[發明專利]用于水聲目標識別的U-Net結構生成對抗網絡及方法

在審

• 申請號: 202110753982.1
• 申請日: 2021-07-04
• 公開（公告）號: CN113420870A
• 公開（公告）日: 2021-09-21
• 發明（設計）人: 曾向陽;薛靈芝;楊爽
• 申請（專利權）人: 西北工業大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/00
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 王鮮凱

1.一種用于水聲目標識別的U-Net結構生成對抗網絡方法，其特征在于步驟如下：

步驟1、設置U-Net網絡：由下采樣路徑與上采樣路徑組成U-Net模型，將訓練集數據首先輸入下采樣路徑，連接兩個1×3大小的卷積核，重復卷積操作，然后利用一個激活函數eLU進行校正，然后利用一個1×2卷積核大小、步長為2的最大池化操作用于第一次下采樣操作，每次下采用完以后，增加一倍的通道數；將第一次下采樣的輸出值作為第二次下采樣的輸入值，再重復兩次上述操作；第三次下采樣的輸出作為第一次上采樣的輸入，每一次上采樣操作包含一個卷積核大小為1×3的反卷積操作，并與下采樣路徑中同規模卷積輸出拼接，對拼接結果重復應用兩個1×3大小的卷積核重復兩次卷積操作，其中，第一次卷積運算時，通道數量減半，然后利用一個激活函數eLU進行校正；將第一次的上采樣輸出作為第二次上采樣的輸入，再重復兩次上采樣操作；三次上采樣操作以后的輸出加入稀疏層，并映射到與類別數量相同的一維向量，此一維向量作為網絡輸出為z′；

步驟2、設置GAN模型：

GAN模型的目標函數定義為：

其中：x～p_d(x)、z～p_z(z)分別代表真實樣本和生成樣本分布，生成樣本為U-Net網絡的輸出，D、G代表判別模型和生成模型，D(x)表示判別模型的輸出，G(z)表示生成模型的輸出，表示為z′；

所述判別模型目標函數為：

所述生成模型目標函數為：

步驟4、基于U-Net結構生成對抗網絡：

以U-Net網絡作為GAN網絡的生成模型，將U-Net網絡的輸出z′與水聲樣本同時送入生成對抗網絡的判別模型，利用輸出函數與樣本標簽的交叉熵優化生成模型與判別模型。

2.一種采用權利要求1所述U-Net結構生成對抗網絡對水聲目標識別的方法，其特征在于步驟如下：

步驟1：對采樣的原始水聲信號以每n個采樣點分為一幀，對分幀以后的信號加漢明窗，分別對每一幀信號進行短時傅里葉變換；

其中，u為短時傅里葉變換的時間變量，z(u)為原始信號，t為窗函數與原始信號的時間差，g(u-t)為窗函數，f為傅里葉變換復平面上的旋轉頻率；

步驟2：在步驟1處理的信號中隨機選取1/3樣本作為訓練集，剩余2/3樣本作為測試集；

步驟3：訓練基于U-Net結構生成對抗網絡

將步驟2得到的訓練樣本z輸入U-Net模型，得到與z相同大小的輸出z′，然后將真實樣本z與生成樣本z′同時送入判別模型中，得到輸出D(Z)與D(z′)，分別與樣本標簽求交叉熵然后相加作為損失函數；整個網絡的目標函數寫為：

其中z～p_z(z)代表z服從訓練樣本z的分布，D、G代表判別模型和生成模型，D(z)表示判別模型的輸出，G(z)表示生成模型的輸出，表示為z′；

整個網絡的判別模型目標函數為：

整個網絡的生成模型目標函數為：

利用損失函數優化網絡模型，優化過程選取Adam優化器，優化時的初始學習率為0.001，網絡參數的初始化選擇隨機初始化方法；優化網絡過程中首先固定生成器的參數，優化判別器的參數兩次，然后固定判別器的參數優化生成器一次，循環500次，得到優化好的生成器與判別器模型；

步驟4、測試基于U-Net結構生成對抗網絡：將步驟2得到的測試集輸入步驟3訓練好的模型中，測試模型的穩健性；

以測試通過的模型對實施對水聲信號的識別。