[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

本發明提供了一種水中目標的數據增強方法，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；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；交替訓練生成模型和判別模型，使用訓練好的DCGAN模型對數據集S進行數據增強。本發明提出的DCGAN數據增強方法最大優勢就是生成的樣本數據質量和多樣性都比較好。

技術領域

本發明屬于神經網絡技術領域，特別是涉及改進深度卷積生成對抗網絡(DeepConvolution Generative Adversarial Nets,DCGAN)的數據增強方法。

背景技術

迄今為止，水中目標分類還是主要依靠被動聲納接收的目標輻射噪聲作為信號源。 傳統的目標分類方法主要是先提取目標輻射噪聲在頻域、時頻域、混沌域和其他域特征，再利用分類判決器進行分類。然而，一方面，海洋環境的復雜性、水聲信道的時 變性和空變性、水下目標的多樣性，使得聲納采集到的目標水聲信息復雜多樣，目標 分類識別的準確性無法得到保證；另一方面，隨著降噪減震技術的發展，目標輻射噪 聲的聲級不斷下探，人工提取的不同域特征很難反映目標類別的有效特征，分類判決 器的魯棒性和泛化能力有待提高。

深度學習作為人工智能新的研究方向，以卷積神經網絡(Convolutional NeuralNetwork，CNN)為代表的深度神經網絡通過構建更深層次的網絡結構能夠提高水中 目標分類的性能。但在實際應用中存在兩個問題：1)水聲信道和海況的不確定性以及 目標種類和工況的多樣性，有效信息匱乏；2)水中目標數據采集和獲取難度大，無法 獲取深度學習所要求的大量數據。尤其是某些敏感目標相關噪聲數據保密，比較稀缺， 在實際分析中數據更少。水中目標數據數據量少且有時存在類別不均衡問題，水中目 標分類時難度大大增加。

在保持特定信息的前提下，根據已有數據，通過模型生成、仿射變換、添加噪聲 等方式增加數據量，比如：1)通過翻轉、移位、尺度變換、裁剪等仿射變換，可以得 到同一個目標在不同角度的特征信息；2)圖像中添加噪聲擾動，比如椒鹽噪聲 (salt-and-peppernoise，又稱脈沖噪聲)、高斯白噪聲等，根據水中目標的數據特性， 獲取水中目標的時頻圖并不適合通過仿射變換、加噪聲擾動進行數據增強；3)合成少 數過采樣技術(SyntheticMinority Over-sampling Technique,SMOTE)方法，SMOTE 方法隨機地對近鄰少數類樣本的點進行非線性插值，人工合成新樣本達到補充樣本數 目的目的，它存在的問題是少數類樣本的近鄰點選擇存在一定的盲目性，近鄰個數的 選擇需要反復測試，而且該算法無法克服數據分布問題，容易導致數據分布邊緣化， 正負樣本的邊界變得越來越模糊：4)生成對抗網絡(Generative Adversarial Network, GAN)方法。GAN作為一類無監督學習算法的深度學習模型，為樣本數據擴增提供 新的思路。自2014年被提出后，GAN在諸多領域得到廣泛應用。GAN擅長無監督地 學習，借助該特性根據數據分布規律從無到有地生成“假”數據。通過生成模型和判 別模型的博弈，生成“假”數據的質量和多樣性得到有效提高。

數據增強的幾種方法中，生成對抗網絡是最有效的。因為該方法生成“假”數據 的分布規律與真實數據的非常相近，同時生成“假”數據的多樣性和質量得到顯著提 高。

發明內容

為了克服現有技術的不足，本發明提供一種水中目標的數據增強方法，根據真實數據的特征信息，生成大量數據樣本。相較于其它數據增強方法，本發明提出的 DCGAN數據增強方法最大優勢就是生成的樣本數據質量和多樣性都比較好。

本發明解決其技術問題所采用的技術方案包括以下步驟：

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)；