CN112307926B - 一种基于生成对抗网络的声学被动式舰船目标分类方法 - Google Patents
一种基于生成对抗网络的声学被动式舰船目标分类方法 Download PDFInfo
- Publication number
- CN112307926B CN112307926B CN202011152727.3A CN202011152727A CN112307926B CN 112307926 B CN112307926 B CN 112307926B CN 202011152727 A CN202011152727 A CN 202011152727A CN 112307926 B CN112307926 B CN 112307926B
- Authority
- CN
- China
- Prior art keywords
- network
- generation
- signal
- ship
- noise
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于生成对抗网络的声学被动式舰船目标分类方法,该方法基于生成对抗网络结构:生成网络采用深度卷积神经网络构成,通过通道数的展宽和压缩对输入信号进行降噪;判别网络采用ACGAN的判别网络结构构成,对真伪信息和类别信息进行判别,通过生成网络和判别网络的不断对抗提高降噪性能,进而获得更好的识别效果;并且在每次生成网络与判别网络对抗之前增加对生成网络参数的更新,进一步提高降噪性能。该方法提高了舰船目标识别的精度与信噪比失配下的稳健性。
Description
技术领域
本发明属于模式识别技术领域,具体涉及一种目标分类方法。
背景技术
通过舰船的辐射噪声对舰船进行识别是水声领域中很重要的一部分,尤其是对水下目标的识别。舰船辐射噪声主要由机械噪声、螺旋桨噪声和水动力噪声组成。其中机械噪声是低频段的主要成分,由强线谱和弱连续谱组成;螺旋桨噪声包括由螺旋桨空化噪声产生的连续谱和螺旋桨叶片震动产生的线谱;水动力噪声主要是海水划过舰船壳体产生的连续谱。不同型号的舰船由于其吨位、船体结构和机械设备等的不同使得其辐射噪声也存在差异。
可分性强的舰船辐射噪声特征提取是目标识别的关键环节。传统的特征主要包括时域波形特征、谱分析特征参数、时频分析特征参数、非线性特征参数等。但是这些特征容易受到噪声的干扰,在海况条件较为恶劣或面对远距离目标等低信噪比的情况下识别准确率会受到很大的影响。
由于经验丰富的声呐员可以通过人耳来识别舰船的类型,基于模拟人耳听觉系统的一些特征参数也被应用到水声目标识别中,如响度特征、音色特征、梅尔倒谱系数(Mel-Frequency Cepstral Coefficients,MFCC)等。但是对于不同种类的舰船目标其可分性强的特征不一定相同。如何选取合适的特征也是水声目标识别的一大难题,主成分分析法、粗糙集理论、遗传算法等特征选取与融合的算法虽然在一定程度上解决了上述问题,但是仍然受限于特征的维度与数量。
深度学习作为一种新的方法为水声目标识别提供了一种新的思路,这种方法可以从时域波形、频谱等最底层的特征出发,自适应的提取合适的特征和分类器进行整体最优化。但由于水声数据样本获取困难,难以建立舰船在不同海况下辐射噪声的完备数据库,在实际情况中往往会出现训练样本与测试样本信噪比失配的问题。
发明内容
为了克服现有技术的不足,本发明提供了一种基于生成对抗网络的声学被动式舰船目标分类方法,该方法基于生成对抗网络结构:生成网络采用深度卷积神经网络构成,通过通道数的展宽和压缩对输入信号进行降噪;判别网络采用ACGAN的判别网络结构构成,对真伪信息和类别信息进行判别,通过生成网络和判别网络的不断对抗提高降噪性能,进而获得更好的识别效果;并且在每次生成网络与判别网络对抗之前增加对生成网络参数的更新,进一步提高降噪性能。该方法提高了舰船目标识别的精度与信噪比失配下的稳健性。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤1:构建生成对抗网络;
生成对抗网络依次由生成网络和判别网络连接组成;
所述生成网络依次由5个卷积单元连接组成,每个卷积单元依次由一维卷积层、激活函数层、批量归一化层和L2正则化层连接组成;生成网络为单输入单输出;
所述判别网络依次由4个卷积单元、1个全局平均池化层和2个全连接层连接组成;每个卷积单元依次由一维卷积层、激活函数层、批量归一化层、池化层和L2正则化层连接组成;判别网络为单输入双输出;
