買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉中國電波傳播研究所(中國電子科技集團公司第二十二研究所)申請的專利一種基于LSGAN的陸海分界線識別及匹配方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115438748B 。

龍圖騰網通過國家知識產權局官網在2025-08-26發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202211243324.9，技術領域涉及：G06F18/241；該發明授權一種基于LSGAN的陸海分界線識別及匹配方法是由李雪;郭文玲;潘泉;張效宣;李燦;田德元;文天羿設計研發完成，并于2022-10-12向國家知識產權局提交的專利申請。

本一種基于LSGAN的陸海分界線識別及匹配方法在說明書摘要公布了：本發明公開了一種基于LSGAN的陸海分界線識別及匹配方法，包括如下步驟：步驟1，構建基于卷積神經網絡的生成器和判別器：步驟2，構建損失函數：步驟3，模型訓練：步驟4，構建分類器：步驟5，陸海分界線匹配。本發明所公開的方法，利用生成器和判別器進行對抗訓練，將訓練好的判別器的卷積層作為特征提取器，以此構建陸海雜波分類模型。該模型相較傳統深度學習分類模型具有更強的泛化能力，同時構建的生成器能夠解決數據標注困難，數據多樣性差的問題。

本發明授權一種基于LSGAN的陸海分界線識別及匹配方法在權利要求書中公布了：1.一種基于LSGAN的陸海分界線識別及匹配方法，其特征在于，包括如下步驟： 步驟1，構建基于卷積神經網絡的生成器和判別器： 步驟1A，構建基于卷積神經網絡的生成器： 生成器利用卷積網絡的數據擬合能力，通過建立一維噪聲分布到真實數據分布之間的映射關系，來學習返回散射定頻數據的數學分布，最終實現模型生成數據； 生成器用可微函數G表示，輸入z為服從高斯分布或均勻分布的隨機噪聲信號，輸出為陸海雜波生成數據Gz； 生成器采用深度卷積神經網絡作為網絡的基本組成，采用四層卷積層和四層上采樣層作為生成器的基本網絡結構，其中四層卷積層用于重構數據細節特征；四層上采樣層用于擴大特征向量維數； 采用LeakyReLU函數作為每層卷積層中的激活函數，LeakyReLU函數的定義為： 上式中x為真實數據，negative_slope為權重系數； 采用Tanh函數作為輸出層，Tanh函數的定義為： 上式中x為真實數據，e為自然常數； 步驟1B，構建基于卷積神經網絡的判別器： 判別器用D來表示，判別器的輸入為生成數據Gz和真實數據x，輸出為判斷輸入數據是否為真實數據的概率，該過程由兩個場景構成，在第一個場景中，從真實訓練數據中采樣真實數據x，作為判別器D的輸入，判別器D輸出的是0到1之間的概率值，表示真實數據x屬于真實樣本的概率，概率值越接近于1，是真實數據的概率越高，反之為生成數據的概率越高；在第二個場景中，從一個先驗分布中采樣出輸入z，將Gz作為判別器D的輸入，在這個場景中，判別器D和生成器G都要參與，判別器D的目標是使得輸出DGz的概率值接近0，Dx的概率值接近1； 采用深度卷積神經網絡作為判別器的基本框架結構，采用輸入層-三層以上卷積層-池化層疊加結構-輸出層作為判別器的基本網絡結構，三層以上卷積層用于充分提取多層次特征，卷積層之間采用LeakyReLU函數作為激活函數，池化層降低特征向量維數，減小計算量、修正過擬合的同時提取高層次特征；輸出層是全連接層，該層使用Sigmoid激活函數實現判別真偽兩種功能，Sigmoid激活函數能夠將輸出映射到[0,1]的區間作為真偽輸出； 上式中x為真實數據，e為自然常數； 步驟2，構建損失函數如下： 上式中x為服從真實分布pdatax的真實數據，z為服從高斯分布pzz的隨機噪聲，a和b分別表示判為假和判為真的標簽； 步驟3，模型訓練： 步驟3A，陸海雜波樣本預處理： 首先對真實數據進行歸一化預處理，獲得真實數據的最大值maxx，最小值minx，通過下式將數據映射到[-1,1]之間： 上式中x*為歸一化后的數據，x為真實數據， 步驟3B，網絡參數配置： 批樣本數量取2n，n為自然數；學習率取10-6～1；采用Adma優化器對生成器和判別器的權重和偏置進行更新； 步驟3C，網絡訓練： 根據步驟2構建的損失函數進行網絡訓練： 判別器輸入真實數據，使真偽辨別結果盡可能接近1，計算判別器的損失函數，并反向傳播； 判別器輸入生成數據，使真偽辨別結果盡可能接近0，計算判別器的損失函數，并反向傳播； 生成器輸入隨機噪聲，獲得生成數據，生成數據通過判別器獲得真偽辨別結果，使其盡可能接近1，計算生成器的損失函數，并反向傳播； 設隨機噪聲為z，生成器的函數為G，它的輸入是z，要學習的參數為θG；判別器的函數為D，它的輸入是真實數據x，要學習的參數為θD，D需要通過更新θD極小化其目標函數JD，G需要通過更新θG極小化其目標函數JG，兩個網絡相互博弈，兩者的損失函數都依賴于對方，網絡訓練的目標是達到納什平衡，納什平衡指的是一對參數θD,θG，使得θD是JD的一個極小值點，同時θG是JG的一個極小值點； 步驟4，構建分類器： 步驟4A，構建特征提取器： 訓練步驟3的LSGAN陸海雜波樣本生成模型直到損失趨于穩定，將訓練好的判別器單獨拆分出來，將判別器的最后一層去掉，只將訓練好的卷積層拆分出來，用作陸海雜波分類器的特征提取器； 步驟4B，構建分類器： 對特征提取器連接用于陸海雜波樣本分類的分類層，構建陸海雜波分類器，最后，固定卷積層的參數，并用真實陸海雜波樣本對分類層進行微調； 步驟5，陸海分界線匹配： 通過陸海雜波分類器對返回散射定頻數據進行陸海屬性判別后，將陸海分界線識別結果和先驗地理信息地圖作為匹配算法的輸入，在先驗地理信息地圖中遍歷搜尋陸海分界線識別結果并同時計算匹配誤差，最終輸出陸海分界線匹配結果； 設陸海分界線識別結果為Tm,n，m為陸海分界線識別結果的距離單元數，n為陸海分界線識別結果的方位單元數，設先驗地理信息地圖為Sw,h，w為先驗地理信息地圖的距離單元數，h為先驗地理信息地圖的方位單元數，將陸海分界線識別結果和先驗地理信息地圖重疊的子區域定義為Si,j，i,j為先驗地理信息地圖坐標，用下式衡量Tm,n和Si,j的相似性Di,j： 將其歸一化，得模板匹配的相關系數Ri,j： 當陸海分界線識別結果和子區域一樣時，相關系數Ri,j＝1，在先驗地理信息地圖中完成全部搜索后，找出相關系數的最大值Rmaxi,j，其對應的子區域Si,j即為匹配結果。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人中國電波傳播研究所(中國電子科技集團公司第二十二研究所)，其通訊地址為：266107 山東省青島市城陽區仙山東路36號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。