CN111931412A - 一种基于生成式对抗网络的水中目标噪声lofar谱图仿真方法 - Google Patents
一种基于生成式对抗网络的水中目标噪声lofar谱图仿真方法 Download PDFInfo
- Publication number
- CN111931412A CN111931412A CN202010564554.XA CN202010564554A CN111931412A CN 111931412 A CN111931412 A CN 111931412A CN 202010564554 A CN202010564554 A CN 202010564554A CN 111931412 A CN111931412 A CN 111931412A
- Authority
- CN
- China
- Prior art keywords
- layer
- follows
- basic process
- lofar
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004088 simulation Methods 0.000 title claims abstract description 34
- 230000008569 process Effects 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 21
- 230000003213 activating effect Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims 2
- 235000006506 Brasenia schreberi Nutrition 0.000 claims 1
- 238000013178 mathematical model Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 17
- 230000004913 activation Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于生成式对抗网络的水中目标噪声LOFAR谱图仿真方法，首先根据水声目标噪声LOFAR谱图参数，构建卷积神经网络生成模型和卷积神经网络判别模型，从而构建成面向水中目标噪声LOFAR谱图仿真的生成式对抗网络模型，其次构建水声目标LOFAR谱图训练样本集对数据仿真模型进行训练和完善，最后基于训练完善的模型对随机噪声数据进行处理，实现仿真样本生成。本发明的有益效果为：本专利使用深层卷积生成式对抗网络模型对高维水中目标噪声LOFAR谱图进行学习并实现仿真数据生成，与传统基于物理数学模型的目标数据仿真方法相比，其处理能力直接来自于对实际样本特征的学习，生成数据对真实目标特性的刻画更准确。
Description
技术领域
本发明属于水声目标噪声仿真以及人工智能技术领域，具体涉及一种基于生成式对抗网络的水中目标噪声LOFAR谱图仿真方法。
背景技术
水中目标识别技术是利用声纳接收的水中目标辐射噪声以及其它传感器信息判别目标类型的信息处理技术，可为声纳员提供目标特征信息，判别目标类型，是进行综合决策的重要依据。当前，随着计算机技术的发展，以深度学习为代表的人工智能技术兴起，其在水声目标识别中的应用也称为业界研究的热点。深度学习结构复杂，需要大量数据训练才能有效提高其泛化能力。受试验条件等影响，水声目标数据获取困难，高质量纯净训练样本量少，成为深度学习方法应用的主要制约因素之一。
通过仿真手段实现高质量样本生成，是提高训练样本规模、解决样本匮乏的途径之一。传统水声数据仿真生成方法通常基于物理数学模型，由于目标发声机理、水声环境及声传播等十分复杂，基于现有水声目标/信道/环境的认知水平很难生成能准确表征目标与环境特性的仿真数据。因此，基于传统声场和声传播模型生成的仿真数据很难有效对深度学习模型进行训练。
生成式对抗网络自I Goodfellow等人提出后，逐渐受到学术界和工业界的重视，在理论、算法和模型上不断发展，应用领域不断扩大，当前已经在计算机视觉、自然语言处理、语音增强等领域得到了应用。生成式对抗网络以博弈论中的零和博弈理论为基础，将生成问题视作判别器和生成器的对抗和博弈，图1所示为生成式对抗网络原理框图。生成模型用于不断学习训练数据集中真实数据的概率分布，其学习目标是将输入的随机噪声变换为可以以假乱真的仿真数据，判别模型用来判断生成的仿真数据是否为真实数据，其学习目标是区分生成模型生成的仿真数据与真实样本。通过生成模型和判别模型相互竞争的方式实现整个网络训练，在训练过程中生成模型和判别模型的能力将同时得到增强，使得生成模型在没有大量先验知识和分布的前提下也能学习到真实数据的本质特性，刻画出真实样本的分布概率，生成与真实数据相似的新数据。
发明内容