步骤2:将实测舰船辐射噪声信号作为标准信号;给标准信号中添加不同信噪比的高斯白噪声模拟相同海域、不同海况下的舰船辐射噪声,生成低信噪比舰船辐射噪声;对低信噪比舰船辐射噪声建立类别标签,并划分训练集和测试集;
步骤3:使用训练集独立训练生成网络和判别网络;
步骤3-1:在训练生成网络时,判别网络不参与生成网络的训练,生成网络输入为低信噪比舰船辐射噪声,输出为对输入信号降噪后的生成信号,损失函数为输出的生成信号与对应的标准信号之间的均方误差函数;使用Adam算法进行小批量梯度下降,加入L2正则化防止过拟合,使均方误差函数最小,完成训练;
步骤3-2:在训练判别网络时,生成网络不参与判别网络的训练,判别网络输入为生成网络输出的生成信号或者标准信号,一个输出为舰船真假信息,对应的损失函数二元交叉熵损失函数;另一个输出为舰船类别信息,对应的损失函数为多元交叉熵损失函数;使用Adam算法进行小批量梯度下降,加入L2正则化防止过拟合,使二元交叉熵损失函数和多元交叉熵损失函数最小时完成训练;
步骤4:微调生成网络和判别网络;
步骤4-1:微调生成网络;
将判别网络的参数冻结,只更新生成网络的参数;此时生成对抗网络的输入为加入低信噪比舰船辐射噪声,对应的标签为真和舰船种类;生成对抗网络的输出为真假信息和种类信息,损失函数分别为二元交叉熵损失函数和多元交叉熵损失函数;使用Adam算法进行小批量梯度下降,加入L2正则化防止过拟合;
步骤4-2:微调判别网络;
将生成网络的参数冻结,只更新判别网络的参数;判别网络的输入为低信噪比舰船辐射噪声通过生成网络后输出的生成信号,对应的标签为假和舰船的种类;生成对抗网络的输出为真假信息和种类信息,损失函数分别为二元交叉熵损失函数和多元交叉熵损失函数;使用Adam算法进行小批量梯度下降,加入L2正则化防止过拟合;
步骤5:重复步骤3和步骤4,使步骤4-1和步骤4-2中的损失函数收敛完成网络训练;使用测试集对网络进行测试;
步骤6:将舰船辐射噪声输入已经训练好的生成网络中进行降噪,得到生成信号;再将生成信号输入到已经训练好的判别网络中进行识别,得到舰船类别信息。
本发明的有益效果是:由于采用了本发明的一种基于生成对抗网络的声学被动式舰船目标分类方法,通过深度学习将降噪、特征提取和分类器融合在一起,在舰船噪声的测试样本和训练样本信噪比失配的情况下提高识别的精度,同时该方法具有较强的稳健性和泛化能力。
附图说明
图1是本发明方法流程图。
图2是本发明方法生成网络的网络结构示意图。
图3是本发明方法判别网络的网络结构示意图。
图4是本发明方法生成对抗网络训练过程示意图,图(a)是生成网络和判别网络独立训练,图(b)是判别网络微调,图(c)是生成网络微调。
图5是本发明方法分类正确率随SNR变化情况图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1所示,本发明提供了一种基于生成对抗网络的声学被动式舰船目标分类方法,包括以下步骤:
步骤1:构建生成对抗网络;
生成对抗网络依次由生成网络和判别网络连接组成;
所述生成网络依次由5个卷积单元连接组成,每个卷积单元依次由一维卷积层、激活函数层、批量归一化层和L2正则化层连接组成;生成网络为单输入单输出;
所述判别网络依次由4个卷积单元、1个全局平均池化层和2个全连接层连接组成;每个卷积单元依次由一维卷积层、激活函数层、批量归一化层、池化层和L2正则化层连接组成;判别网络为单输入双输出;
步骤2:将实测舰船辐射噪声信号作为标准信号;给标准信号中添加不同信噪比的高斯白噪声模拟相同海域、不同海况下的舰船辐射噪声,生成低信噪比舰船辐射噪声;对低信噪比舰船辐射噪声建立类别标签,并划分训练集和测试集;
步骤3:使用训练集独立训练生成网络和判别网络;
步骤3-1:在训练生成网络时,判别网络不参与生成网络的训练,生成网络输入为低信噪比舰船辐射噪声,输出为对输入信号降噪后的生成信号,损失函数为输出的生成信号与对应的标准信号之间的均方误差函数;使用Adam算法进行小批量梯度下降,加入L2正则化防止过拟合,使均方误差函数最小,完成训练;
步骤3-2:在训练判别网络时,生成网络不参与判别网络的训练,判别网络输入为生成网络输出的生成信号或者标准信号,一个输出为舰船真假信息,对应的损失函数二元交叉熵损失函数;另一个输出为舰船类别信息,对应的损失函数为多元交叉熵损失函数;使用Adam算法进行小批量梯度下降,加入L2正则化防止过拟合,使二元交叉熵损失函数和多元交叉熵损失函数最小时完成训练;
