[发明专利]基于CGAN的小样本数据生成的武器作战效能评估方法

说明书

本发明公开了基于CGAN的小样本数据生成的武器作战效能评估方法，该方法包括获取数据集划分为样本集和测试集，以测试集对CMGAN模型进行训练；构建特征数据模型转换网络；构建并训练CMGAN网络模型，包括构建生成器、构建鉴别器和训练CMGAN网络；获取特定条件的虚拟样本集；获取效能评估结果。本发明能够生成有效的武器作战效能评估样本，可以在小样本条件下提高武器作战效能评估准确度。

技术领域

本发明属于深度学习技术领域，尤其涉及基于CGAN的小样本数据生成的武器作战效能评估方法。

背景技术

生成虚拟数据样本是解决小样本问题的主流方法，即利用特定方法扩充小样本数据的数据集。传统的数据扩充方法主要为过采样方法，例如:使用合成少数过采样法(SMOTE)来扩充小样本数据，提升了检测的准确率，使用一种基于聚类簇结构特性的综合采样法，能够生成样本分布特性保持均衡的数据样本，上述方法在面对小样本评估问题时取得了较好的效果，并且具有可解释性强、机制简单的优势，但生成样本提取的特征不全面，容易导致评估模型过拟合。生成对抗网络(GAN)是一种生成模型，因其强大的数据生成能力，已被广泛应用于多种领域的数据扩充项目中。利用原始GAN的样本生成方法，将生成的样本应用在效能评估模型中，提升了效能评估模型的准确度，但其生成样本存在样本分布不确定和样本质量不高的问题，需要结合数据的分布特征对方法进行适应性地改进设计。

传统的武器性能的评估必须以武器系统的试验数据为依据。目前，小样本问题主要通过仿真得到的试验数据，这些模拟测试数据可以用来增加测试数据的数量，提升评估模型的性能，但其包含了大量无用信息，在效能评估阶段造成计算资源的浪费，冗余数据也影响模型评估的准确性。

发明内容

本发明的目的在于，为克服现有技术缺陷，提供了基于CGAN(条件生成对抗网络)的小样本数据生成方法及武器作战效能评估方法,利用条件生成网络在卷积处理上的优势，对条件对抗网络进行结构改进，实现基于少量真实数据生成有效虚拟样本的目的。

本发明目的通过下述技术方案来实现：

一种基于CGAN的小样本数据生成的武器作战效能评估方法，所述方法包括：

获取影响作战效能的特征数据集并进行数据预处理得到网络输入数据集，选择若干个特征数据作为输入变量，对所述数据集进行最大最小值归一化，将一部分数据样本划分为训练集，剩余部分划分为测试集，以所述测试集对CMGAN模型进行训练；

将所述测试集内的特征数据进行模型转换，获取模型转换后的新数据样本集；

构建并训练CMGAN网络模型，包括构建生成器、构建鉴别器和训练CMGAN网络；

获取效能评估样本中的稀疏类别，将对应的标签输入生成器，输出符合预设条件的虚拟样本集；

选取深度神经网络以所述虚拟样本集作为网络输入对模型进行训练，完成训练的深度神经网络以所述测试集作为输入得到效能评估结果。

进一步的，所述将所述测试集内的特征数据进行模型转换，构建特征数据模型转换网络，获取模型转换后的新数据样本集具体包括：

构建特征数据模型转换网络，所述特征数据模型转换网络包括一层反卷积层，重构矩阵形状，输出新样本数据；

将所述测试集内的特征数据转为n×n的矩阵形式，n为所述输入变量的特征数据个数，网络训练过程将所述测试集内的特征数据转换为鉴别器输入数据集。

进一步的，所述构建并训练CMGAN网络模型包括构建生成器、构建鉴别器和训练CMGAN网络，具体包括：

构建所述生成器的6层神经网络，依次为第一反卷积层、连接层、第二反卷积层、第三反卷积层、第四反卷积层和全连接层；