【技术实现步骤摘要】
本专利技术属于水声信息特征识别领域，尤其涉及一种基于生成对抗网络的水声信号lofar谱图样本增广方法。
技术介绍
1、lofar谱图是对被动声纳接收到的水声信号进行傅里叶变换得到功率谱图,其可以反映信号在时、频两个维度上的性质。舰船和水下航行器等水声目标的机械部件往复运动产生的线谱在lofar谱图中具有显著的特征，故lofar谱图对于目标的检测、识别、分类和跟踪都具有重要意义。
2、近年来，深度学习发展迅速，在图像分类、图像检测、自然语音处理等诸多领域做出了贡献。在水声领域，许多研究者已经应用深度学习方法对水声信号lofar谱图进行分类。与传统机器学习不同的是，深度学习需要海量的样本进行训练才能发挥其优势。相关研究表明，在数据集充足的情况下，相较于传统的机器学习方法，基于深度学习的水声信号分类方法具有更高的准确率。而由于安全问题和水下目标水声信号数据采集的成本问题等限制，可用于训练的数据集很少，无法满足深度学习的需求。因此，针对性的采用样本增广方式扩充数据样本，成为使用深度学习方法对水声信号lofar谱图进行分析的关键环节之一。
3、传统样本增广方式如：随机翻转、旋转、裁剪、变形缩放等生成新的lofar谱图样本往往缺少多样性，无法满足深度学习算训练法对大量高质量数据样本的需求。
技术实现思路
1、本专利技术解决的技术问题是：克服现有技术的不足，提供了一种基于生成对抗网络的水声信号lofar谱图样本增广方法，通过对少量的水下目标水声信号数据，采用样本增广方式，
2、具体技术方案如下：
3、一种基于生成对抗网络的水声信号lofar谱图样本增广方法，包括下述步骤：
4、s1：获取目标的水声信号音频数据；
5、s2：将水声信号音频文件转换为lofar谱图；
6、s3：构建面向lofar谱图样本增广的卷积生成对抗神经网络，包括构建生成模型和构建判别模型；
7、s4：训练面向lofar谱图样本增广的卷积生成对抗神经网络；
8、s5：生成lofar谱图样本。
9、进一步的地，所述s2中水声信号音频文件转换为lofar谱图的具体步骤如下：
10、s21)设将原始信号的采样序列分成连续的若干帧；
11、s22)对每帧信号应用窗函数；
12、s23)对每帧信号进行快速傅里叶变换，得到频域表示；
13、s24)将每帧的频谱数据按时间顺序排列，生成lofar谱图。
14、进一步地，所述s3中生成对抗网络的方法步骤包括：
15、s31)构建生成模型，输入为一维的随机噪声，通过生成器输出lofar谱图片；
16、s32)构建判别模型，输入64*64的lofar谱图片，输出一个1*1的数据，用于表示输入图片是真实样本的概率；
17、s33)建立生成模型和判别模型的优化目标函数，用于调整判别器和生成器网络参数。
18、再进一步地，所述构建生成模型的方法为：
19、s311)构建第一全连接层，其具有100个单元；
20、s312)在第一全连接层后构建第二全连接层，其具有8*8*256个单元；
21、s313)在第二全连接层后构建多个反卷积层，每个反卷积层均配置为具有3*3的卷积核和步长为2，且填充方式为same，其中第一个反卷积层具有128个滤波器，第二个具有64个滤波器，第三个具有32个滤波器，第四个具有1个滤波器；
22、s314)每个反卷积层后均跟随一个批归一化层；
23、s315)将非线性激活函数leakyrelu配置在除最后一个反卷积层之外的每个反卷积层后；
24、s316)最后一个反卷积层后非线性激活函数tanh。
25、再进一步地，所述构建判别模型的方法为：
26、s321)构建多个卷积层，每个卷积层均配置为具有3*3的卷积核和步长为2，且填充方式为same，其中第一个卷积层具有32个滤波器，第二个卷积层具有64个滤波器，第三个卷积层具有128个滤波器，第四个卷积层具有256个滤波器；
27、s322)在每个卷积层后配置leakyrelu非线性激活函数；
28、s323)第一、第二和第三个卷积层后配置随机失活操作；
29、s324)在第二、第三和第四个卷积层后配置批归一化层；
30、s325)在第四个卷积层后配置第一全连接层，其具有1024个单元；
31、s326)在第一全连接层后配置第二全连接层，其具有1个单元。
32、进一步地，所述s4中面向lofar谱图样本增广的卷积生成对抗神经网络进行训练的方法为：
33、s41)随机生成n个随机噪声作为生成模型的输入；
34、s42)从s2中获取的lofar谱图中抽取n张图片与生成模型输出的图片一起作为判别模型输入；