本发明针对水声目标数据获取困难，高质量纯净训练样本量少等局限，而提供一种基于生成式对抗网络的水中目标噪声LOFAR谱图仿真方法，针对水中目标辐射噪声LOFAR谱图特点构建深层卷积生成式对抗网络，通过大量复杂非线性迭代变换掌握LOFAR谱图特征变化规律，在此基础上实现从随机噪声到LOFAR谱图仿真数据的深层次变换，生成高逼真度仿真LOFAR谱图。与基于物理数学模型的水声目标数据仿真手段相比，本智力成果提出通过生成式对抗网络实现仿真数据生成，其处理能力直接来自于对实际样本特征的学习，生成的数据对真实目标特性的刻画更准确。
本发明的目的是通过如下技术方案来完成的。本发明提供了一种基于生成式对抗网络的水中目标噪声LOFAR谱图仿真方法，首先根据水声目标噪声LOFAR谱图参数，构建卷积神经网络生成模型和卷积神经网络判别模型，从而构建成面向水中目标噪声LOFAR谱图仿真的生成式对抗网络模型，其次构建水声目标LOFAR谱图训练样本集对数据仿真模型进行训练和完善，最后基于训练完善的模型对随机噪声数据进行处理，实现仿真样本生成。
本发明的有益效果为：本发明使用深层卷积生成式对抗网络模型对高维水中目标噪声LOFAR谱图进行学习并实现仿真数据生成，与传统基于物理数学模型的目标数据仿真方法相比，其处理能力直接来自于对实际样本特征的学习，生成数据对真实目标特性的刻画更准确。
附图说明
图1所示为生成式对抗网络原理框图。
图2所示为信号处理流程图，其中包括模型构建、模型训练和模型应用三个阶段，在“具体实现方法”中详细描述了整个信号处理过程。
图3所示为生成式对抗网络LOFAR谱图仿真结果，其中图3(a)所示为生成式对抗网络模型学习对象，图3(b)所示为LOFAR谱图仿真生成结果，可以看到，生成式对抗网络模型可以较好的学习源数据对象特征，生成与学习对象相似度很高的结果。
具体实施方式
下面将结合附图和实施例对本发明做详细的介绍：
本发明提供了一种基于生成式对抗网络的水中目标噪声LOFAR谱图仿真方法，首先根据水声目标噪声LOFAR谱图参数，构建卷积神经网络生成模型和卷积神经网络判别模型，从而构建成面向水中目标噪声LOFAR谱图仿真的生成式对抗网络模型，其次构建水声目标LOFAR谱图训练样本集对数据仿真模型进行训练和完善，最后基于训练完善的模型对随机噪声数据进行处理，实现仿真样本生成。本发明针对水声目标数据获取困难，高质量纯净训练样本量少等局限，应用目前的先进智能化信息处理技术，构建与水中目标辐射噪声LOFAR谱图特点相适配的深层卷积生成式对抗网络模型，通过大量复杂非线性迭代变换掌握LOFAR谱图特征变化规律，在此基础上实现从随机噪声到LOFAR谱图仿真数据的深层次变换，生成高逼真度仿真LOFAR谱图，是人工智能算法在水声信号处理领域应用的创新方法。本发明的具体实施方式如下：
(1)基于TensorFlow框架构建面向水中目标噪声LOFAR谱图仿真的生成式对抗网络模型，基本过程如下：
(1.1)构建生成模型，基本过程如下：
(1.1.1)基于0～1之间正态分布的随机数，新建特征向量[48,1,1,100]
(1.1.2)构建反卷积层1，基本过程如下：
(1.1.2.1)设计反卷积层，卷积核参数为[4,12,1024](其中4和12分别为卷积核长和宽，1024为通道数量，下同)，步长为(1,1)，Valid模式填充。
(1.1.2.2)加入BatchNorm层，使输出特征保持与输入特征相同的分布，即标准正态分布，下同。
(1.1.2.3)使用ReLU函数进行激活。
(1.1.3)构建反卷积层2，基本过程如下：
(1.1.3.1)设计反卷积层，卷积核参数[4,4,512]，步长为(2,2)，Same模式填充。
(1.1.3.2)加入BatchNorm层。
(1.1.3.3)使用ReLU函数进行激活。
(1.1.4)构建反卷积层3，基本过程如下：
(1.1.4.1)设计反卷积层，卷积核参数[4,3,256]，步长为(2,2)，Valid模式填充。
(1.1.4.2)加入BatchNorm层。
(1.1.4.3)使用ReLU函数进行激活。
(1.1.5)构建反卷积层4，基本过程如下：
(1.1.5.1)设计反卷积层，卷积核参数[3,3,128]，步长为(2,2)，Valid模式填充。
(1.1.5.2)加入BatchNorm层。
(1.1.5.3)使用ReLU函数进行激活。
(1.1.6)构建反卷积层5，基本过程如下：
(1.1.6.1)设计反卷积层，卷积核参数[3,4,128]，步长为(2,2)，Valid模式填充。
(1.1.6.2)加入BatchNorm层。
(1.1.6.3)使用ReLU函数进行激活。
(1.1.7)构建反卷积层6，基本过程如下：
(1.1.7.1)设计反卷积层，卷积核参数[4,4,1]，步长为(2,2)，Same模式填充。
(1.1.7.2)加入BatchNorm层。
(1.1.7.3)使用ReLU函数进行激活。
(1.1.8)使用tanh函数进行激活，得到最终输出结果。
