[发明专利]一种基于条件对抗神经网络的水下目标数据扩增方法及系统

权利要求书

1.一种基于条件对抗生成网络的水下目标数据扩增方法，所述方法包括：

将某一目标类别对应的one-hot向量与随机高斯白噪声级联，输入预先训练好的生成器，输出该目标类别的生成样本。

2.根据权利要求1所述的基于条件对抗生成网络的水下目标数据扩增方法，其特征在于，所述方法还包括：所述生成器的训练步骤，具体包括：

构建由一个生成器和一个判别器组成的条件对抗生成网络；

获取水听器阵列采集的每个目标类别声源信号，将声源信号转换成数字信号；对数字信号进行加窗预处理并分帧；对每一帧信号做傅里叶变换，得到离散频谱，然后提取每一帧信号的小波能量特征；将小波能量特征作为该目标类别的真实样本；

将随机高斯白噪声与一个目标类别的one-hot向量形式级联输入生成器，输出生成样本；共有N对真实样本和生成样本；N为目标类别的个数；

将每对真实样本和生成样本以标签“真”和“假”训练判别器，得到训练好的判别器；

固定判别器的网络权重，以真的标签更新生成器的权重，通过迭代运算，当最小化的损失函数不大于阈值时，获得训练好的生成器；

最小化的损失函数表示为：

其中，x为真实样本，p_data为真实样本的概率分布，z为随机高斯白噪声，p_z为随机高斯白噪声的概率分布，D表示判别器，G表示生成器，c为目标类别，L为Lipschitz条件，用于限制判别器D在每次训练中参数更新的幅度，D(x)为判别器的输出结果，G(z,c)为生成器的输出结果，V(D,G)是所期望最小化的损失函数。

3.根据权利要求2所述的基于条件对抗生成网络的水下目标数据扩增方法，其特征在于，所述对数字信号进行加窗预处理并分帧，具体包括：

对数字信号取N₀个采样点作为一帧，对每一帧数字信号先补零到N点，N₀N，N＝2ⁱ，i为正整数；共M帧数字信号；

对第j帧的数字信号进行加窗或预加重处理，加窗函数采用汉明窗或哈宁窗；窗函数的长度为L；窗函数沿时间序列进行N/2个点的移动，其中1≤j＜M。

4.根据权利要求3所述的基于条件对抗生成网络的水下目标数据扩增方法，其特征在于，所述对每一帧信号做傅里叶变换，得到离散频谱，然后提取每一帧信号的小波能量特征，具体包括：

对t时刻的数字信号进行快速傅里叶变换，得到t时刻数字信号的离散频谱；其中，t时刻的数字信号的傅里叶变换系数为：

y_t,n表示t时刻的第n个采样点的信号的值，Y_t,f表示信号在t时刻的第f个频点的傅里叶变换系数，其中f＝0,1,…N-1；

将t时刻的数字信号的离散频谱通过小波包滤波器组的每个滤波器后，计算每个滤波器内的离散频谱信号能量值，对离散频谱信号能量值取对数即为小波能量特征值；其中小波包滤波器组中滤波器的数量对应小波能量特征的维度；

将小波包滤波器组输出的全部小波能量特征值进行拼接，得到每一帧信号的小波能量特征。

5.根据权利要求1所述的基于条件对抗生成网络的水下目标数据扩增方法，其特征在于，所述方法还包括：对生成器输出的生成样本进行有效性评估的步骤：

将生成样本输入到预先训练好的基础分类模型中，得到每一个生成样本的后验概率；若概率低于阈值，则认为其为无效样本数据，否则为有效样本数据，该阈值的取值范围为30％-50％。

6.根据权利要求5所述的基于条件对抗生成网络的水下目标数据扩增方法，其特征在于，所述基础分类模型的训练步骤包括：

建立训练样本，训练样本为：每个目标类型的真实数据，其标签为其对应的one-hot向量；

由训练样本训练出所述基础分类模型。

7.一种基于条件对抗生成网络的水下目标数据扩增系统，其特征在于，所述系统包括：预先训练好的生成器和样本生成模块；

所述样本生成模块，用于将某一目标类别对应的one-hot向量与随机高斯白噪声级联，输入预先训练好的生成器，输出该目标类别的生成样本。