[发明专利]微弱信号数据增强方法

权利要求书

1.一种微弱信号数据增强方法，其特征在于：基于变分对抗模型将原始信号数据输入数据增强模型，由推断网络和生成网络构成变分自编码模块，由生成器和判别器组成生成对抗模块；在数据增强模型中，原始信号数据通过变分自编码模块指定具体特征生成初步增强信号；推断网络使用一组深度神经网络模型作为编码器，编码器将原始信号数据的概率分布密度，编码映射到一个隐变量样本空间中，通过神经网络计算出其隐变量样本的均值μ和方差δ；生成网络将使用一组深度神经网络模型作为解码器，生成网络对隐变量Z进行采样，从已知服从似然分布数据中随机采样，获取隐变量z，通过神经网络计算出服从高斯分布初步增强信号X′；生成对抗模块继续增强变分自编码模块输出的初步增强信号，首先通过采用生成器G对初步增强信号X′进行增量生成，然后通过判别器D判别输入信号样本Q真实与否，判断最终增强信号是否为真的概率，如果输出100％是真实值为D，利用判别器D指导学习带噪信号与纯净信号之间的非线性关系，生成器模型G与判别器D模型不断训练迭代直到收敛，得到最优生成器G与判别器D，生成器G根据变分自编码模块输出的初步增强信号X′生成最终增强信号数据G(X′)，然后利用训练好的网络生成增强的高信噪比信号，输出真实信号的概率值D(X)，用于生成器G的迭代训练。当概率值D(X)足够高时，输出增强信号数据。

2.如权利要求1所述的微弱信号数据增强方法，其特征在于：变分自编码模块输入真实的原始信号样本，通过编码器Q变成一个服从高斯分布的隐变量，然后将随机变量z再输入到解码器P中生成初步增强信号，初步增强信号被送入对抗生成模块的生成器G中，生成增强信号，然后初始信号和增强信号均被送入对抗生成模块的判别器D中，让D去判断输入信号是真实信号的概率；这样交替学习，最终得到训练好的数据增强模型来生成增强的信号。

3.如权利要求1所述的微弱信号数据增强方法，其特征在于：变分自编码模块针对在据的真实后验概率P_θ(z|x)无法实际确定的问题，设定服从高斯分布q_φ(z|x)，在推断网络中引入真实验概率q_θ(z|x)代替P_θ(z|x)，在q_φ(z|x)～N(μ,δ²)范围内，通过优约束参数θ和φ，对高斯分布q_φ(z|x)做期望，计算q_φ(z|x)与P_θ(z|x)的KL散度最小化，得到

同时得到log P_θ(X)＝D_KL(q_φ(z|x)||P_θ(z|x))+L(θ,φ；X) (2)

其中，D_KL表示计算KL散度，E_qφ(z|x)表示对q_φ(z|x)做期望计算。q_θ(.)表示推断网络模型，L(θ,φ；X)被称为集合X对数边际似然变分下届函数logP_θ(X)。

4.如权利要求1所述的微弱信号数据增强方法，其特征在于：变分自编码模块通过推断网络，用一组深度神经网络模型作为编码器，编码器将满足高斯分布，属于高维稀疏随机向量的原始信号数据的概率分布密度，编码映射到一个隐变量Z样本空间中，并将样本空间分布为得到每个信号样本x_i都是随机产生的离散或连续，并且相互独立的分布变量，其中，隐变量Z是一个低维稠密的随机向量，N表示样本容量，i为标记空间中所有可能的样本。

5.如权利要求1所述的微弱信号数据增强方法，其特征在于：变分自编码模块根据服从高斯分布q_φ(z|x)的隐变量Z，利用集合X对数边际似然变分下届函数logP_θ(X)，计算数信号数据集合的对数，得到等于各个离散且独立分布的变量对数和：

通过推断网络得到优约束参数θ和φ的优化目标：φ,θ＝arg_φ,θmax L(θ,φ；X)。