[发明专利]基于深度卷积生成对抗网络的水声目标识别方法

说明书

本发明涉及一种基于深度卷积生成对抗网络的水声目标识别方法，属于水声目标识别领域。该方法步骤如下：构建生成模型与判别模型；将有类别信息和无类别信息的原始水声信号归一化，并进行分帧；设置生成模型参数；设定超参数；构建判别模型中的卷积神经网络；将信号数据作为卷积神经网络的输入，经由网络计算输出，得到分类结果；统计分类误差，利用BP算法将误差回传，更新三步骤中网络的权重参数，包括卷积核和全连接层之间的权重，直到达到迭代次数结束。本方法具有以下优点：提取特征是完全依从于数据本身，无需人为去设定关于数据本身的参数，这样所提取出的特征对于该数据是一定有效的，可有效利用到这些数据去挖掘数据本身存在的分布信息。

所属领域

本发明涉及一种基于深度卷积生成对抗网络的水声目标识别方法，属于水声目标识别领域。

背景技术

由于技术的发展以及实际工程应用的需要，水声目标识别面临两个重要问题：1、由于对大量声目标数据进行人工标定是一件代价极大的工作，一般只能对同类样本中的少部分进行人工标定，因此针对在采集过程中未标定类别的声样本，基于充分利用声信号样本的考虑，需要提出针对不明目标的识别方案；2、水声目标具有多样性，针对某一目标或数据集提取的特征难以包括可能遇到的所有目标或数据集的声学特征。一部分目标声信号长时间稳定且包含明显线谱及包络特性，而某些目标声信号存在时间较短，被称为瞬态声，则无法提取时间稳定的线谱成分；有些目标声信号即使存在较长时间，但行进过程的运动状态及姿态可能发生改变，不利于传统谱分析方法提取相应特征。以上两个问题，传统的水声目标识别方法都难以很好地解决。传统的特征提取方法一般为梅尔频率倒谱(Mel-FrequencyCepstrum，MFCC)特征、响度特征、音色特征等，但是这些特征的提取依赖于研究人员对于水声领域的先验知识；并且同一组特征参数在某一个目标或数据集上有效并不一定在其他目标或数据集上有好的效果，这是传统特征提取方法的弊端，从而导致在构建水声目标识别模型时直接影响了模型的目标识别性能。针对标记样本少的问题，使用支持向量机(SupportVectorMachine，SVM)作为分类器可以一定程度上增强系统的鲁棒性，本发明的基线模型为MFCC与SVM的组合。但也有局限性，并不一定在所有情况下都能取得很好的效果。针对大量无标签的水声数据，传统方法无法做出改进和提升，如何有效利用好这些数据，是本发明的研究重点之一。

本发明以深度学习理论为基础，将其中比较热门的生成对抗网络和卷积神经网络应用于水声目标识别，并将二者融合，从根本上解决了上述两个方面的问题。

发明内容

发明目的

本发明的目的在于提供一种新的方法实现对水声目标分类识别。它能解决现有的方法中提取特征程序繁琐、依赖人工经验以及难以充分有效利用无类别信息数据的弊端，并且相对于基线模型可提高分类识别正确率。

技术方案

本发明的实现方案如下：一种基于深度卷积生成对抗网络的水声目标识别方法，包括如下步骤：

第一步：构建生成模型与判别模型。生成模型由全连接神经网络构成，输入层节点数为p，输出层节点数为n；判别模型由卷积神经网络构成，根据实际需要调节网络参数，具体参数由第三步给出。

第二步：将有类别信息和无类别信息的原始水声信号归一化，并进行分帧，分帧后的信号点数为n,总样本数为n_samples，这些数据为真实数样本，共有C类；生成1xp维的随机高斯噪声信号，通过生成模型变换成长度为n的数据，这些数据为生成的假样本。如果数据为真实样本且有类别信息，则数据的真实类别为样本本身的类别；如果数据为真实样本但是无类别信息，则数据的真实类别为C类的任何一个，即非第C+1类；如果数据为生成的假样本，则数据的真实类别为第C+1类。