步骤4:微调生成网络和判别网络;
步骤4-1:微调生成网络;
将判别网络的参数冻结,只更新生成网络的参数;此时生成对抗网络的输入为加入低信噪比舰船辐射噪声,对应的标签为真和舰船种类;生成对抗网络的输出为真假信息和种类信息,损失函数分别为二元交叉熵损失函数和多元交叉熵损失函数;使用Adam算法进行小批量梯度下降,加入L2正则化防止过拟合;
步骤4-2:微调判别网络;
将生成网络的参数冻结,只更新判别网络的参数;判别网络的输入为低信噪比舰船辐射噪声通过生成网络后输出的生成信号,对应的标签为假和舰船的种类;生成对抗网络的输出为真假信息和种类信息,损失函数分别为二元交叉熵损失函数和多元交叉熵损失函数;使用Adam算法进行小批量梯度下降,加入L2正则化防止过拟合;
步骤5:重复步骤3和步骤4,使步骤4-1和步骤4-2中的损失函数收敛完成网络训练;使用测试集对网络进行测试;
步骤6:将舰船辐射噪声输入已经训练好的生成网络中进行降噪,得到生成信号;再将生成信号输入到已经训练好的判别网络中进行识别,得到舰船类别信息。
具体实施例:
本实施例将4段不同型号的高质量实测舰船辐射噪声信号作为标准信号,通过给其添加不同信噪比的高斯白噪声来模拟相同海域、不同海况下的舰船辐射噪声。具体过程如下:
首先对4组实测的舰船辐射噪声进行降采样,使得4组舰船辐射噪声的采样频率一致,然后以50ms为一帧,重叠率为50%,进行分帧。把分帧后的数据进行划分,75%作为为训练样本,25%作为测试样本,并且对每个样本加入相应的类别标签。
分别给上述划分好的训练样本和测试样本添加不同信噪比的高斯白噪声。训练集添加方法为,添加0dB~15dB的高斯白噪声,其中信噪比的量化间隔为2.5dB;测试集添加方法为,添加0dB~12dB的高斯白噪声,其中信噪比的量化间隔为2dB;以模拟测试样本和训练样本信噪比失配的情况。其中未加噪声的训练样本作为标准信号。
如图2所示,生成网络由5个卷积单元组成,每个卷积单元由3x1卷积层、激活函数层(Leaky ReLU)批量归一化层以及L2正则化层组成。舰船辐射噪声输入生成网络会经过5个卷积层,通过改变卷积核的数量,将信号先展宽再压缩,最终输出一个尺寸与输入完全相同的生成信号。
如图3所示,判别网络由4个卷积单元、1个全局平均池化层、2个全连接层组成,每个卷积单元由3x1卷积层、激活函数层(Leaky ReLU)、批量归一化层、池化层和L2正则化层组成。标准信号或生成信号输入判别网络经过4个卷积单元后输出尺寸为128x10,然后经过全局平均池化层后输出尺寸为128x1,最后分别经过两个全连接层,分别输出真假信息和类别信息。
下面结合附图4对本实施例的训练过程进行详细说明。
1、分别对生成网络和判别网络进行独立微调,如附图4(a)所示。
生成网络的输入为低信噪比的舰船辐射噪声,输出为降噪后的生成信号,损失函数为生成信号与相对应的标准信号之间的均方误差,使用Adam算法进行小批量梯度下降,加入L2正则化防止过拟合。通过对生成网络的训练,使得其均方误差收敛,达到降噪的效果,其中具体参数如表1所示。
表1:单独训练生成网络过程的具体参数
优化器 | Adam(α=0.0002β<sub>1</sub>=0.5,β<sub>2</sub>=0.999) |
L2惩罚系数 | 0.0005 |
批量大小 | 64 |
Leaky ReLU斜率系数 | 0.2 |
判别网络的输入为标准信号,其对应的标签为真实(1)和舰船的种类;输出为真假信息(0/1)和种类信息,相对应的损失函数分别为二元交叉熵损失函数和多元交叉熵损失函数。使用Adam算法进行小批量梯度下降,加入L2正则化防止过拟合。通过对判别网络的训练使得其能分辨出真实信号以及舰船的种类,其中具体参数如表2所示。
表2:训练生成对抗网络过程的具体参数
优化器 | Adam(α=[0.0002,0.0005],β<sub>1</sub>=0.5,β<sub>2</sub>=0.999) |
L2惩罚系数 | 0.0005 |
批量大小 | 64 |
Leaky ReLU斜率系数 | 0.2 |