(1.2)构建判别模型，基本过程如下：
(1.2.1)构建卷积层1，基本过程如下：
(1.2.1.1)设计卷积层，卷积核参数为[4,4,128]，步长为[2,2]，Same模式填充。
(1.2.1.2)加入BatchNorm层。
(1.2.1.3)使用Leaky ReLU函数进行激活。
(1.2.2)构建卷积层2，基本过程如下：
(1.2.2.1)设计卷积层，卷积核参数为[3,4,256]，步长为[2,2]，Valid模式填充。
(1.2.2.2)加入BatchNorm层。
(1.2.2.3)使用Leaky ReLU函数进行激活。
(1.2.3)构建卷积层3，基本过程如下：
(1.2.3.1)设计卷积层，卷积核参数为[3,3,512]，步长为[2,2]，Valid模式填充。
(1.2.3.2)加入BatchNorm层。
(1.2.3.3)使用Leaky ReLU函数进行激活。
(1.2.4)构建卷积层4，基本过程如下：
(1.2.4.1)设计卷积层，卷积核参数为[4,3,1024]，步长为[2,2]，Valid模式填充。
(1.2.4.2)加入BatchNorm层。
(1.2.4.3)使用Leaky ReLU函数进行激活。
(1.2.5)构建卷积层5，基本过程如下：
(1.2.5.1)设计卷积层，卷积核参数为[4,5,1024]，步长为[2,2]，Same模式填充。
(1.2.5.2)加入BatchNorm层。
(1.2.5.3)使用Leaky ReLU函数进行激活。
(1.2.6)构建卷积层6，基本过程如下：
(1.2.6.1)设计卷积层，卷积核参数为[4,12,1]，步长为[2,2]，Valid模式填充。
(1.2.7)使用sigmoid函数进行激活，得到最终输出结果。
(2)对建立的生成式对抗网络模型进行训练，基本过程如下：
(2.1)构建生成式对抗网络模型损失函数，基本过程如下：
(2.1.1)设置一次输入生成式对抗网络模型的单个数据块(Batch)大小为48。
(2.1.2)基于生成模型对随机噪声Batch进行处理，得到假LOFAR谱图Batch。
(2.1.3)基于判别模型对真实LOFAR谱图Batch进行处理，返回卷积层6计算得到的特征conv6_real
(2.1.4)基于判别模型对假LOFAR谱图Batch进行处理，返回卷积层6计算得到的特征conv6_fake
(2.1.5)设置真实LOFAR谱图Batch标签为1，基于交叉熵函数计算conv6_real与真实LOFAR谱图Batch标签之间的损失值Loss_real。
(2.1.6)设置假LOFAR谱图Batch标签为0，基于交叉熵函数计算conv6_fake与假LOFAR谱图Batch标签之间的损失值Loss_fake。
(2.1.7)计算判别模型损失值Loss_D＝Loss_real+Loss_fake。
(2.1.8)设置假LOFAR谱图Batch标签为1，记为L_fake_2，基于交叉熵函数计算生成模型损失值Loss_G。
(2.2)记用于训练的水中目标辐射噪声信号库中的样本为x＝{x1(t),x2(t),…,xn(t),(n∈N*)}(矩阵中每一行数据对应一个样本)。对x进行FFT预处理，得到LOFAR谱，每累积150批LOFAR谱生成LOFAR谱图，并切割为150*400分辨率的子图像，其中150为数据累积批次，400为频点数量，构建训练样本集xTrain。
(2.3)基于xTrain对生成式对抗网络模型进行训练，具体如下。从训练数据集xTrain中随机选择一个Batch的训练样本xs，基于Adam优化器最小化判别器损失值Loss_D和生成器损失值Loss_G。
(3)基于训练完善的生成式对抗网络模型生成仿真LOFAR谱图，基本过程如下：
(3.1)基于0～1之间正态分布的随机数，新建噪声向量[48,1,1,100]。
(3.2)基于生成式对抗网络模型的生成模型对噪声向量进行前向计算，得到仿真LOFAR谱图结果。
可以理解的是，对本领域技术人员来说，对本发明的技术方案及发明构思加以等同替换或改变都应属于本发明所附的权利要求的保护范围。
Claims (2)
1.一种基于生成式对抗网络的水中目标噪声LOFAR谱图仿真方法，其特征在于：首先根据水声目标噪声LOFAR谱图参数，构建卷积神经网络生成模型和卷积神经网络判别模型，从而构建成面向水中目标噪声LOFAR谱图仿真的生成式对抗网络模型，其次构建水声目标LOFAR谱图训练样本集对数据仿真模型进行训练和完善，最后基于训练完善的模型对随机噪声数据进行处理，实现仿真样本生成。
2.根据权利要求1所述的基于生成式对抗网络的水中目标噪声LOFAR谱图仿真方法，其特征在于：
(1)基于TensorFlow框架构建面向水中目标噪声LOFAR谱图仿真的生成式对抗网络模型，基本过程如下：
(1.1)构建生成模型，基本过程如下：
(1.1.1)基于0～1之间正态分布的随机数，新建特征向量[48,1,1,100]；
