[发明专利]一种基于生成式对抗网络的水中目标噪声LOFAR谱图仿真方法

权利要求书

1.一种基于生成式对抗网络的水中目标噪声LOFAR谱图仿真方法，其特征在于：首先根据水声目标噪声LOFAR谱图参数，构建卷积神经网络生成模型和卷积神经网络判别模型，从而构建成面向水中目标噪声LOFAR谱图仿真的生成式对抗网络模型，其次构建水声目标LOFAR谱图训练样本集对数据仿真模型进行训练和完善，最后基于训练完善的模型对随机噪声数据进行处理，实现仿真样本生成。

2.根据权利要求1所述的基于生成式对抗网络的水中目标噪声LOFAR谱图仿真方法，其特征在于：

(1)基于TensorFlow框架构建面向水中目标噪声LOFAR谱图仿真的生成式对抗网络模型，基本过程如下：

(1.1)构建生成模型，基本过程如下：

(1.1.1)基于0～1之间正态分布的随机数，新建特征向量[48,1,1,100]；

(1.1.2)构建反卷积层1，基本过程如下：

(1.1.2.1)设计反卷积层，卷积核参数为[4,12,1024]，其中4和12分别为卷积核长和宽，1024为通道数量，步长为(1,1)，Valid模式填充；

(1.1.2.2)加入BatchNorm层，使输出特征保持与输入特征相同的分布，即标准正态分布；

(1.1.2.3)使用ReLU函数进行激活；

(1.1.3)构建反卷积层2，基本过程如下：

(1.1.3.1)设计反卷积层，卷积核参数[4,4,512]，步长为(2,2)，Same模式填充；

(1.1.3.2)加入BatchNorm层；

(1.1.3.3)使用ReLU函数进行激活；

(1.1.4)构建反卷积层3，基本过程如下：

(1.1.4.1)设计反卷积层，卷积核参数[4,3,256]，步长为(2,2)，Valid模式填充；

(1.1.4.2)加入BatchNorm层；

(1.1.4.3)使用ReLU函数进行激活；

(1.1.5)构建反卷积层4，基本过程如下：

(1.1.5.1)设计反卷积层，卷积核参数[3,3,128]，步长为(2,2)，Valid模式填充；

(1.1.5.2)加入BatchNorm层；

(1.1.5.3)使用ReLU函数进行激活；

(1.1.6)构建反卷积层5，基本过程如下：

(1.1.6.1)设计反卷积层，卷积核参数[3,4,128]，步长为(2,2)，Valid模式填充；

(1.1.6.2)加入BatchNorm层；

(1.1.6.3)使用ReLU函数进行激活；

(1.1.7)构建反卷积层6，基本过程如下：

(1.1.7.1)设计反卷积层，卷积核参数[4,4,1]，步长为(2,2)，Same模式填充；

(1.1.7.2)加入BatchNorm层；

(1.1.7.3)使用ReLU函数进行激活；

(1.1.8)使用tanh函数进行激活，得到最终输出结果；

(1.2)构建判别模型，基本过程如下：

(1.2.1)构建卷积层1，基本过程如下：

(1.2.1.1)设计卷积层，卷积核参数为[4,4,128]，步长为[2,2]，Same模式填充；

(1.2.1.2)加入BatchNorm层；

(1.2.1.3)使用Leaky ReLU函数进行激活；

(1.2.2)构建卷积层2，基本过程如下：

(1.2.2.1)设计卷积层，卷积核参数为[3,4,256]，步长为[2,2]，Valid模式填充；

(1.2.2.2)加入BatchNorm层；

(1.2.2.3)使用Leaky ReLU函数进行激活；

(1.2.3)构建卷积层3，基本过程如下：

(1.2.3.1)设计卷积层，卷积核参数为[3,3,512]，步长为[2,2]，Valid模式填充；

(1.2.3.2)加入BatchNorm层；

(1.2.3.3)使用Leaky ReLU函数进行激活；

(1.2.4)构建卷积层4，基本过程如下：

(1.2.4.1)设计卷积层，卷积核参数为[4,3,1024]，步长为[2,2]，Valid模式填充；

(1.2.4.2)加入BatchNorm层；

(1.2.4.3)使用Leaky ReLU函数进行激活；

(1.2.5)构建卷积层5，基本过程如下：

(1.2.5.1)设计卷积层，卷积核参数为[4,5,1024]，步长为[2,2]，Same模式填充；

(1.2.5.2)加入BatchNorm层；

(1.2.5.3)使用Leaky ReLU函数进行激活；

(1.2.6)构建卷积层6，基本过程如下：

(1.2.6.1)设计卷积层，卷积核参数为[4,12,1]，步长为[2,2]，Valid模式填充；

(1.2.7)使用sigmoid函数进行激活，得到最终输出结果；

(2)对建立的生成式对抗网络模型进行训练，基本过程如下：

(2.1)构建生成式对抗网络模型损失函数，基本过程如下：

(2.1.1)设置一次输入生成式对抗网络模型的单个数据块Batch大小为48；

(2.1.2)基于生成模型对随机噪声Batch进行处理，得到假LOFAR谱图Batch；

(2.1.3)基于判别模型对真实LOFAR谱图Batch进行处理，返回卷积层6计算得到的特征conv6_real；

(2.1.4)基于判别模型对假LOFAR谱图Batch进行处理，返回卷积层6计算得到的特征conv6_fake；

(2.1.5)设置真实LOFAR谱图Batch标签为1，基于交叉熵函数计算conv6_real与真实LOFAR谱图Batch标签之间的损失值Loss_real；

(2.1.6)设置假LOFAR谱图Batch标签为0，基于交叉熵函数计算conv6_fake与假LOFAR谱图Batch标签之间的损失值Loss_fake；

(2.1.7)计算判别模型损失值Loss_D＝Loss_real+Loss_fake；

(2.1.8)设置假LOFAR谱图Batch标签为1，记为L_fake_2，基于交叉熵函数计算生成模型损失值Loss_G；

(2_.2)记用于训练的水中目标辐射噪声信号库中的样本为x＝{x₁(t),x₂(t),…,x_n(t),(n∈N^*)}，矩阵中每一行数据对应一个样本；对x进行FFT预处理，得到LOFAR谱，每累积150批LOFAR谱生成LOFAR谱图，并切割为150*400分辨率的子图像，其中150为数据累积批次，400为频点数量，构建训练样本集x_Train；

(2.3)基于x_Train对生成式对抗网络模型进行训练，具体如下；从训练数据集x_Train中随机选择一个Batch的训练样本x_s，基于Adam优化器最小化判别器损失值Loss_D和生成器损失值Loss_G；

(3)基于训练完善的生成式对抗网络模型生成仿真LOFAR谱图，基本过程如下：

(3.1)基于0～1之间正态分布的随机数，新建噪声向量[48,1,1,100]；

(3.2)基于生成式对抗网络模型的生成模型对噪声向量进行前向计算，得到仿真LOFAR谱图结果。