[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

摘要

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。

主权项

1.一种基于深度卷积生成对抗网络的水声目标识别方法，其特征在于，包括如下步骤：/n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，参数由第三步给出；/n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；/n第三步：设置生成模型参数：网络层数、层节点数以及激活函数类型；激活函数是加持在特征上的非线性变换，生成模型激活函数为leaky_relu函数；设置判别模型参数：卷积核尺寸、卷积核个数以及激活函数类型；/n第四步：设定超参数：迭代次数、学习率、批大小；其中迭代次数是网络更新迭代的轮数；学习率是网络参数更新的步长；批大小是一次性输入到网络的样本数；/n第五步：构建判别模型中的卷积神经网络，包括卷积层、池化层和全连接层；卷积层卷积核大小为m，步长为s，卷积核采用截断正态分布初始化，共设置p个卷积核，卷积方式为有效卷积，则卷积之后的信号维度为p*(n-m+1)/s；池化层采用平方和池化，池化大小为(n-m+1)/s，则池化之后信号长度为(p*(n-m+1)/s)/((n-m+1)/s)＝p*1；最后的全连接层节点数设置为需要分类的类别数C加1，采用独热编码，激活函数采用tanh、sigmoid、relu函数，非最后一层一般采取relu函数作为激活函数性能最优，最后一层不激活，附加一层softmax层，将最后结果转化到0～1之间的概率值；比较各个节点结果值，最大值所在的位置即为分类的结果。/n第六步：将第一步处理过的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；/n第七步：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。/n