[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

本發明涉及一種用于水聲目標識別的U?Net結構生成對抗網絡及方法，建立適用水下目標識別的基于U?Net結構的生成對抗模型，該模型可以很好的消除小樣本數據在深度學習網絡中的過擬合問題，利用多尺度特征提取的跳躍連接提取水聲特征，送入生成對抗網絡中。實驗利用相同的訓練集與測試集對最新的基于水中目標識別方法UATC?Densenet方法做識別實驗，并與本方法進行識別準確率對比，本方法的識別率均優于UATC?Densenet方法，比較常見的深度網絡的水中識別方法DBN網絡與DAE網絡，以及基礎網絡GAN網絡，在?20dB～20dB的信噪比范圍內，本方法的識別率均高于其他網絡。實驗證明所提出方法在加大網絡層數的情況下，消除過擬合現象，提高水聲信號的識別率，增大網絡模型的魯棒性。

技術領域

本發明屬于水聲目標識別方法，涉及一種用于水聲目標識別的U-Net結構生成對抗網絡(GAN_U-Net)及在水聲目標識別中的應用方法。

背景技術

近年來，深度學習在水聲識別中的應用日趨增多，其中深度生成對抗網絡由于其博弈的思想，成為深度學習的研究熱點，在水聲識別中也有應用。在水聲信號的小樣本情形下，GAN網絡通過生成模型與真實樣本多次相互對抗，使得生成模型無限接近真實樣本，對抗模型可以很好的識別出真實樣本與生成樣本。GAN網絡應用反向傳播算法使得判斷模型的準確度進一步提高，但由于水聲目標信號的樣本數量有限及隨機性的特點，使得GAN網絡在不同信噪比情形下信號的識別率不穩定，魯棒性較差；同時在正常的水下背景噪聲中，識別率不高。

發明內容

要解決的技術問題

為了避免現有技術的不足之處，本發明提出一種用于水聲目標識別的U-Net結構生成對抗網絡及方法，克服GAN網絡在不同信噪比條件下識別率不穩定，魯棒性較差的缺點。基于U-Net結構的生成對抗網絡。該網絡通過提取多尺度特征來提高識別率，同時針對小樣本容易過擬合的問題，在多尺度的網絡提取中引入跳躍連接，消除過擬合現象。

技術方案

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：