[发明专利]一种基于对抗生成网络的地海杂波谱数据样本生成方法在审
申请号: | 202210054076.7 | 申请日: | 2022-01-18 |
公开(公告)号: | CN114492744A | 公开(公告)日: | 2022-05-13 |
发明(设计)人: | 李灿;文天羿;潘泉;王增福;刘准钆 | 申请(专利权)人: | 西北工业大学 |
主分类号: | G06N3/04 | 分类号: | G06N3/04;G06N3/08 |
代理公司: | 西安维赛恩专利代理事务所(普通合伙) 61257 | 代理人: | 刘春 |
地址: | 710072 *** | 国省代码: | 陕西;61 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 对抗 生成 网络 波谱 数据 样本 方法 | ||
本发明公开了一种基于对抗生成网络的地海杂波谱数据样本生成方法,包括:S1、根据天波雷达地海杂波数据分布特征构建数据集和获取随机噪声;S2、基于天波雷达地海杂波数据分布特征构建生成式对抗网络,并通过生成式对抗网络、预先得到的数据集和随机噪声,生成海量天波雷达地海杂波数据、并构成预设数据集;其中,的生成式对抗网络是基于卷积和反卷积网络所构建的,并利用深度学习方法和预设数据集、对生成式对抗网络进行网络训练。其解决了现有天波雷达地海杂波谱数据的标注与数据生成方法效率低的问题。
技术领域
本发明属于深度学习技术领域,具体涉及一种基于对抗生成网络的地海杂波谱数据样本生成方法。
背景技术
由于电离层环境探测子系统与天波主雷达工作方式、探测通道等均有所不同,导致存在电离层探测子系统提供的坐标配准参数不准确、与主雷达目标参数不一致等问题,从而造成天波雷达目标定位误差大。
基于深度学习的天波雷达地海杂波谱数据识别技术需要海量训练样本,传统的有监督学习方法需要使用已标定样本训练模型,天波雷达地海杂波谱数据的准确标定直接影响陆海分界线识别效果的好坏。天波雷达地海杂波谱数据易于大量获得,但人工标注耗时费力,无法达到模型需求,因此如何应对小规模数据问题具有实际工程意义。传统的应对小规模数据集训练问题的方法是数据增强,通过合成或者转换的方式,从有限的数据中生成新的数据,数据增强技术一直以来都是克服数据不足的重要手段。这种基于数据几何变换的数据增强方法可以在一定程度上缓解神经网络过拟合问题,提高模型泛化能力。但与原始数据相比,增加的数据点并没有从根本上解决数据不足的难题;同时,这种数据增强方式需要人为设定转换函数和对应的参数,一般都是凭借经验知识,最优数据增强方法通常难以实现,模型的泛化性能只能得到有限提升。天波雷达地海杂波谱数据识别问题,需要海量有标注频谱数据支撑;然而天波雷达地海杂波谱数据干扰噪声强、特征变换形式复杂等特性,导致传统半监督方法难以准确标注数据,然而对海量地海杂波谱数据进行人工标定耗时耗力,这大大增加了模型的训练难度;天波雷达地海杂波谱数据情况多样、特征复杂且人工标注时倾向于选择较为理想的地海杂波谱数据,然而较为理想的地海杂波谱数据种类单一,无法使分类模型学习到丰富的特征,这导致模型的泛化能力较弱。因此如何准确高效的完成海量地海杂波谱数据的标注与数据生成具有实际工程意义。
发明内容
本发明的目的是提供一种基于对抗生成网络的地海杂波谱数据样本生成方法,以解决现有天波雷达地海杂波谱数据的标注与数据生成方法效率低的问题。
本发明采用以下技术方案:一种基于对抗生成网络的地海杂波谱数据样本生成方法,包括:
S1、根据天波雷达地海杂波数据分布特征构建数据集和获取随机噪声;
S2、基于天波雷达地海杂波数据分布特征构建生成式对抗网络,并通过生成式对抗网络、预先得到的数据集和随机噪声,生成海量天波雷达地海杂波数据、并构成预设数据集;其中,的生成式对抗网络是基于卷积和反卷积网络所构建的,并利用深度学习方法和预设数据集、对生成式对抗网络进行网络训练。
进一步的,生成式对抗网络包括生成器和判别器:
生成器根据真实的地海杂波数据输出生成的样本数据;
的判别器是根据真实的地海杂波数据和生成的样本数据,获取生成样本数据的真实概率。
进一步的,利用深度学习方法和预设数据集对生成式对抗网络进行网络训练的步骤具体为:
步骤S11、构建少量地海杂波训练样本,其中包括数目相同的不同特性的地海杂波样本;
步骤S12、利用深度学习方法和预设数据集对生成器进行训练,并根据地海杂波数据和生成器的生成数据,对生成式对抗网络中的判别器进行训练;
步骤S13:重复执行步骤S11~步骤S12并且当生成器的生成数据满足预设的数据要求时停止训练。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于西北工业大学,未经西北工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202210054076.7/2.html,转载请声明来源钻瓜专利网。