2、对判别网络进行微调。将生成网络的参数冻结,只更新判别网络的参数,如附图4(b)所示。判别网络的输入为低信噪比的舰船辐射噪声通过生成网络后输出的生成信号,其对应的标签为虚假(0)和舰船的种类;输出为真假信息(0/1)和种类信息,相对应的损失函数分别为二元交叉熵损失函数和多元交叉熵损失函数。使用Adam算法进行小批量梯度下降,加入L2正则化防止过拟合。通过对判别网络的训练使得其能分辨出生成信号以及舰船的种类。
3、对生成网络进行微调。将判别网络的参数冻结,只更新生成网络的参数如附图4(c)所示。生成网络的输入为低信噪比的舰船辐射噪声,其对应的标签为真实(1)和舰船的种类;输出为真假信息(0/1)和种类信息,相对应的损失函数分别为二元交叉熵损失函数和多元交叉熵损失函数。使用Adam算法进行小批量梯度下降,加入L2正则化防止过拟合。通过对生成网络的训练,使得其输出的生成信号,逼近标准信号从而欺骗过判别网络,进一步加强降噪效果。
4、顺序重复以上三步,直至收敛。通过生成网络和判别网络的不断对抗使得生成信号越来越逼近标准信号从而实现舰船辐射噪声的降噪进而提高分类的准确率和稳健性。
本实施例将梅尔倒谱系数结合高斯混合模型的方法(MFCC-GMM)和BP神经网络这两种方法与本发明所提供的方法在相同的实验条件下进行了对比,结果如图5所示。圆圈代表本发明提供方法的分类结果;三角表示BP神经网络的分类结果;星号表示MFCC-GMM方法的分类结果。通过对比可以发现,本发明相对其他两种方法具有更高的识别的精度和稳健性。
Claims (1)
1.一种基于生成对抗网络的声学被动式舰船目标分类方法,其特征在于,包括以下步骤:
步骤1:构建生成对抗网络;
生成对抗网络依次由生成网络和判别网络连接组成;
所述生成网络依次由5个卷积单元连接组成,每个卷积单元依次由一维卷积层、激活函数层、批量归一化层和L2正则化层连接组成;生成网络为单输入单输出;
所述判别网络依次由4个卷积单元、1个全局平均池化层和2个全连接层连接组成;每个卷积单元依次由一维卷积层、激活函数层、批量归一化层、池化层和L2正则化层连接组成;判别网络为单输入双输出;
步骤2:将实测舰船辐射噪声信号作为标准信号;给标准信号中添加不同信噪比的高斯白噪声模拟相同海域、不同海况下的舰船辐射噪声,生成低信噪比舰船辐射噪声;对低信噪比舰船辐射噪声建立类别标签,并划分训练集和测试集;
步骤3:使用训练集独立训练生成网络和判别网络;
步骤3-1:在训练生成网络时,判别网络不参与生成网络的训练,生成网络输入为低信噪比舰船辐射噪声,输出为对输入信号降噪后的生成信号,损失函数为输出的生成信号与对应的标准信号之间的均方误差函数;使用Adam算法进行小批量梯度下降,加入L2正则化防止过拟合,使均方误差函数最小,完成训练;
步骤3-2:在训练判别网络时,生成网络不参与判别网络的训练,判别网络输入为生成网络输出的生成信号或者标准信号,一个输出为舰船真假信息,对应的损失函数二元交叉熵损失函数;另一个输出为舰船类别信息,对应的损失函数为多元交叉熵损失函数;使用Adam算法进行小批量梯度下降,加入L2正则化防止过拟合,使二元交叉熵损失函数和多元交叉熵损失函数最小时完成训练;
步骤4:微调生成网络和判别网络;
步骤4-1:微调生成网络;
将判别网络的参数冻结,只更新生成网络的参数;此时生成对抗网络的输入为加入低信噪比舰船辐射噪声,对应的标签为真和舰船种类;生成对抗网络的输出为真假信息和种类信息,损失函数分别为二元交叉熵损失函数和多元交叉熵损失函数;使用Adam算法进行小批量梯度下降,加入L2正则化防止过拟合;
步骤4-2:微调判别网络;
将生成网络的参数冻结,只更新判别网络的参数;判别网络的输入为低信噪比舰船辐射噪声通过生成网络后输出的生成信号,对应的标签为假和舰船的种类;生成对抗网络的输出为真假信息和种类信息,损失函数分别为二元交叉熵损失函数和多元交叉熵损失函数;使用Adam算法进行小批量梯度下降,加入L2正则化防止过拟合;
步骤5:重复步骤3和步骤4,使步骤4-1和步骤4-2中的损失函数收敛完成网络训练;使用测试集对网络进行测试;
步骤6:将舰船辐射噪声输入已经训练好的生成网络中进行降噪,得到生成信号;再将生成信号输入到已经训练好的判别网络中进行识别,得到舰船类别信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011152727.3A CN112307926B (zh) | 2020-10-26 | 2020-10-26 | 一种基于生成对抗网络的声学被动式舰船目标分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011152727.3A CN112307926B (zh) | 2020-10-26 | 2020-10-26 | 一种基于生成对抗网络的声学被动式舰船目标分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112307926A CN112307926A (zh) | 2021-02-02 |
