[发明专利]用于水声目标识别的U-Net结构生成对抗网络及方法

说明书

本发明涉及一种用于水声目标识别的U‑Net结构生成对抗网络及方法，建立适用水下目标识别的基于U‑Net结构的生成对抗模型，该模型可以很好的消除小样本数据在深度学习网络中的过拟合问题，利用多尺度特征提取的跳跃连接提取水声特征，送入生成对抗网络中。实验利用相同的训练集与测试集对最新的基于水中目标识别方法UATC‑Densenet方法做识别实验，并与本方法进行识别准确率对比，本方法的识别率均优于UATC‑Densenet方法，比较常见的深度网络的水中识别方法DBN网络与DAE网络，以及基础网络GAN网络，在‑20dB～20dB的信噪比范围内，本方法的识别率均高于其他网络。实验证明所提出方法在加大网络层数的情况下，消除过拟合现象，提高水声信号的识别率，增大网络模型的鲁棒性。

技术领域

本发明属于水声目标识别方法，涉及一种用于水声目标识别的U-Net结构生成对抗网络(GAN_U-Net)及在水声目标识别中的应用方法。

背景技术

近年来，深度学习在水声识别中的应用日趋增多，其中深度生成对抗网络由于其博弈的思想，成为深度学习的研究热点，在水声识别中也有应用。在水声信号的小样本情形下，GAN网络通过生成模型与真实样本多次相互对抗，使得生成模型无限接近真实样本，对抗模型可以很好的识别出真实样本与生成样本。GAN网络应用反向传播算法使得判断模型的准确度进一步提高，但由于水声目标信号的样本数量有限及随机性的特点，使得GAN网络在不同信噪比情形下信号的识别率不稳定，鲁棒性较差；同时在正常的水下背景噪声中，识别率不高。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种用于水声目标识别的U-Net结构生成对抗网络及方法，克服GAN网络在不同信噪比条件下识别率不稳定，鲁棒性较差的缺点。基于U-Net结构的生成对抗网络。该网络通过提取多尺度特征来提高识别率，同时针对小样本容易过拟合的问题，在多尺度的网络提取中引入跳跃连接，消除过拟合现象。

技术方案

一种用于水声目标识别的U-Net结构生成对抗网络方法，其特征在于步骤如下：

步骤1、设置U-Net网络：由下采样路径与上采样路径组成U-Net模型，将训练集数据首先输入下采样路径，连接两个1×3大小的卷积核，重复卷积操作，然后利用一个激活函数eLU进行校正，然后利用一个1×2卷积核大小、步长为2的最大池化操作用于第一次下采样操作，每次下采用完以后，增加一倍的通道数；将第一次下采样的输出值作为第二次下采样的输入值，再重复两次上述操作；第三次下采样的输出作为第一次上采样的输入，每一次上采样操作包含一个卷积核大小为1×3的反卷积操作，并与下采样路径中同规模卷积输出拼接，对拼接结果重复应用两个1×3大小的卷积核重复两次卷积操作，其中，第一次卷积运算时，通道数量减半，然后利用一个激活函数eLU进行校正；将第一次的上采样输出作为第二次上采样的输入，再重复两次上采样操作；三次上采样操作以后的输出加入稀疏层，并映射到与类别数量相同的一维向量，此一维向量作为网络输出为z′；

步骤2、设置GAN模型：

GAN模型的目标函数定义为：

其中：x～p_d(x)、z～p_z(z)分别代表真实样本和生成样本分布，生成样本为U-Net网络的输出，D、G代表判别模型和生成模型，D(x)表示判别模型的输出，G(z)表示生成模型的输出，表示为z′；

所述判别模型目标函数为：

所述生成模型目标函数为：

步骤4、基于U-Net结构生成对抗网络：