一种基于生成式对抗网络的水中目标噪声LOFAR谱图仿真方法技术

本发明专利技术提供了一种基于生成式对抗网络的水中目标噪声LOFAR谱图仿真方法，首先根据水声目标噪声LOFAR谱图参数，构建卷积神经网络生成模型和卷积神经网络判别模型，从而构建成面向水中目标噪声LOFAR谱图仿真的生成式对抗网络模型，其次构建水声目标LOFAR谱图训练样本集对数据仿真模型进行训练和完善，最后基于训练完善的模型对随机噪声数据进行处理，实现仿真样本生成。本发明专利技术的有益效果为：本专利使用深层卷积生成式对抗网络模型对高维水中目标噪声LOFAR谱图进行学习并实现仿真数据生成，与传统基于物理数学模型的目标数据仿真方法相比，其处理能力直接来自于对实际样本特征的学习，生成数据对真实目标特性的刻画更准确。

【技术实现步骤摘要】
一种基于生成式对抗网络的水中目标噪声LOFAR谱图仿真方法
本专利技术属于水声目标噪声仿真以及人工智能
，具体涉及一种基于生成式对抗网络的水中目标噪声LOFAR谱图仿真方法。
技术介绍
水中目标识别技术是利用声纳接收的水中目标辐射噪声以及其它传感器信息判别目标类型的信息处理技术，可为声纳员提供目标特征信息，判别目标类型，是进行综合决策的重要依据。当前，随着计算机技术的发展，以深度学习为代表的人工智能技术兴起，其在水声目标识别中的应用也称为业界研究的热点。深度学习结构复杂，需要大量数据训练才能有效提高其泛化能力。受试验条件等影响，水声目标数据获取困难，高质量纯净训练样本量少，成为深度学习方法应用的主要制约因素之一。通过仿真手段实现高质量样本生成，是提高训练样本规模、解决样本匮乏的途径之一。传统水声数据仿真生成方法通常基于物理数学模型，由于目标发声机理、水声环境及声传播等十分复杂，基于现有水声目标/信道/环境的认知水平很难生成能准确表征目标与环境特性的仿真数据。因此，基于传统声场和声传播模型生成的仿真数据很难有效对深度学习模型本文档来自技高网...

【技术保护点】
1.一种基于生成式对抗网络的水中目标噪声LOFAR谱图仿真方法，其特征在于：首先根据水声目标噪声LOFAR谱图参数，构建卷积神经网络生成模型和卷积神经网络判别模型，从而构建成面向水中目标噪声LOFAR谱图仿真的生成式对抗网络模型，其次构建水声目标LOFAR谱图训练样本集对数据仿真模型进行训练和完善，最后基于训练完善的模型对随机噪声数据进行处理，实现仿真样本生成。/n

【技术特征摘要】
1.一种基于生成式对抗网络的水中目标噪声LOFAR谱图仿真方法，其特征在于：首先根据水声目标噪声LOFAR谱图参数，构建卷积神经网络生成模型和卷积神经网络判别模型，从而构建成面向水中目标噪声LOFAR谱图仿真的生成式对抗网络模型，其次构建水声目标LOFAR谱图训练样本集对数据仿真模型进行训练和完善，最后基于训练完善的模型对随机噪声数据进行处理，实现仿真样本生成。


2.根据权利要求1所述的基于生成式对抗网络的水中目标噪声LOFAR谱图仿真方法，其特征在于：
(1)基于TensorFlow框架构建面向水中目标噪声LOFAR谱图仿真的生成式对抗网络模型，基本过程如下：
(1.1)构建生成模型，基本过程如下：
(1.1.1)基于0～1之间正态分布的随机数，新建特征向量[48,1,1,100]；
(1.1.2)构建反卷积层1，基本过程如下：
(1.1.2.1)设计反卷积层，卷积核参数为[4,12,1024]，其中4和12分别为卷积核长和宽，1024为通道数量，步长为(1,1)，Valid模式填充；
(1.1.2.2)加入BatchNorm层，使输出特征保持与输入特征相同的分布，即标准正态分布；
(1.1.2.3)使用ReLU函数进行激活；
(1.1.3)构建反卷积层2，基本过程如下：
(1.1.3.1)设计反卷积层，卷积核参数[4,4,512]，步长为(2,2)，Same模式填充；
(1.1.3.2)加入BatchNorm层；
(1.1.3.3)使用ReLU函数进行激活；
(1.1.4)构建反卷积层3，基本过程如下：
(1.1.4.1)设计反卷积层，卷积核参数[4,3,256]，步长为(2,2)，Valid模式填充；
(1.1.4.2)加入BatchNorm层；
(1.1.4.3)使用ReLU函数进行激活；
(1.1.5)构建反卷积层4，基本过程如下：
(1.1.5.1)设计反卷积层，卷积核参数[3,3,128]，步长为(2,2)，Valid模式填充；
(1.1.5.2)加入BatchNorm层；
(1.1.5.3)使用ReLU函数进行激活；
(1.1.6)构建反卷积层5，基本过程如下：
(1.1.6.1)设计反卷积层，卷积核参数[3,4,128]，步长为(2,2)，Valid模式填充；
(1.1.6.2)加入BatchNorm层；
(1.1.6.3)使用ReLU函数进行激活；
(1.1.7)构建反卷积层6，基本过程如下：
(1.1.7.1)设计反卷积层，卷积核参数[4,4,1]，步长为(2,2)，Same模式填充；
(1.1.7.2)加入BatchNorm层；
(1.1.7.3)使用ReLU函数进行激活；
(1.1.8)使用tanh函数进行激活，得到最终输出结果；
(1.2)构建判别模型，基本过程如下：
(1.2.1)构建卷积层1，基本过程如下：
(1.2.1.1)设计卷积层，卷积核参数为[4,4,128]，步长为[2,2]，Same模式填充；
(1.2.1.2)加入BatchNorm层；
(1.2.1.3)使用LeakyReLU函数进行激活；
(1.2.2)构建卷积层2，基本过程如下：
(1.2.2.1)设计卷积层，卷积核参数为[3,4,256]，步长为[2,2]，Valid模式填充；
(1.2.2.2)加入BatchNorm层；
(1.2.2...

【专利技术属性】
技术研发人员：陈越超，高英杰，
申请(专利权)人：中国船舶重工集团公司第七一五研究所，
类型：发明
国别省市：浙江;33