【技术实现步骤摘要】
本专利技术属于深度学习，具体涉及一种基于迁移学习的不可见声波数据的信号级扩充方法。
技术介绍
1、声波信号是人类感知世界的重要组成部分。随着现代工业和科学研究的发展，声波信号的应用越来越广泛，为人们带来巨大的便利和效益。然而，某些领域却存在着数据稀缺的问题。例如，在监测、水下通信等领域，复杂环境和资源限制等因素不仅影响了数据的数量和多样性，还增加了获取大规模高质量数据的时间、成本和资源投入。因此，为了弥补声波信号数据的稀缺和限制等问题，扩充技术变得至关重要。
2、近年来，声波信号扩充技术在不同领域和应用中具有广泛的潜力和前景。在经典方法中，例如，通过插值、外推等方式对已有数据进行处理来生成新的样本的传统信号处理方法，以及利用声学原理和物理模型来生成高度真实的声波信号数据的物理模型扩充方法。尽管上述方法可以实现声波信号扩充，但先前的研究表明，这些方法都依赖于具体的参数信息，需要对信号特性或场景进行深入的了解和分析，以获得准确的参数设置，限制了生成高质量和多样性的声波信号数据方法的能力。
3、目前，基于生成式对抗网络的模型在信号扩充方面表现出较好的性能。一种方法是，在训练阶段使用大量真实可见数据，生成器能够产生高质量的样本数据。另一种方法是模型迁移，其中微调是常见的技术，通过使用目标域数据更新已训练好的源域模型参数进行目标域的扩充。上述方法的前提为所需扩充的目标域数据是已知可用的情况。
4、然而，在实际场景中源域相对具有较好获取数据的条件，而目标域可能受各种因素限制导致数据获取困难。这种情况并不少
5、对于上述情况，在源域和目标域之间建立联系和共享知识，利用源域数据的信息来扩充目标域中的不可见数据。其中一种常用的方法是利用域不变特征。通过提取和学习域间的域不变特征，再将这些特征与领域特征相结合，通过线性变换实现数据扩充，然而，确保领域特征和域不变特征的变换能够在维度上恢复至原始信号，这一点需要进一步的深入研究和讨论。另一种方法是利用指定特征进行迁移，这种方法将源域中已有的特征知识应用到目标域中，得到逼近目标域的扩充特征。然而，方法需要选择和提取具有代表性的特征，忽略了数据的其它维度信息，因此无法保证数据的整体完整性。
技术实现思路
1、本专利技术要提供一种基于迁移学习的不可见声波数据的信号级扩充方法，以克服现有技术存在的无法保证数据的整体完整性的问题。
2、为了实现上述目的，本专利技术的技术方案是：一种基于迁移学习的不可见声波数据的信号级扩充方法，包括以下步骤：
3、步骤一、数据预处理：采取数据截取策略，确保信号长度的一致性，同时引入定长滑动窗口对截取后的信号数据进行分割；
4、步骤二、使用网络进行训练，所述网络整体结构由特征提取和迁移生成两个模块组成：
5、特征提取模块：采用时间递归自动编码器，在编码器网络中，引入了重构损失函数；
6、迁移生成模块：通过迁移网络从源域的特征表示层面出发，引入空间结构一致性损失，同时，采用时间递归自动解码器进行复原；
7、步骤三、不可见数据的生成：
8、首先，将来自源域的一批样本输入编码器以获得源域特征；
9、其次，将源域特征输入到固定设置的迁移网络，得到对应的目标域扩充特征；
10、最后，通过解码器将扩充特征转换为扩充数据，生成接近目标域中不可见类别的声波信号数据。
11、进一步的，上述步骤二中，重构损失函数表示为：
12、
13、其中：x是输入样本，是重构后的输出样本，bn是批次的大小，训练集上通过迭代地使用反向传播来优化损失函数，以最小化损失值来减少原始数据与输出数据的差异。
14、进一步的，上述步骤二中，一致性损失表示为：
15、
16、
17、loss＝αloss1+βloss2 (4)
18、其中：为迁移后特征，fy为目标域特征，为扩充数据，y为原始目标域数据。α和β表示两种损失所占的权重，bn是批量的大小，训练集上通过迭代使用反向传播来优化损失函数，使损失值最小。
19、与现有技术相比，本专利技术的有益效果是：
20、1、本方法通过建立源域和目标域之间的联系并共享知识，消除域间差异，实现对目标域不可见数据的扩充。这种方法克服了目标域数据不可用的限制，同时有效利用源域数据的丰富信息，提高了扩充数据的质量和准确性。
21、2、本专利技术引入编解码框架，使用编码器提取源域和目标域之间的特征表示，捕捉域间的细粒度信息，结合迁移网络的特性，全面学习域间差异，最后通过解码器进行特征到信号的复原，从而实现信号级的声波信号扩充。
22、3、本专利技术采用卷积神经网络作为迁移基础，结合所提出的空间结构一致性损失，以减少迁移前后域间差异。本专利技术损失函数的设计使得源域样本能够在无需目标扩充数据辅助的基础上更好地迁移到目标域样本上。在此基础上，结合解码器对特征进行复原，保证了特征的可逆性。本方法不仅考虑了特征层面上的迁移，还考虑了信号本身的特性。
23、4、本专利技术通过只使用源域和目标域中同类别样本，生成目标域中不可见类别的扩充样本。大量实验验证，本专利技术方法在数据扩充上表现出良好的效率和泛化能力，并且在分类准确率上的精度基本可以与真实数据保持一致。
本文档来自技高网...【技术保护点】
1.一种基于迁移学习的不可见声波数据的信号级扩充方法，其特征在于：包括以下步骤
2.根据权利要求1所述的一种基于迁移学习的不可见声波数据的信号级扩充方法，其特征在于：所述步骤二中，重构损失函数表示为：
3.根据权利要求2所述的一种基于迁移学习的不可见声波数据的信号级扩充方法，其特征在于：所述步骤二中，一致性损失表示为
【技术特征摘要】
1.一种基于迁移学习的不可见声波数据的信号级扩充方法，其特征在于：包括以下步骤
2.根据权利要求1所述的一种基于迁移学习的不可见声波数据的信号级扩充方法，其特征...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。