CN112307926B true CN112307926B (zh) | 2022-12-06 |
Family
ID=74331174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011152727.3A Active CN112307926B (zh) | 2020-10-26 | 2020-10-26 | 一种基于生成对抗网络的声学被动式舰船目标分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112307926B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2607290A (en) * | 2021-05-28 | 2022-12-07 | Bae Systems Plc | Apparatus and method of classification |
CN113850013B (zh) * | 2021-07-09 | 2022-09-13 | 西北工业大学 | 一种舰船辐射噪声分类方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220600A (zh) * | 2017-05-17 | 2017-09-29 | 清华大学深圳研究生院 | 一种基于深度学习的图片生成方法及生成对抗网络 |
CN109284786A (zh) * | 2018-10-10 | 2019-01-29 | 西安电子科技大学 | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 |
CN109784401A (zh) * | 2019-01-15 | 2019-05-21 | 西安电子科技大学 | 一种基于acgan的极化sar图像分类方法 |
CN109890043A (zh) * | 2019-02-28 | 2019-06-14 | 浙江工业大学 | 一种基于生成式对抗网络的无线信号降噪方法 |
CN109948693A (zh) * | 2019-03-18 | 2019-06-28 | 西安电子科技大学 | 基于超像素样本扩充和生成对抗网络高光谱图像分类方法 |
CN110610207A (zh) * | 2019-09-10 | 2019-12-24 | 重庆邮电大学 | 一种基于迁移学习的小样本sar图像舰船分类方法 |
WO2020003533A1 (en) * | 2018-06-29 | 2020-01-02 | Nec Corporation | Pattern recognition apparatus, pattern recognition method, and computer-readable recording medium |
CN110647927A (zh) * | 2019-09-18 | 2020-01-03 | 长沙理工大学 | 一种基于acgan图像半监督分类算法 |
CN110827809A (zh) * | 2018-08-13 | 2020-02-21 | 中国科学院声学研究所 | 一种基于条件生成式对抗网络的语种识别分类方法 |
CN110909770A (zh) * | 2019-11-05 | 2020-03-24 | 上海眼控科技股份有限公司 | 结合acgan的图像样本处理方法、装置、系统和介质 |
CN111027439A (zh) * | 2019-12-03 | 2020-04-17 | 西北工业大学 | 基于辅助分类生成对抗网络的sar目标识别方法 |
-
2020
- 2020-10-26 CN CN202011152727.3A patent/CN112307926B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220600A (zh) * | 2017-05-17 | 2017-09-29 | 清华大学深圳研究生院 | 一种基于深度学习的图片生成方法及生成对抗网络 |
