些实施方式中，如图3所示，信息最大化生成对抗网络包括生成网络、真伪判别网络和类别判别网络；
[0078]
生成网络的输入为随机噪声和目标的特征参数，输出为目标的伪rcs数据；
[0079]
真伪判别网络的输入为伪rcs数据和目标的真实rcs数据，输出为输入的数据为真或假；其中，真代表输入的数据为真实rcs数据，假代表输入的数据为伪rcs数据；
[0080]
类别判别网络的输入为伪rcs数据或目标的真实rcs数据，输出为与生成网络输入的特征参数相关的第一特征参数，第一特征参数用于指导生成网络生成预设的rcs数据。
[0081]
在该实例中，真伪判别网络和类别判别网络共享前面的网络参数，只在最后一层输出的全连接层有所区别，采用全连接层可以保证数据特征不丢失。此外，激活函数选择leakyrelu函数，能够在保证特征空间的非线性映射的同时，保证数据特征的完整；又由于全连接层的数据量一般较大，为防止网络模型拟合，提高网络的稳定性和泛化能力，本发明在网络模型中加入了dropout()层和batchnormalization层。在训练过程中，目标函数中的可调参数k需要根据训练结果进行调整。
[0082]
在一些实施方式中，信息最大化生成对抗网络的目标函数为：
[0083][0084]
其中，
[0085]
i(c,g(z,c))＝h(c)-h(c|g(z,c))；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0086]
mse(c1,q
c1
)＝e[k(c-q
c1
)
t
(c-q
c1
)k
t
]；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0087]
loss(c2,q
c2
)＝e[-c2*log(q
c2
)-(1-c2)*log(1-q
c2
)]；
ꢀꢀꢀꢀꢀ
(5)
[0088]
式中，g表示生成网络，d表示真伪判别网络，q表示类别判别网络，i表示互信息，mse表示加权均方误差，loss表示二分类交叉熵损失函数，v表示生成对抗网络的原始目标函数，v1表示信息最大化生成对抗网络的目标函数，h表示信息熵，e表示期望，t表示转置矩阵，λ和k为可调整权重，c表示特征参数，c1表示几何参数，c2表示极化方式，z表示随机噪声，q
c1
表示与c1相关的几何参数，q
c2
表示与c2相关的极化方式。
[0089]
在该实施例中，式(3)为c和g(z,c)的互信息，能够度量c和g(z,c)的相关性，当他们相互独立时，i(c,g(z,c))＝0；当他们之间能够由一个确定时，可逆的函数联系起来，可以得到最大的互信息量。式(4)为c1和q
c1
的加权均方误差(mse)，式(5)为c2和q
c2
的二分类交叉熵损失函数，将式(4)和(5)引入到目标函数中有助于提高在相同的隐变量c的情况下生成数据g(z,c)与训练样本数据的相似性。在目标函数中加入互信息、加权均方误差和二分类交叉熵损失函数，可以确保潜变量c在生成过程中不被丢失，从而可以通过潜变量c对生成器g生成的生成数据g(z,c)进行控制。
[0090]
此外，几何参数包括目标的长、宽、高、半径等，可以根据几何模型的具体结构确定，极化方式包括水平极化和垂直极化等。另外，目标的特征参数也称为潜变量，并将该潜变量作为网络标签。
[0091]
在一些实施方式中，基于训练样本目标的特征参数和rcs数据对信息最大化生成对抗网络进行训练，包括：
[0092]
固定生成网络的模型参数，利用训练样本目标的rcs数据和生成网络生成的伪rcs数据对真伪判别网络和类别判别网络进行训练；
[0093]
在真伪判别网络和类别判别网络训练完成后，固定真伪判别网络和类别判别网络的模型参数，对生成网络进行训练，直至真伪判别网络无法判别生成网络生成数据的真假。
[0094]
在该实施例中，训练的最终结果是生成网络g生成的数据g(z,c1,c2)与真实数据x相似，而判别网络d尽可能的将生成数据g(z,c1,c2)从数真实数据中区分出来。这样，g和d就构成了一个动态的“博弈过程”，最终达到的理想结果是生成的数据g(z,c1,c2)与真实数据x接近，使得d无法区分它们。然后在潜变量c1，c2的指导下，生成网络生成所需的指定数据。最后，将训练得到的生成网络作为rcs重构模型。
[0095]
下面以图2所示的目标为研究对象，说明本发明方法的有益效果：
[0096]
首先对图2所示的目标进行网格剖分并编号(图中只示出了部分编号，实际每个曲面都有相应的编号)，然后对每个网格子区进行电磁散射机理分析，得到目标的不同散射结构。最后对每个散射结构分别进行电磁计算，得到每个散射结构的方位向rcs峰值，将rcs值最大的10个散射结构的各参数进行汇总，汇总数据如表1所示：
