[发明专利]一种水中目标的数据增强方法

说明书

本发明提供了一种水中目标的数据增强方法，搭建基于DCGAN的数据增强模型，其中，生成模型共有五个模块，每个模块都包括输入层、反卷积层、批归一化层、激活函数层和输出层；判别模型也有五个模块，每个模块都包括输入层、卷积层、批归一化层、激活函数层和输出层；交替训练生成模型和判别模型，使用训练好的DCGAN模型对数据集S进行数据增强。本发明提出的DCGAN数据增强方法最大优势就是生成的样本数据质量和多样性都比较好。

技术领域

本发明属于神经网络技术领域，特别是涉及改进深度卷积生成对抗网络(DeepConvolution Generative Adversarial Nets,DCGAN)的数据增强方法。

背景技术

迄今为止，水中目标分类还是主要依靠被动声纳接收的目标辐射噪声作为信号源。 传统的目标分类方法主要是先提取目标辐射噪声在频域、时频域、混沌域和其他域特征，再利用分类判决器进行分类。然而，一方面，海洋环境的复杂性、水声信道的时 变性和空变性、水下目标的多样性，使得声纳采集到的目标水声信息复杂多样，目标 分类识别的准确性无法得到保证；另一方面，随着降噪减震技术的发展，目标辐射噪 声的声级不断下探，人工提取的不同域特征很难反映目标类别的有效特征，分类判决 器的鲁棒性和泛化能力有待提高。

深度学习作为人工智能新的研究方向，以卷积神经网络(Convolutional NeuralNetwork，CNN)为代表的深度神经网络通过构建更深层次的网络结构能够提高水中 目标分类的性能。但在实际应用中存在两个问题：1)水声信道和海况的不确定性以及 目标种类和工况的多样性，有效信息匮乏；2)水中目标数据采集和获取难度大，无法 获取深度学习所要求的大量数据。尤其是某些敏感目标相关噪声数据保密，比较稀缺， 在实际分析中数据更少。水中目标数据数据量少且有时存在类别不均衡问题，水中目 标分类时难度大大增加。

在保持特定信息的前提下，根据已有数据，通过模型生成、仿射变换、添加噪声 等方式增加数据量，比如：1)通过翻转、移位、尺度变换、裁剪等仿射变换，可以得 到同一个目标在不同角度的特征信息；2)图像中添加噪声扰动，比如椒盐噪声 (salt-and-peppernoise，又称脉冲噪声)、高斯白噪声等，根据水中目标的数据特性， 获取水中目标的时频图并不适合通过仿射变换、加噪声扰动进行数据增强；3)合成少 数过采样技术(SyntheticMinority Over-sampling Technique,SMOTE)方法，SMOTE 方法随机地对近邻少数类样本的点进行非线性插值，人工合成新样本达到补充样本数 目的目的，它存在的问题是少数类样本的近邻点选择存在一定的盲目性，近邻个数的 选择需要反复测试，而且该算法无法克服数据分布问题，容易导致数据分布边缘化， 正负样本的边界变得越来越模糊：4)生成对抗网络(Generative Adversarial Network, GAN)方法。GAN作为一类无监督学习算法的深度学习模型，为样本数据扩增提供 新的思路。自2014年被提出后，GAN在诸多领域得到广泛应用。GAN擅长无监督地 学习，借助该特性根据数据分布规律从无到有地生成“假”数据。通过生成模型和判 别模型的博弈，生成“假”数据的质量和多样性得到有效提高。

数据增强的几种方法中，生成对抗网络是最有效的。因为该方法生成“假”数据 的分布规律与真实数据的非常相近，同时生成“假”数据的多样性和质量得到显著提 高。

发明内容

为了克服现有技术的不足，本发明提供一种水中目标的数据增强方法，根据真实数据的特征信息，生成大量数据样本。相较于其它数据增强方法，本发明提出的 DCGAN数据增强方法最大优势就是生成的样本数据质量和多样性都比较好。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤一，接收当前水域目标的水声信号y(n)，经过降噪和去直流后得到信号s(n)；