(1.1.2)构建反卷积层1，基本过程如下：
(1.1.2.1)设计反卷积层，卷积核参数为[4,12,1024]，其中4和12分别为卷积核长和宽，1024为通道数量，步长为(1,1)，Valid模式填充；
(1.1.2.2)加入BatchNorm层，使输出特征保持与输入特征相同的分布，即标准正态分布；
(1.1.2.3)使用ReLU函数进行激活；
(1.1.3)构建反卷积层2，基本过程如下：
(1.1.3.1)设计反卷积层，卷积核参数[4,4,512]，步长为(2,2)，Same模式填充；
(1.1.3.2)加入BatchNorm层；
(1.1.3.3)使用ReLU函数进行激活；
(1.1.4)构建反卷积层3，基本过程如下：
(1.1.4.1)设计反卷积层，卷积核参数[4,3,256]，步长为(2,2)，Valid模式填充；
(1.1.4.2)加入BatchNorm层；
(1.1.4.3)使用ReLU函数进行激活；
(1.1.5)构建反卷积层4，基本过程如下：
(1.1.5.1)设计反卷积层，卷积核参数[3,3,128]，步长为(2,2)，Valid模式填充；
(1.1.5.2)加入BatchNorm层；
(1.1.5.3)使用ReLU函数进行激活；
(1.1.6)构建反卷积层5，基本过程如下：
(1.1.6.1)设计反卷积层，卷积核参数[3,4,128]，步长为(2,2)，Valid模式填充；
(1.1.6.2)加入BatchNorm层；
(1.1.6.3)使用ReLU函数进行激活；
(1.1.7)构建反卷积层6，基本过程如下：
(1.1.7.1)设计反卷积层，卷积核参数[4,4,1]，步长为(2,2)，Same模式填充；
(1.1.7.2)加入BatchNorm层；
(1.1.7.3)使用ReLU函数进行激活；
(1.1.8)使用tanh函数进行激活，得到最终输出结果；
(1.2)构建判别模型，基本过程如下：
(1.2.1)构建卷积层1，基本过程如下：
(1.2.1.1)设计卷积层，卷积核参数为[4,4,128]，步长为[2,2]，Same模式填充；
(1.2.1.2)加入BatchNorm层；
(1.2.1.3)使用Leaky ReLU函数进行激活；
(1.2.2)构建卷积层2，基本过程如下：
(1.2.2.1)设计卷积层，卷积核参数为[3,4,256]，步长为[2,2]，Valid模式填充；
(1.2.2.2)加入BatchNorm层；
(1.2.2.3)使用Leaky ReLU函数进行激活；
(1.2.3)构建卷积层3，基本过程如下：
(1.2.3.1)设计卷积层，卷积核参数为[3,3,512]，步长为[2,2]，Valid模式填充；
(1.2.3.2)加入BatchNorm层；
(1.2.3.3)使用Leaky ReLU函数进行激活；
(1.2.4)构建卷积层4，基本过程如下：
(1.2.4.1)设计卷积层，卷积核参数为[4,3,1024]，步长为[2,2]，Valid模式填充；
(1.2.4.2)加入BatchNorm层；
(1.2.4.3)使用Leaky ReLU函数进行激活；
(1.2.5)构建卷积层5，基本过程如下：
(1.2.5.1)设计卷积层，卷积核参数为[4,5,1024]，步长为[2,2]，Same模式填充；
(1.2.5.2)加入BatchNorm层；
(1.2.5.3)使用Leaky ReLU函数进行激活；
(1.2.6)构建卷积层6，基本过程如下：
(1.2.6.1)设计卷积层，卷积核参数为[4,12,1]，步长为[2,2]，Valid模式填充；
(1.2.7)使用sigmoid函数进行激活，得到最终输出结果；
(2)对建立的生成式对抗网络模型进行训练，基本过程如下：
(2.1)构建生成式对抗网络模型损失函数，基本过程如下：
(2.1.1)设置一次输入生成式对抗网络模型的单个数据块Batch大小为48；
(2.1.2)基于生成模型对随机噪声Batch进行处理，得到假LOFAR谱图Batch；
(2.1.3)基于判别模型对真实LOFAR谱图Batch进行处理，返回卷积层6计算得到的特征conv6_real；
(2.1.4)基于判别模型对假LOFAR谱图Batch进行处理，返回卷积层6计算得到的特征conv6_fake；
(2.1.5)设置真实LOFAR谱图Batch标签为1，基于交叉熵函数计算conv6_real与真实LOFAR谱图Batch标签之间的损失值Loss_real；
(2.1.6)设置假LOFAR谱图Batch标签为0，基于交叉熵函数计算conv6_fake与假LOFAR谱图Batch标签之间的损失值Loss_fake；
(2.1.7)计算判别模型损失值Loss_D＝Loss_real+Loss_fake；
(2.1.8)设置假LOFAR谱图Batch标签为1，记为L_fake_2，基于交叉熵函数计算生成模型损失值Loss_G；
