[发明专利]一种基于小波图像的水声数据集扩充方法

权利要求书

1.一种基于小波图像的水声数据集扩充方法，其特征在于：包括以下步骤：

1)针对已采集的水下目标和水面目标的时域跟踪波束，基于小波变换生成带标签的时频图像，分别构建水下目标数据集和水面目标数据集；

2)将水下目标数据集和水面目标数据集融合打乱，构建水声目标数据集；

3)基于步骤1)中的水下目标数据集和水面目标数据集，分别设计并训练深层卷积生成式对抗网络DCGAN，用于初步生成对应标签的小波图像；

4)基于步骤2)中的水声目标数据集设计并训练密集连接卷积网络DenseNet，初步用于对水下目标和水面目标的二分类；

5)将步骤4)中得到的DenseNet添加到步骤3)中DCGAN的判别子网络作为支路，固化DenseNet参数并对DCGAN进一步训练，增强其生成样本的类别属性；

6)基于步骤5)中得到的DCGAN生成带标签的小波图像扩充步骤2)中的水声目标数据集，进一步训练并优化DenseNet；

7)对未知水声目标、新生成的水声信号小波图像进行水面、水下二分类识别。

2.根据权利要求1所述的基于小波图像的水声数据集扩充方法，其特征在于：在水声数据样本的设计上，兼顾常规水声信号处理的先验知识和深度学习模型对输入形式的适配性要求，采用复Morlet小波作为母小波对水声目标的时域跟踪波束进行小波变换，生成小波时频图像，频率范围是10-200Hz，图像分辨率为1*256*256。

3.根据权利要求1所述的基于小波图像的水声数据集扩充方法，其特征在于：用于生成水面目标和水下目标小波图像的两个DCGAN模型采用相同的网络结构，分别训练并更新模型权重；其生成子网络的输入层是基于标准正态分布采样的64*1*1维张量；后面添加5个反卷积层-批归一化层-ReLU激活层，反卷积层的参数依次为(64，512，8，1，0)、(512，256，4，2，1)、(256，128，4，2，1)、(128，64，4，2，1)、(64，32，4，2，1)，其后添加参数为(32，1，4，2，1)的反卷积层和Tanh激活层；其判别子网络的输入层是生成子网络的输出张量，维度为1*256*256；后面添加5个卷积层-批归一化层-LeakyReLU激活层，卷积层的参数依次是(1，32，4，2，1)、(32，64，4，2，1)、(64，128，4，2，1)、(128，256，4，2，1)、(256，512，4，2，1)，其后再添加参数为(512，1，8，1，0)的卷积层和Sigmoid激活层；参数列表的含义分别为输入通道数、输出通道数、核尺寸、平移步长和padding数量。

4.根据权利要求1所述的基于小波图像的水声数据集扩充方法，其特征在于：用于对水声目标进行水面、水下二分类的DenseNet模型，输入层是水声目标小波时频图，尺寸为1*256*256；其后添加参数为(6，2，3)的卷积层；其后添加批归一化层-ReLU激活层；其后添加参数为(3，2，1)的最大池化层；其后添加四个Dense Block子模块，Dense Block之间由Transition Layer子模块连接；每个Dense Block由两个批归一化层-ReLU激活层-卷积层组成，卷积层参数分别为(1，1，0)和(3，1，1)；每个Transition Layer是一个批归一化层-ReLU激活层-卷积层-平均池化层组合，卷积层参数为(1，1，0)，平均池化层参数为(2，2，0)；这里的参数列表含义分别为核尺寸、平移步长和padding数量；其后添加ReLU层-全局池化层-全连接层，输出二维向量(z₀,z₁)；最后添加softmax函数：如下所示：

其中，p_n表示将(z₀,z₁)归一化为水下目标置信度。