[发明专利]一种基于多判别生成对抗网络的水声目标识别方法

说明书

本发明公开了一种基于多判别生成对抗网络的水声目标识别方法，包括如下步骤：S1、根据水声目标辐射噪声产生的机理和特点，对数据预处理并提取出目标的特征图像；S2、设计基于多判别生成对抗网络的数据扩充模型架构，使用步骤S1中提取的目标特征进行训练，得到生成模型；S3、使用步骤S2中得到的生成模型进行样本数据的扩充，得到数据量充足且与原始目标特征分布相同的高质量目标特征数据集；S4、设计基于卷积的水声目标识别网络，并使用步骤S3中得到的扩充数据集训练该识别网络，得到高准确率的水声目标识别网络模型，本发明实现对小样本条件下的水声目标进行识别分类，提高识别的准确率。

技术领域

本发明涉及水声目标识别领域，尤其是一种基于多判别生成对抗网络的水声目标识别方法。

背景技术

随着声呐技术的出现，作为声呐数据处理的重要后续环节的水声目标识别技术也应运而生。水声目标识别是指利用目标的辐射噪音提取特征信息并进行目标判别分类的信息处理技术。水下目标的辐射噪音中携带有目标的特征信息，从中提取出有辨识度的目标特征是进行水声目标识别最关键的核心问题。但随着水声目标发声机理愈发的复杂、目标类型的多变以及环境噪音的干扰，导致目标的特征信息越来越弱，这使得水声目标识别成为一项具有挑战性的工作，尤其是在复杂水下环境导致的样本数量不足的情况下。

在水声目标识别任务中，由于水下环境的复杂性，目标数据的采集是极其复杂和昂贵的过程，同时出于保密的需求，更增加了数据获取的难度。针对小样本条件下的水声目标识别任务，常规的方法是利用几何变换的方法扩充样本数据并结合卷积神经网络实现目标识别，虽然这种方法在一定程度上提高了水声目标识别的准确率，但是基于几何变换的方法生成的样本数据缺乏多样性，导致水声目标识别模型缺乏泛化性。因此，有必要在样本数据扩充时即保障生成数据的质量的又保障生成数据的多样性。

现有的数据扩充方法中能同时兼顾生成样本数据的多样性和质量的是生成对抗网络。但是，基于生成对抗网络的生成模型普遍采用单判别器网络的结构，在训练中判别器性能的不稳定导致的判别误差会传递到整个网络，导致生成的样本数据质量较差和多样性不足，进而导致利用该数据训练的水声目标识别网络识别准确率。

发明内容

本发明需要解决的技术问题是提供一种基于多判别生成对抗网络的水声目标识别方法,实现对小样本条件下的水声目标进行识别分类，提高识别的准确率。

为解决上述技术问题，本发明所采用的技术方案是：一种基于多判别生成对抗网络的水声目标识别方法，包括如下步骤：

S1、根据水声目标辐射噪声产生的机理和特点，对数据预处理并提取出目标的特征图像；

S2、设计基于多判别生成对抗网络的数据扩充模型架构，使用步骤S1中提取的目标特征进行训练，得到生成模型；

S3、使用步骤S2中得到的生成模型进行样本数据的扩充，得到数据量充足且与原始目标特征分布相同的高质量目标特征数据集；

S4、设计基于卷积的水声目标识别网络，并使用步骤S3中得到的扩充数据集训练该识别网络，得到高准确率的水声目标识别网络模型。

本发明技术方案的进一步改进在于：所述步骤S1的具体步骤为：

S11、噪声源分析：根据噪声产生机理的不同分为机械噪声、螺旋桨噪声、水动力噪声和环境噪声；

S12、数据预处理：根据所要提取的目标特征的特点，对水声目标辐射噪声采用巴特沃斯低通滤波器，滤除高频噪声的干扰，同时使用归一化以消除信号数量级之间的影响；

S13、LOFAR特征提取：采用窗函数对预处理的信号进行分帧处理，然后利用傅里叶变换获取每帧信号的频率信息，并通过在时间域上进行堆叠以此获取该目标信号的LOFAR特征，该过程表示为：