[发明专利]一种基于小波图像的水声数据集扩充方法

说明书

本发明公开了一种基于小波图像的水声数据集扩充方法，旨在缓解运用深度学习方法对水声目标识别时面临的数据稀缺问题。在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的基础上，构建基于小波图像的水声数据集。针对水下目标和水面目标数据集设计适配的深层卷积生成式对抗网络(DCGAN)，通过引入密集连接卷积神经网络(DenseNet)增强生成样本的类别属性，通过迭代训练的方法优化网络，生成带标签的水声信号小波图像扩充数据集，提升对水声目标的识别效果。

技术领域

本发明涉及水声信号处理、模式识别及人工智能技术的领域，具体涉及一种基于小波图像的水声数据集扩充方法。

背景技术

近年来，以深度学习为代表的人工智能技术蓬勃发展，在计算机视觉、自然语言处理和语音识别等领域取得令人瞩目的突破。该系列方法多基于万能逼近定理，通过构造若干层神经网络进行非线性建模，在大数据和强算力的支撑下，自主学习输入样本到输出标签的映射关系。深度学习技术为水声目标识别开创了新的思路，通过挖掘潜在特征代替人工设计的分类特征，提高识别鲁棒性和准确率。但由于水声目标数据匮乏，高质量、带标注的数据更是稀缺，难以满足神经网络训练对样本量的需求。

发明内容

本发明的目的在于克服现有技术存在的不足，而提供一种基于小波图像的水声数据集扩充方法。设计了适配的深层卷积生成式对抗网络(DCGAN)，并在优化训练过程中引入密集连接卷积网络(DenseNet)增强类别属性，生成基于小波图像、带标签的水声数据。

本发明的目的是通过如下技术方案来完成的：提供了一种基于小波图像的水声数据集扩充方法，主要包括以下步骤：

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DCGAN，用于初步生成对应标签的小波图像；

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

5)将4)中得到的DenseNet添加到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5)中得到的DCGAN生成带标签的小波图像扩充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。

所述步骤1)、2)中，水声数据样本的设计方法要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。