[發明專利]一種水中目標的數據增強方法

在審

• 申請號: 202110490512.0
• 申請日: 2021-05-06
• 公開（公告）號: CN113326737A
• 公開（公告）日: 2021-08-31
• 發明（設計）人: 姜喆;趙晨;王天星;楊舸
• 申請（專利權）人: 西北工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 顧潮琪

1.一種水中目標的數據增強方法，其特征在于，包括以下步驟：

步驟一，接收當前水域目標的水聲信號y(n)，經過降噪和去直流后得到信號s(n)；

步驟二，對信號s(n)進行短時傅里葉變換得到每個音頻信號的時頻特征圖；

步驟三，將所有時頻特征圖作為數據集S，對數據集S打上標簽，并進行像素歸一化處理；

步驟四，搭建基于DCGAN的數據增強模型，其中，生成模型共有五個模塊，每個模塊都包括輸入層、反卷積層、批歸一化層、激活函數層和輸出層，前四個模塊使用ReLU激活函數，第五個模塊使用Tanh激活函數；判別模型也有五個模塊，每個模塊都包括輸入層、卷積層、批歸一化層、激活函數層和輸出層，判別模型前四個模塊內部激活函數使用Leaky ReLU，第五個模塊使用Sigmoid激活函數；

步驟五，訓練步驟四搭建的基于DCGAN的數據增強模型；

步驟六，使用訓練好的DCGAN模型對數據集S進行數據增強。

2.根據權利要求1所述的水中目標的數據增強方法，其特征在于，所述的步驟二中短時傅里葉變換的窗長設置為1024，重疊長度設置為1000，傅里葉點數設置為1024。

3.根據權利要求1所述的水中目標的數據增強方法，其特征在于，所述的DCGAN生成模型中，前四個模塊的卷積核尺寸為4x4，第五個模塊的卷積核尺寸為5x5；第一個模塊的步長為1，第二至第四個模塊的步長為2，第五個模塊的步長為3；第一個模塊的填充為0，后四個模塊的填充為1；五個模塊的輸出大小依次為4x4、8x8、16x16、32x32和96x96。

4.根據權利要求1所述的水中目標的數據增強方法，其特征在于，所述的DCGAN判別模型中，第一個模塊的卷積核尺寸為5x5，后四個模塊的卷積核尺寸為4x4；第一個模塊的步長為3，第二至第四個模塊的步長為2，第五個模塊的步長為1；前四個模塊的填充為1，第五個模塊的填充為1；前四個模塊的輸出大小依次為32x32、16x16、8x8和4x4，第五個模塊不接全連接層，扁平化處理后直接送給Sigmoid輸出層。

5.根據權利要求1所述的水中目標的數據增強方法，其特征在于，所述的步驟五交替訓練生成模型和判別模型，當訓練生成模型時，固定住判別模型，一個隨機隱空間向量作為生成模型的輸入，通過反卷積操作逐步地生成假數據，將假數據和真實數據輸入到判別模型，判別模型給出輸入數據為真實數據的概率值，通過生成模型的損失函數得到生成模型的損失值，將該損失值反向傳播到生成模型中的各個節點，并更新生成模型參數；當訓練判別模型時，固定住生成模型，從真實樣本中抽取一個批數據，將標簽標記為1；將生成模型中生成的批數據標記為0，兩批數據同時作為判別模型的輸入，讓判別模型對輸入數據進行判定，通過判別模型的損失函數得到判別模型的損失值，再將這個損失值反向傳播至判別模型中的各個節點，更新判別模型參數。

6.根據權利要求1所述的水中目標的數據增強方法，其特征在于，所述的基于DCGAN的數據增強模型搭建和訓練過程中涉及的超參數設置包括生成模型輸入維度為96，Batch-size為16，Epoch為100，Adam優化器為(0.5,0.999)，Learning-rate為0.0002，Leaky ReLU為0.2。