(2.2)记用于训练的水中目标辐射噪声信号库中的样本为x＝{x1(t),x2(t),…,xn(t),(n∈N*)}，矩阵中每一行数据对应一个样本；对x进行FFT预处理，得到LOFAR谱，每累积150批LOFAR谱生成LOFAR谱图，并切割为150*400分辨率的子图像，其中150为数据累积批次，400为频点数量，构建训练样本集xTrain；
(2.3)基于xTrain对生成式对抗网络模型进行训练，具体如下；从训练数据集xTrain中随机选择一个Batch的训练样本xs，基于Adam优化器最小化判别器损失值Loss_D和生成器损失值Loss_G；
(3)基于训练完善的生成式对抗网络模型生成仿真LOFAR谱图，基本过程如下：
(3.1)基于0～1之间正态分布的随机数，新建噪声向量[48,1,1,100]；
(3.2)基于生成式对抗网络模型的生成模型对噪声向量进行前向计算，得到仿真LOFAR谱图结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010564554.XA CN111931412A (zh) | 2020-06-19 | 2020-06-19 | 一种基于生成式对抗网络的水中目标噪声lofar谱图仿真方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010564554.XA CN111931412A (zh) | 2020-06-19 | 2020-06-19 | 一种基于生成式对抗网络的水中目标噪声lofar谱图仿真方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111931412A true CN111931412A (zh) | 2020-11-13 |
Family
ID=73317219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010564554.XA Pending CN111931412A (zh) | 2020-06-19 | 2020-06-19 | 一种基于生成式对抗网络的水中目标噪声lofar谱图仿真方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111931412A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116996148A (zh) * | 2023-07-17 | 2023-11-03 | 哈尔滨工程大学 | 基于生成对抗网络的极地环境水下声信道建模方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130244710A1 (en) * | 2012-03-09 | 2013-09-19 | U.S. Army Research Laboratory ATTN: RDRL-LOC-1 | Method and System for Removal of Noise in Signal |
| CN109269547A (zh) * | 2018-07-12 | 2019-01-25 | 哈尔滨工程大学 | 基于线谱的水下目标舰船检测方法 |
| CN110245608A (zh) * | 2019-06-14 | 2019-09-17 | 西北工业大学 | 一种基于半张量积神经网络的水下目标识别方法 |
| US20200293875A1 (en) * | 2019-03-12 | 2020-09-17 | International Business Machines Corporation | Generative Adversarial Network Based Audio Restoration |
-
2020
- 2020-06-19 CN CN202010564554.XA patent/CN111931412A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130244710A1 (en) * | 2012-03-09 | 2013-09-19 | U.S. Army Research Laboratory ATTN: RDRL-LOC-1 | Method and System for Removal of Noise in Signal |
| CN109269547A (zh) * | 2018-07-12 | 2019-01-25 | 哈尔滨工程大学 | 基于线谱的水下目标舰船检测方法 |
| US20200293875A1 (en) * | 2019-03-12 | 2020-09-17 | International Business Machines Corporation | Generative Adversarial Network Based Audio Restoration |
