[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

说明书

本发明公开了一种基于条件对抗生成网络的水下目标数据扩增方法及系统，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。本发明的方法能够利用少量的水下目标数据产生足量的与原样本类似的数据，使得其数据量能够满足深度学习的需求；而且能够利用一个模型实现多个目标类别的样本生成。

技术领域

本发明属于水下目标识别技术领域，具体而言，涉及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。

背景技术

水下目标识别技术是根据水听器阵列接收到的舰船的辐射噪声信号，对目标的类型进行判别。

在水下目标识别任务中，实践中发现基于深度学习的识别模型通常能获得比传统的支持向量机等方法更好的效果，但是基于深度学习方法的有效性依赖于足量的有标签的数据，当数据量不充足时会使得识别模型严重过拟合从而降低识别效果。由于实际数据获取的困难性和经济性，给深度学习方法在水下识别任务中的应用推广造成较大的阻碍。

发明内容

本发明的目的在于解决深度学习在水下目标识别的应用出现的数据过少导致训练出现过拟合的问题。

为实现上述目的，本发明提出了一种基于条件对抗神经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。

作为上述方法的改进，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。

作为上述方法的一种改进，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。

作为上述方法的一种改进，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：