35、s43)交替训练生成模型和判别模型，训练判别模型时，固定生成模型参数，以判别模型将原始lofar谱图判别为正样本为，将生成模型输出的图片判别为负样本为目标更新优化判别模型参数；
36、s44)生成模型输出稳定且符合预期的结果后停止训练并保存生成模型和判别模型的权重参数。
37、再进一步地，所述优化判别模型参数的目标函数为：
38、
39、式中，d是判别网络，z为噪声数据，其服从分布p(z)，g(z)是生成器的输出结果。
40、再进一步地，所述优化生成模型参数的目标函数为：
41、
42、式中，d是判别网络，g是生成网络，z为噪声数据，其服从分布p(z)，g(z)是生成器的输出结果，e[·]表示求·的均值。
43、再进一步地，所述s33)建立生成模型和判别模型的优化目标函数包括：优化判别模型参数的目标函数：
44、
45、优化生成模型参数的目标函数：
46、
47、进一步地，所述获取目标的水声信号音频数据使用被动声纳或者水听器采集目标水声信号并存储为wave格式的音频文件。
48、与现有技术相比，本专利技术的有益效果是：
49、针对水下目标水声信号数据不易采集、可用于训练的数据集很少、传统样本增广方式生成的lofar谱图样本缺少多样性、无法满足深度学习对大量高质量数据样本需求的问题，本专利技术构建并训练面向lofar谱图样本增广的卷积生成对抗神经网络，利用训练好的模型生成多样性、高质量的水声信号lofar谱图，以满足深度学习算训练法对大量高质量数据样本的需求。
本文档来自技高网...【技术保护点】
1.一种基于生成对抗网络的水声信号LOFAR谱图样本增广方法，其特征在于包括下述步骤：
2.根据权利要求1所述的一种基于生成对抗网络的水声信号LOFAR谱图样本增广方法，其特征在于，所述S2中水声信号音频文件转换为LOFAR谱图的具体步骤如下：
3.根据权利要求1所述的一种基于生成对抗网络的水声信号LOFAR谱图样本增广方法，其特征在于，所述S3中生成对抗网络的方法步骤包括：
4.根据权利要求3所述的一种基于生成对抗网络的水声信号LOFAR谱图样本增广方法，其特征在于，所述构建生成模型的方法为：
5.根据权利要求3所述的一种基于生成对抗网络的水声信号LOFAR谱图样本增广方法，其特征在于，所述构建判别模型的方法为：
6.根据权利要求1所述的一种基于生成对抗网络的水声信号LOFAR谱图样本增广方法，其特征在于，所述S4中面向LOFAR谱图样本增广的卷积生成对抗神经网络进行训练的方法为：
7.根据权利要求6所述的一种基于生成对抗网络的水声信号LOFAR谱图样本增广方法，其特征在于，所述优化判别模型参数的目标函数为
8.根据权利要求6所述的一种基于生成对抗网络的水声信号LOFAR谱图样本增广方法，其特征在于，所述优化生成模型参数的目标函数为：
9.根据权利要求3所述的一种基于生成对抗网络的水声信号LOFAR谱图样本增广方法，其特征在于，所述S33)建立生成模型和判别模型的优化目标函数包括：
10.根据权利要求1-9任一项所述的一种基于生成对抗网络的水声信号LOFAR谱图样本增广方法，其特征在于，所述获取目标的水声信号音频数据使用被动声纳或者水听器采集目标水声信号并存储为wave格式的音频文件。
...【技术特征摘要】
1.一种基于生成对抗网络的水声信号lofar谱图样本增广方法，其特征在于包括下述步骤：
2.根据权利要求1所述的一种基于生成对抗网络的水声信号lofar谱图样本增广方法，其特征在于，所述s2中水声信号音频文件转换为lofar谱图的具体步骤如下：
3.根据权利要求1所述的一种基于生成对抗网络的水声信号lofar谱图样本增广方法，其特征在于，所述s3中生成对抗网络的方法步骤包括：
4.根据权利要求3所述的一种基于生成对抗网络的水声信号lofar谱图样本增广方法，其特征在于，所述构建生成模型的方法为：
5.根据权利要求3所述的一种基于生成对抗网络的水声信号lofar谱图样本增广方法，其特征在于，所述构建判别模型的方法为：
6.根据权利要求1所述的一种基于生成对抗网络的水声信号lofar谱图样本增广...
【专利技术属性】
技术研发人员：刘余，尹毅，刘升艳，朱勇，
申请(专利权)人：昆明船舶设备研究试验中心中国船舶集团有限公司七五〇试验场，
类型：发明
国别省市：
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。