| CN110245608A (zh) * | 2019-06-14 | 2019-09-17 | 西北工业大学 | 一种基于半张量积神经网络的水下目标识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| GUANGHAO JIN 等: "Deep learning-based framework for expansion,recognition and classification of underwater acoustic signal", 《JOURNAL OF EXPERIMENTAL & THEORETICAL ARTIFICIAL INTELLIGENCE》 * |
| 孔晓鹏 等: "基于LOFAR谱典型海鸟鸟鸣声特征分析和识别", 《声学技术》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116996148A (zh) * | 2023-07-17 | 2023-11-03 | 哈尔滨工程大学 | 基于生成对抗网络的极地环境水下声信道建模方法及装置 |
| CN116996148B (zh) * | 2023-07-17 | 2024-06-04 | 哈尔滨工程大学 | 基于生成对抗网络的极地环境水下声信道建模方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110807365B (zh) | 一种基于gru与一维cnn神经网络融合的水下目标识别方法 | |
| CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
| CN111507993A (zh) | 一种基于生成对抗网络的图像分割方法、装置及存储介质 | |
| Kong et al. | Radar emitter identification based on deep convolutional neural network | |
| CN109165735A (zh) | 基于生成对抗网络与自适应比例生成新样本的方法 | |
| CN113780242A (zh) | 一种基于模型迁移学习的跨场景水声目标分类方法 | |
| CN114332545A (zh) | 一种基于低比特脉冲神经网络的图像数据分类方法和装置 | |
| CN114201987B (zh) | 一种基于自适应识别网络的有源干扰识别方法 | |
| CN111723523A (zh) | 一种基于级联神经网络的河口余水位预测方法 | |
| CN113111786B (zh) | 基于小样本训练图卷积网络的水下目标识别方法 | |
| CN114970378A (zh) | 一种基于gan网络的海杂波样本库构建方法 | |
| Tian et al. | Joint learning model for underwater acoustic target recognition | |
| CN111983619A (zh) | 一种基于迁移学习的水声目标前向散射声扰动定位方法 | |
| Kohl et al. | Learning similarity metrics for numerical simulations | |
| CN111882042A (zh) | 用于液体状态机的神经网络架构自动搜索方法、系统及介质 | |
| CN112560034B (zh) | 基于反馈式深度对抗网络的恶意代码样本合成方法及装置 | |
| CN111931412A (zh) | 一种基于生成式对抗网络的水中目标噪声lofar谱图仿真方法 | |
| CN117611918A (zh) | 基于层次神经网络的海洋生物分类方法 | |
| CN112766381A (zh) | 有限样本下属性引导的sar图像生成方法 | |
| CN113722951B (zh) | 基于神经网络的散射体三维有限元网格优化方法 | |
| CN115329821A (zh) | 一种基于配对编码网络和对比学习的舰船噪声识别方法 | |
| CN112434716B (zh) | 一种基于条件对抗神经网络的水下目标数据扩增方法及系统 | |
| CN113516199A (zh) | 一种基于差分隐私的图像数据生成方法 | |
| CN117974736B (zh) | 一种基于机器学习的水下传感器输出信号降噪方法及系统 | |
| Ma et al. | Intelligent classification and recognition of acoustic targets based on semi-tensor product deep neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201113 |