申请/专利权人：西北工业大学

申请日：2022-07-11

公开（公告）日：2024-05-10

公开（公告）号：CN115372960B

主分类号：G01S13/88

分类号：G01S13/88;G01S7/41;G06F18/10;G06F18/2415;G06N3/0455;G06N3/0464;G06N3/047;G06N3/0475;G06N3/094;G06V10/72;G06V10/764;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2024.05.10#授权;2022.12.09#实质审查的生效;2022.11.22#公开

摘要：本发明公开了一种改进生成对抗网络的天波雷达地海杂波数据增强方法，包括以下步骤：步骤一、构建并划分地海杂波原始样本均衡、样本不均衡及样本稀缺三种训练数据集和测试集；步骤二、构建基于改进生成对抗网络的地海杂波样本合成模型，以地海杂波原始样本均衡训练数据集作为训练集，合成地海杂波样本；步骤三、对所述步骤二合成的所述地海杂波样本的质量进行评估，得到地海杂波数据增强备选模型；步骤四、以地海杂波样本不均衡训练数据集和样本稀缺训练数据集作为训练集，来训练地海杂波数据增强备选模型，得到地海杂波数据增强模型。本发明解决了天波雷达因地海样本不均衡甚至稀缺导致深度卷积神经网络分类模型性能急剧下降的问题。

主权项：1.一种改进生成对抗网络的天波雷达地海杂波数据增强方法，其特征在于，包括以下步骤：步骤一：构建并划分地海杂波原始样本均衡、样本不均衡及样本稀缺三种训练数据集和测试集；步骤二：构建基于改进生成对抗网络的地海杂波样本合成模型，以所述步骤一构建的所述地海杂波原始样本均衡训练数据集作为所述基于改进生成对抗网络的地海杂波样本合成模型的训练集，合成地海杂波样本；所述步骤二的具体内容为：步骤S2.1：将变分自编码生成对抗网络与辅助分类器生成对抗网络融合，得到辅助分类器变分自编码生成对抗网络，即基于改进生成对抗网络的地海杂波样本合成模型AC-VAEGAN；辅助分类器变分自编码生成对抗网络的网络结构由编码器En、解码器De生成器G以及判别器D分类器C三部分组成；其中，G的输入端为随机噪声序列与类别属性的组合，并添加了由变分自编码生成对抗网络的En编码得到的随机噪声序列与类别属性的组合；AC-VAEGAN的损失函数如下所示：L＝LVAE+LDeG+LDC，其中， LDeG＝maxLC-LS，LDC＝maxLC+LS， xreal表示真实样本，xdeco表示由解码器合成的伪样本，xgen表示由生成器合成的伪样本，N0,1表示标准正态分布，表示服从均值和方差的正态分布，MSE表示均方误差算子，KLD表示Kullback-Leibler散度算子，表示期望算子，p表示概率，C表示样本类别，S表示样本来源，LC表示正确类的对数似然，LS表示正确源的对数似然；步骤S2.2：以地海杂波原始样本均衡训练数据集作为AC-VAEGAN的训练集，构建用于天波雷达地海杂波样本合成的En子模块、DeG子模块和DC子模块；En子模块的组件包括一维卷积、批归一化、LeakyReLU激活函数和全连接层；DeG子模块的组件包括一维反卷积、批归一化、ReLU激活函数、Tanh激活函数；DC子模块的组件包括一维卷积、批归一化、LeakyReLU激活函数、全连接层、Sigmoid激活函数和Softmax激活函数；步骤S2.3：训练用于地海杂波样本合成的AC-VAEGAN，进而，将训练好的AC-VAEGAN的DeG拆分出来，合成指定类别的地海杂波合成样本；步骤三：设计所述地海杂波样本的质量评估指标，对所述步骤二合成的所述地海杂波样本的质量进行评估，选择评估结果良好的地海杂波样本的基于改进生成对抗网络的地海杂波样本合成模型为地海杂波数据增强备选模型；步骤四：以所述步骤一构建的地海杂波样本不均衡训练数据集和样本稀缺训练数据集作为训练集，来训练经所述步骤三得到的地海杂波数据增强备选模型；利用评估后能提升地海杂波分类准确率的地海杂波数据增强备选模型作为地海杂波数据增强模型。

全文数据：

权利要求：

百度查询： 西北工业大学 一种改进生成对抗网络的天波雷达地海杂波数据增强方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD