一种基于小波图像的水声数据集扩充方法技术

本发明专利技术公开了一种基于小波图像的水声数据集扩充方法，旨在缓解运用深度学习方法对水声目标识别时面临的数据稀缺问题。在兼顾常规水声信号处理的先验知识和深度学习模型对输入形式的适配性要求的基础上，构建基于小波图像的水声数据集。针对水下目标和水面目标数据集设计适配的深层卷积生成式对抗网络(DCGAN)，通过引入密集连接卷积神经网络(DenseNet)增强生成样本的类别属性，通过迭代训练的方法优化网络，生成带标签的水声信号小波图像扩充数据集，提升对水声目标的识别效果。果。果。

【技术实现步骤摘要】
一种基于小波图像的水声数据集扩充方法


[0001]本专利技术涉及水声信号处理、模式识别及人工智能技术的领域，具体涉及一种基于小波图像的水声数据集扩充方法。

技术介绍

[0002]近年来，以深度学习为代表的人工智能技术蓬勃发展，在计算机视觉、自然语言处理和语音识别等领域取得令人瞩目的突破。该系列方法多基于万能逼近定理，通过构造若干层神经网络进行非线性建模，在大数据和强算力的支撑下，自主学习输入样本到输出标签的映射关系。深度学习技术为水声目标识别开创了新的思路，通过挖掘潜在特征代替人工设计的分类特征，提高识别鲁棒性和准确率。但由于水声目标数据匮乏，高质量、带标注的数据更是稀缺，难以满足神经网络训练对样本量的需求。

