【技术实现步骤摘要】
本专利技术涉及水下声学目标分类，尤其涉及一种基于生成式对抗网络的水下声学数据生成方法。
技术介绍
1、在水下声学目标分类（uatc）领域，通常使用的方法包括基于传统信号处理的手段，如小波变换、低频分析与记录（lofar）、以及包络调制噪声检测（demon）。这些方法在特定条件下能够获得较好的结果，但在复杂的噪声背景和变化的声学环境下表现欠佳。
2、近年来，深度学习方法也被引入，例如卷积神经网络（cnn）用于水下目标分类。然而，深度学习方法依赖于大量的标注数据，尤其是高质量的标注数据，数据稀缺的问题导致模型容易发生过拟合。生成对抗网络（gan）用于生成水下声学数据，但训练过程非常不稳定，并且收敛速度较慢，这限制了其在水下声学目标分类中的广泛应用。复杂的水下环境产生大量的样本噪声，这进一步增加了gan的训练难度。而且现有方法通常直接在复杂数据上进行训练，未能有效利用从低频到高频逐步学习的策略，导致生成结果的质量不够理想。
3、因此，亟待一种基于生成式对抗网络的水下声学数据生成方法，来克服上述技术缺陷。
技术实现思路
1、本专利技术的目的是提供一种基于生成式对抗网络的水下声学数据生成方法，通过构建自适应稳定深度卷积生成对抗网络模型，用于生成水下声学目标的合成样本，以克服现有数据稀缺的问题，提高网络收敛速度；并通过生成高质量的梅尔频率倒谱系数（mfccs），以提高水下声学目标的分类精度。
2、为实现上述目的，本专利技术提供了一种基于生成式对抗网络的水下声
3、步骤s1、基于生成对抗网络模型，结合自适应控制器，构建自适应稳定深度卷积生成对抗网络模型；
4、步骤s2、基于自适应控制器，调节生成器和判别器的训练步骤，加速网络的收敛过程；
5、步骤s3、在训练过程中，采用渐进式学习策略，从低频到高频逐步学习，稳定生成过程，提高样本生成质量。
6、优选的，在步骤s1中，基于生成对抗网络模型，结合自适应控制器，构建自适应稳定深度卷积生成对抗网络模型；
7、其中，自适应稳定深度卷积生成对抗网络模型包含：自适应控制器和渐进式学习策略。
8、优选的，在步骤s2中，基于自适应控制器，调节生成器和判别器的训练步骤，加速网络的收敛过程，其工作流程如下：
9、步骤s21、初始化生成器g和判别器d的比例参数；
10、步骤s22、在训练过程中，生成一个随机概率p；
11、步骤s23、若p符合控制器设定，当p倾向于生成器，则训练生成器网络；否则，训练判别器网络；
12、步骤s24、若p不符合控制器设定，则根据控制器调整g和d的比例参数；
13、步骤s25、将调整后的比例与p进行比较，确定下一次迭代中训练g或d的概率；
14、步骤s26、循环上述步骤，直至结束。
15、优选的，在步骤s3中，在训练过程中，采用渐进式学习策略，从低频到高频逐步学习，稳定生成过程，提高样本生成质量，具体实现步骤如下：
16、步骤s31、初始化梅尔频率倒谱系数mfccs的模糊处理；
17、步骤s32、在训练过程中，对数据集和生成的mfccs进行模糊处理；
18、步骤s33、若处于训练的早期阶段，允许生成器在不优先考虑细节的情况下进行学习，训练生成器网络；
19、步骤s34、若处于训练的后期阶段，逐渐减少模糊程度，使生成器集中于生成更清晰的mfccs；
20、步骤s35、循环上述步骤，直至结束。
21、因此，本专利技术采用上述一种基于生成式对抗网络的水下声学数据生成方法，有益效果如下：
22、1）本专利技术提升了网络的收敛速度：相比传统的生成对抗网络（gan）模型，采用自适应控制器的as-dcgan模型可以显著加速网络的收敛速度，减少训练时间约40%；
23、2）本专利技术生成的样本质量更高：渐进式学习策略使模型能够从低频逐步学习到高频特征，从而生成高质量的梅尔频率倒谱系数（mfccs），这些合成样本可以显著提高水下声学目标的分类精度；
24、3）本专利技术的数据增强效果明显：在两个公开数据集（deepship和shipsear）上，通过合成样本进行数据增强，分类精度分别提高至82.74%和86.41%，显著优于原始数据集的分类精度。
25、下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
本文档来自技高网...【技术保护点】
1.一种基于生成式对抗网络的水下声学数据生成方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于生成式对抗网络的水下声学数据生成方法，其特征在于，在步骤S1中，基于生成对抗网络模型，结合自适应控制器，构建自适应稳定深度卷积生成对抗网络模型；
3.根据权利要求1所述的一种基于生成式对抗网络的水下声学数据生成方法，其特征在于，在步骤S2中，基于自适应控制器，调节生成器和判别器的训练步骤，加速网络的收敛过程，其工作流程如下：
4.根据权利要求1所述的一种基于生成式对抗网络的水下声学数据生成方法，其特征在于，在步骤S3中，在训练过程中，采用渐进式学习策略，从低频到高频逐步学习，稳定生成过程，提高样本生成质量，具体实现步骤如下：
【技术特征摘要】
1.一种基于生成式对抗网络的水下声学数据生成方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于生成式对抗网络的水下声学数据生成方法，其特征在于，在步骤s1中，基于生成对抗网络模型，结合自适应控制器，构建自适应稳定深度卷积生成对抗网络模型；
3.根据权利要求1所述的一种基于生成式对抗网络的水下声学数...
【专利技术属性】
技术研发人员：吕曜辉，杜一飞，周飞，唐胜雨，贾洋，朱妍，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。