[0097]
表中，a表示长方体的长度，b表示长方体的宽度，h表示长方体的高度度，h2表示右侧圆柱的高度，l表示三面角的高度，r表示圆柱的半径。从表中可以看出，长方体的长度a是对rcs影响最大的几何参数。
[0098]
表1按照方位向峰值rcs大小排序的top10部件的网格子区编号与散射结构类型
[0099][0100]
下面通过改变长度a，对本发明方法重构出的rcs数据与真实数据的分布一致性、累计分布概率密度函数以及均值和方差进行比较，结论如下：
[0101]
(1)本发明方法重构出的rcs数据与真实数据的分布一致性
[0102]
如图4～7所示，为只改变长方体长度a，其它参数不变，利用本发明方法重构出的rcs数据与真实rcs数据的对比图，从图中可以看出，本发明方法生成的rcs走势和分布与真实rcs数据具有较好的一致性。
[0103]
(2)本发明方法得到的累计分布概率密度函数与真实累计分布概率密度函数的一致性分析。
[0104]
如图8～11所示，保持长方体长度a不变，只改变对rcs值影响较小的圆柱体直径d，将这些数据进行ks检验，从图中可以看出，不同直径下的ks距离都小于0.1，即生成数据和样本数据来自同一个分布。
[0105]
(3)利用本发明方法重构出的rcs的均值和方差与真实rcs的均值和方差的一致性
[0106]
如图12～15所示，为将真实数据和生成数据按10度一个角域进行平均，在保持影响最大的参数a不变时，计算得到的数据的均值和方差的对比图，从图中可以看出，生成数据和真实数据具有相似的均值和方差，具有较好的一致性。生成数据的角域均值g
adata
与真实样本数据p
adata
的差的绝对值小于2db的概率等于95.56％，即(p{|g
adata-p
adata
|《2db}＝95.56％，具有非常好的置信度。
[0107]
如图16、图17所示，本发明实施例提供了一种目标rcs数据的重构装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图16所示，为本发明实施例提供的一种目标rcs数据的重构装置所在电子设备的一种硬件架构图，除了图16所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为
例，如图17所示，作为一个逻辑意义上的装置，是通过其所在电子设备的cpu将非易失性存储器中对应的计算机程序读取到内存中运行形成的。本实施例提供的一种目标rcs数据的重构装置，包括：
[0108]
获取模块1700，用于获取待测目标的特征参数；其中，特征参数包括几何参数和极化方式；
[0109]
输入模块1702，用于将随机噪声和待测目标的特征参数输入预先训练好的rcs重构模型中，得到待测目标的rcs数据；其中，rcs重构模型是基于训练样本目标的特征参数和rcs数据对信息最大化生成对抗网络进行训练得到的，训练样本目标是对基准目标进行电磁散射机理分析得到的，随机噪声为预设范围内的估计值。
[0110]
在本发明实施例中，获取模块1700可用于执行上述方法实施例中的步骤100，输入模块1702可用于执行上述方法实施例中的步骤102。
[0111]
在一些实施方式中，对基准目标进行电磁散射机理分析，得到训练样本目标的方法为：
[0112]
利用射线弹跳追踪法确定基准目标中的不同散射结构；
[0113]
针对每一个散射结构，均执行：对当前散射结构的几何尺寸进行参数化处理并进行电磁散射计算，得到当前散射结构的rcs数据；
[0114]
对每个散射结构的rcs数据的贡献度进行排序，将贡献度最大的预设个数的散射结构作为关键散射结构；
[0115]
改变关键散射结构的几何参数，得到多个不同尺寸的训练样本目标。
[0116]
在一些实施方式中，利用射线弹跳追踪法确定基准目标中的不同散射结构，包括：
[0117]
将基准目标的几何模型划分为若干个网格子区，其中，每个网格子区对应基准目标中的一个曲面；
[0118]
针对每一个网格子区，均利用sbr算法追踪当前网格子区中的每一根射线，得到所有射线的路径和电磁场，以确定各个网格子区之间的耦合关系；
[0119]
根据耦合关系，将各个网格子区与其产生关系的射线进行关联，得到射线子集；
[0120]
根据射线子集与每个网格子区的归属关系，确定基准目标中的不同散射结构。
[0121]
在一些实施方式中，训练样本目标的rcs数据是对训练样本目标的几何模型进行网格剖分以及高频电磁建模计算得到的。