技术实现思路

[0003]本专利技术的目的在于克服现有技术存在的不足，而提供一种基于小波图像的水声数据集扩充方法。设计了适配的深层卷积生成式对抗网络(DCGAN)，并在优化训练过程中引入密集连接卷积网络(DenseNet)增强类别属性，生成基于小波图像、带标签的水声数据。
[0004]本专利技术的目的是通过如下技术方案来完成的：提供了一种基于小波图像的水声数据集扩充方法，主要包括以下步骤：
[0005]1)针对已采集的水下目标和水面目标的时域跟踪波束，基于小波变换生成带标签的时频图像，分别构建水下目标数据集和水面目标数据集；
[0006]2)将水下目标数据集和水面目标数据集融合打乱，构建水声目标数据集；
[0007]3)基于1)中的水下目标数据集和水面目标数据集，分别设计并训练DCGAN，用于初步生成对应标签的小波图像；
[0008]4)基于2)中的水声目标数据集设计并训练密集DenseNet，初步用于对水下目标和水面目标的二分类；
[0009]5)将4)中得到的DenseNet添加到3)中DCGAN的判别子网络作为支路，固化DenseNet参数并对DCGAN进一步训练，增强其生成样本的类别属性；
[0010]6)基于5)中得到的DCGAN生成带标签的小波图像扩充2)中的水声目标数据集，进一步训练并优化DenseNet；
[0011]7)对未知水声目标、新生成的水声信号小波图像进行水面、水下二分类识别。
[0012]所述步骤1)、2)中，水声数据样本的设计方法要兼顾常规水声信号处理的先验知识和深度学习模型对输入形式的适配性要求，采用复Morlet小波作为母小波对水声目标的时域跟踪波束进行小波变换，生成小波时频图像，频率范围是10
‑
200Hz，图像分辨率为1*256*256。
[0013]所述步骤3)中，用于生成水面目标样本和水下目标样本的两个DCGAN模型，采用了相同的网络结构，分别训练并更新模型权重；其生成子网络的输入层是基于标准正态分布
采样的64*1*1维张量；后面添加5个反卷积层
‑
批归一化层
‑
ReLU激活层，反卷积层的参数依次为(64，512，8，1，0)、(512，256，4，2，1)、(256，128，4，2，1)、(128，64，4，2，1)、(64，32，4，2，1)，其后再添加参数为(32，1，4，2，1)的反卷积层和Tanh激活层；其判别子网络的输入层是生成子网络的输出张量，维度为1*256*256；后面添加5个卷积层
‑
批归一化层
‑
LeakyReLU(斜率为0.2)激活层，卷积层的参数依次是(1，32，4，2，1)、(32，64，4，2，1)、(64，128，4，2，1)、(128，256，4，2，1)、(256，512，4，2，1)，其后再添加参数为(512，1，8，1，0)的卷积层和Sigmoid激活层；参数列表的含义分别为输入通道数、输出通道数、核尺寸、平移步长和padding数量。
[0014]所述步骤4)中，用于对水声目标进行水面、水下二分类的DenseNet模型，输入层是水声目标小波时频图，尺寸为1*256*256；其后添加参数为(6，2，3)的卷积层；其后添加批归一化层
‑
ReLU激活层；其后添加参数为(3，2，1)的最大池化层；其后添加四个Dense Block子模块，Dense Block之间由Transition Layer子模块连接；每个Dense Block由两个批归一化层
‑
ReLU激活层
‑
卷积层组成，卷积层参数分别为(1，1，0)和(3，1，1)；每个Transition Layer是一个批归一化层
‑
ReLU激活层
‑
卷积层
‑
平均池化层组合，卷积层参数为(1，1，0)，平均池化层参数为(2，2，0)；这里的参数列表含义分别为核尺寸、平移步长和padding数量；其后添加ReLU层
‑
全局池化层
‑
全连接层，输出二维向量(z0,z1)；最后添加softmax函数，将(z0,z1)归一化为水下目标置信度p
n
：如下所示：
[0015][0016]所述步骤3)中，训练DCGAN时采用的损失函数为：
[0017][0018]其中，G代表DCGAN的生成子网络，D代表DCGAN的判别子网络，x代表真实水声信号小波图像，z代表基于标准正态分布采样得到的64*1*1维张量。
[0019]所述步骤4)和步骤6)中，训练DenseNet时采用的损失函数为：
[0020]Loss
n
＝
‑
[y
n
logp
n
+(1
‑
y
n
)log(1
‑
p
n
)][0021]其中，y
n
代表样本类别，其值为0代表水下目标，其值为1代表水面目标。
[0022]所述步骤5)中，训练DCGAN时采用的损失函数为：
[0023][0024]其中，λ为DenseNet引入的类别属性损失权重，设置为0.3。
[0025]所述训练过程中，均采用批量随机梯度下降法更新模型权重。
[0026]所述步骤6)中，基于DCGAN生成指定类别的水声信号小波图像，方法是：首先按标准正态分布采样生成64*1*1维张量；其后将其输入至对应类别的DCGAN的生成子网络进行前向推理；最后得到1*256*256维输出张量，即生成的指定类别的水声信号小波图像。
[0027]所述步骤7)中，基于DenseNet实现对未知水声目标进行水面、水下二分类识别时，方法是：首先将采集的水声目标波束信号生成小波图像；其后送入DenseNet进行前向推理，计算属于水下目标的置信度p
n
；如果p
n
>0.6，则判定为水下目标；如果p
n
<0.4，则判定为水面目标；否则为不明目标。
[0028]本专利技术的有益效本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波图像的水声数据集扩充方法，其特征在于：包括以下步骤：1)针对已采集的水下目标和水面目标的时域跟踪波束，基于小波变换生成带标签的时频图像，分别构建水下目标数据集和水面目标数据集；2)将水下目标数据集和水面目标数据集融合打乱，构建水声目标数据集；3)基于步骤1)中的水下目标数据集和水面目标数据集，分别设计并训练深层卷积生成式对抗网络DCGAN，用于初步生成对应标签的小波图像；4)基于步骤2)中的水声目标数据集设计并训练密集密集连接卷积网络DenseNet，初步用于对水下目标和水面目标的二分类；5)将步骤4)中得到的DenseNet添加到步骤3)中DCGAN的判别子网络作为支路，固化DenseNet参数并对DCGAN进一步训练，增强其生成样本的类别属性；6)基于步骤5)中得到的DCGAN生成带标签的小波图像扩充步骤2)中的水声目标数据集，进一步训练并优化DenseNet；7)对未知水声目标、新生成的水声信号小波图像进行水面、水下二分类识别。2.根据权利要求1所述的基于小波图像的水声数据集扩充方法，其特征在于：在水声数据样本的设计上，兼顾常规水声信号处理的先验知识和深度学习模型对输入形式的适配性要求，采用复Morlet小波作为母小波对水声目标的时域跟踪波束进行小波变换，生成小波时频图像，频率范围是10
‑
200Hz，图像分辨率为1*256*256。3.根据权利要求1所述的基于小波图像的水声数据集扩充方法，其特征在于：用于生成水面目标和水下目标小波图像的两个DCGAN模型采用相同的网络结构，分别训练并更新模型权重；其生成子网络的输入层是基于标准正态分布采样的64*1*1维张量；后面添加5个反卷积层
‑
批归一化层
‑
ReLU激活层，反卷积层的参数依次为(64，512，8，1，0)、(512，256，4，2，1)、(256，128，4，2，1)、(128，64，4，2，1)、(64，32，4，2，1)，其后添加参数为(32，1，4，2，1)的反卷积层和Tanh激活层；其判别子网络的输入层是生成子网络的输出张量，维度为1*256*256；后面添加5个卷积层
‑
批归一化层
‑
LeakyReLU(斜率为0.2)激活层，卷积层的参数依次是(1，32，4，2，1)、(32，64，4，2，1)、(64，128，4，2，1)、(128，256，4，2，1)、(256，512，4，2，1)，其后再添加参数为(512，1，8，1，0)的卷积层和Sigmoid激活层；参数列表的含义分别为输入通道数、输出通道数、核尺寸、平移步长和padding数量。4.根据权利要求1所述的基于小波图像的水声数据集扩充方法，其特征在于：用于对水声目标进行水面、水下二分类的DenseNet模型，输入层是水声目标小波时频图，尺寸为1*256*256；其后添加参数为(6，2，3)的卷积层；其后添加批...

【专利技术属性】
技术研发人员：高英杰，陈越超，
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：