[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

说明书

本发明提供了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，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。本发明的有益效果为：本专利使用深层卷积生成式对抗网络模型对高维水中目标噪声LOFAR谱图进行学习并实现仿真数据生成，与传统基于物理数学模型的目标数据仿真方法相比，其处理能力直接来自于对实际样本特征的学习，生成数据对真实目标特性的刻画更准确。

技术领域

本发明属于水声目标噪声仿真以及人工智能技术领域，具体涉及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。

背景技术

水中目标识别技术是利用声纳接收的水中目标辐射噪声以及其它传感器信息判别目标类型的信息处理技术，可为声纳员提供目标特征信息，判别目标类型，是进行综合决策的重要依据。当前，随着计算机技术的发展，以深度学习为代表的人工智能技术兴起，其在水声目标识别中的应用也称为业界研究的热点。深度学习结构复杂，需要大量数据训练才能有效提高其泛化能力。受试验条件等影响，水声目标数据获取困难，高质量纯净训练样本量少，成为深度学习方法应用的主要制约因素之一。

通过仿真手段实现高质量样本生成，是提高训练样本规模、解决样本匮乏的途径之一。传统水声数据仿真生成方法通常基于物理数学模型，由于目标发声机理、水声环境及声传播等十分复杂，基于现有水声目标/信道/环境的认知水平很难生成能准确表征目标与环境特性的仿真数据。因此，基于传统声场和声传播模型生成的仿真数据很难有效对深度学习模型进行训练。

生成式对抗网络自I Goodfellow等人提出后，逐渐受到学术界和工业界的重视，在理论、算法和模型上不断发展，应用领域不断扩大，当前已经在计算机视觉、自然语言处理、语音增强等领域得到了应用。生成式对抗网络以博弈论中的零和博弈理论为基础，将生成问题视作判别器和生成器的对抗和博弈，图1所示为生成式对抗网络原理框图。生成模型用于不断学习训练数据集中真实数据的概率分布，其学习目标是将输入的随机噪声变换为可以以假乱真的仿真数据，判别模型用来判断生成的仿真数据是否为真实数据，其学习目标是区分生成模型生成的仿真数据与真实样本。通过生成模型和判别模型相互竞争的方式实现整个网络训练，在训练过程中生成模型和判别模型的能力将同时得到增强，使得生成模型在没有大量先验知识和分布的前提下也能学习到真实数据的本质特性，刻画出真实样本的分布概率，生成与真实数据相似的新数据。

发明内容

本发明针对水声目标数据获取困难，高质量纯净训练样本量少等局限，而提供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，针对水中目标辐射噪声LOFAR谱图特点构建深层卷积生成式对抗网络，通过大量复杂非线性迭代变换掌握LOFAR谱图特征变化规律，在此基础上实现从随机噪声到LOFAR谱图仿真数据的深层次变换，生成高逼真度仿真LOFAR谱图。与基于物理数学模型的水声目标数据仿真手段相比，本智力成果提出通过生成式对抗网络实现仿真数据生成，其处理能力直接来自于对实际样本特征的学习，生成的数据对真实目标特性的刻画更准确。

本发明的目的是通过如下技术方案来完成的。本发明提供了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，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。

本发明的有益效果为：本发明使用深层卷积生成式对抗网络模型对高维水中目标噪声LOFAR谱图进行学习并实现仿真数据生成，与传统基于物理数学模型的目标数据仿真方法相比，其处理能力直接来自于对实际样本特征的学习，生成数据对真实目标特性的刻画更准确。