[0122]
在一些实施方式中，信息最大化生成对抗网络包括生成网络、真伪判别网络和类别判别网络；
[0123]
生成网络的输入为随机噪声和目标的特征参数，输出为目标的伪rcs数据；
[0124]
真伪判别网络的输入为伪rcs数据和目标的真实rcs数据，输出为输入的数据为真或假；其中，真代表输入的数据为真实rcs数据，假代表输入的数据为伪rcs数据；
[0125]
类别判别网络的输入为伪rcs数据或目标的真实rcs数据，输出为与生成网络输入的特征参数相关的第一特征参数，第一特征参数用于指导生成网络生成预设的rcs数据。
[0126]
在一些实施方式中，信息最大化生成对抗网络的目标函数为：
[0127][0128]
其中，
[0129]
i(c,g(z,c))＝h(c)-h(c|g(z,c))；
[0130]
mse(c1,q
c1
)＝e[k(c-q
c1
)
t
(c-q
c1
)k
t
]；
[0131]
loss(c2,q
c2
)＝e[-c2*log(q
c2
)-(1-c2)*log(1-q
c2
)]；
[0132]
式中，g表示生成网络，d表示真伪判别网络，q表示类别判别网络，i表示互信息，mse表示加权均方误差，loss表示二分类交叉熵损失函数，v表示生成对抗网络的原始目标函数，v1表示信息最大化生成对抗网络的目标函数，h表示信息熵，e表示期望，t表示转置矩阵，λ和k为可调整权重，c表示特征参数，c1表示几何参数，c2表示极化方式，z表示随机噪声，q
c1
表示与c1相关的几何参数，q
c2
表示与c2相关的极化方式。
[0133]
在一些实施方式中，基于训练样本目标的特征参数和rcs数据对信息最大化生成对抗网络进行训练，包括：
[0134]
固定生成网络的模型参数，利用训练样本目标的rcs数据和生成网络生成的伪rcs数据对真伪判别网络和类别判别网络进行训练；
[0135]
在真伪判别网络和类别判别网络训练完成后，固定真伪判别网络和类别判别网络的模型参数，对生成网络进行训练，直至真伪判别网络无法判别生成网络生成数据的真假。
[0136]
可以理解的是，本发明实施例示意的结构并不构成对一种目标rcs数据的重构装置的具体限定。在本发明的另一些实施例中，一种目标rcs数据的重构装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
[0137]
上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
[0138]
本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明任一实施例中的一种目标rcs数据的重构方法。
[0139]
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器执行时，使所述处理器执行本发明任一实施例中的一种目标rcs数据的重构方法。
[0140]
具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或cpu或mpu)读出并执行存储在存储介质中的程序代码。
[0141]
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
[0142]
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如cd-rom、cd-r、cd-rw、dvd-rom、dvd-ram、dvd-rw、dvd+rw)、磁带、非易失性存储卡和rom。可选择地，可以由通信网络从服务器计算机上下载程序代码。
[0143]
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
[0144]
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程
序代码的指令使安装在扩展板或者扩展模块上的cpu等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
[0145]
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0146]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质中。
[0147]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。