[发明专利]一种基于生成对抗网络的声学被动式舰船目标分类方法

说明书

本发明公开了一种基于生成对抗网络的声学被动式舰船目标分类方法，该方法基于生成对抗网络结构：生成网络采用深度卷积神经网络构成，通过通道数的展宽和压缩对输入信号进行降噪；判别网络采用ACGAN的判别网络结构构成，对真伪信息和类别信息进行判别，通过生成网络和判别网络的不断对抗提高降噪性能，进而获得更好的识别效果；并且在每次生成网络与判别网络对抗之前增加对生成网络参数的更新，进一步提高降噪性能。该方法提高了舰船目标识别的精度与信噪比失配下的稳健性。

技术领域

本发明属于模式识别技术领域，具体涉及一种目标分类方法。

背景技术

通过舰船的辐射噪声对舰船进行识别是水声领域中很重要的一部分，尤其是对水下目标的识别。舰船辐射噪声主要由机械噪声、螺旋桨噪声和水动力噪声组成。其中机械噪声是低频段的主要成分，由强线谱和弱连续谱组成；螺旋桨噪声包括由螺旋桨空化噪声产生的连续谱和螺旋桨叶片震动产生的线谱；水动力噪声主要是海水划过舰船壳体产生的连续谱。不同型号的舰船由于其吨位、船体结构和机械设备等的不同使得其辐射噪声也存在差异。

可分性强的舰船辐射噪声特征提取是目标识别的关键环节。传统的特征主要包括时域波形特征、谱分析特征参数、时频分析特征参数、非线性特征参数等。但是这些特征容易受到噪声的干扰，在海况条件较为恶劣或面对远距离目标等低信噪比的情况下识别准确率会受到很大的影响。

由于经验丰富的声呐员可以通过人耳来识别舰船的类型，基于模拟人耳听觉系统的一些特征参数也被应用到水声目标识别中，如响度特征、音色特征、梅尔倒谱系数(Mel-Frequency Cepstral Coefficients,MFCC)等。但是对于不同种类的舰船目标其可分性强的特征不一定相同。如何选取合适的特征也是水声目标识别的一大难题，主成分分析法、粗糙集理论、遗传算法等特征选取与融合的算法虽然在一定程度上解决了上述问题，但是仍然受限于特征的维度与数量。

深度学习作为一种新的方法为水声目标识别提供了一种新的思路，这种方法可以从时域波形、频谱等最底层的特征出发，自适应的提取合适的特征和分类器进行整体最优化。但由于水声数据样本获取困难，难以建立舰船在不同海况下辐射噪声的完备数据库，在实际情况中往往会出现训练样本与测试样本信噪比失配的问题。

发明内容

为了克服现有技术的不足，本发明提供了一种基于生成对抗网络的声学被动式舰船目标分类方法，该方法基于生成对抗网络结构：生成网络采用深度卷积神经网络构成，通过通道数的展宽和压缩对输入信号进行降噪；判别网络采用ACGAN的判别网络结构构成，对真伪信息和类别信息进行判别，通过生成网络和判别网络的不断对抗提高降噪性能，进而获得更好的识别效果；并且在每次生成网络与判别网络对抗之前增加对生成网络参数的更新，进一步提高降噪性能。该方法提高了舰船目标识别的精度与信噪比失配下的稳健性。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1：构建生成对抗网络；

生成对抗网络依次由生成网络和判别网络连接组成；

所述生成网络依次由5个卷积单元连接组成，每个卷积单元依次由一维卷积层、激活函数层、批量归一化层和L2正则化层连接组成；生成网络为单输入单输出；

所述判别网络依次由4个卷积单元、1个全局平均池化层和2个全连接层连接组成；每个卷积单元依次由一维卷积层、激活函数层、批量归一化层、池化层和L2正则化层连接组成；判别网络为单输入双输出；

步骤2：将实测舰船辐射噪声信号作为标准信号；给标准信号中添加不同信噪比的高斯白噪声模拟相同海域、不同海况下的舰船辐射噪声，生成低信噪比舰船辐射噪声；对低信噪比舰船辐射噪声建立类别标签，并划分训练集和测试集；

步骤3：使用训练集独立训练生成网络和判别网络；