WO2020003533A1 (en) * | 2018-06-29 | 2020-01-02 | Nec Corporation | Pattern recognition apparatus, pattern recognition method, and computer-readable recording medium |
CN110827809A (zh) * | 2018-08-13 | 2020-02-21 | 中国科学院声学研究所 | 一种基于条件生成式对抗网络的语种识别分类方法 |
CN109284786A (zh) * | 2018-10-10 | 2019-01-29 | 西安电子科技大学 | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 |
CN109784401A (zh) * | 2019-01-15 | 2019-05-21 | 西安电子科技大学 | 一种基于acgan的极化sar图像分类方法 |
CN109890043A (zh) * | 2019-02-28 | 2019-06-14 | 浙江工业大学 | 一种基于生成式对抗网络的无线信号降噪方法 |
CN109948693A (zh) * | 2019-03-18 | 2019-06-28 | 西安电子科技大学 | 基于超像素样本扩充和生成对抗网络高光谱图像分类方法 |
CN110610207A (zh) * | 2019-09-10 | 2019-12-24 | 重庆邮电大学 | 一种基于迁移学习的小样本sar图像舰船分类方法 |
CN110647927A (zh) * | 2019-09-18 | 2020-01-03 | 长沙理工大学 | 一种基于acgan图像半监督分类算法 |
CN110909770A (zh) * | 2019-11-05 | 2020-03-24 | 上海眼控科技股份有限公司 | 结合acgan的图像样本处理方法、装置、系统和介质 |
CN111027439A (zh) * | 2019-12-03 | 2020-04-17 | 西北工业大学 | 基于辅助分类生成对抗网络的sar目标识别方法 |
Non-Patent Citations (4)
Title |
---|
《Generative Adversarial Networks Based on Denoising and Reconstruction Regularization》;Li Yanchun等;《2019 IEEE 21st International Conference on High Performance Computing and Communications》;20191231;第2162-2168页 * |
《Recent Progress on Generative Adversarial Networks (GANs): A Survey》;Zhaoqing Pan等;《IEEE Access》;20190402;第7卷;第36322-36333页 * |
《基于深度网络ACGAN的图像识别》;易珂等;《电子技术与软件工程》;20181231;第60-61页 * |
《采用ACGAN及多特征融合的高光谱遥感图像分类》;刘群等;《华侨大学学报(自然科学版)》;20190131;第40卷(第1期);第113-120页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112307926A (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800700B (zh) | 一种基于深度学习的水下声信号目标分类识别方法 | |
CN107609488B (zh) | 一种基于深度卷积网络的舰船噪声识别分类方法 | |
CN110867181B (zh) | 基于scnn和tcnn联合估计的多目标语音增强方法 | |
CN108447495B (zh) | 一种基于综合特征集的深度学习语音增强方法 | |
CN110718232B (zh) | 一种基于二维语谱图和条件生成对抗网络的语音增强方法 | |
CN112307926B (zh) | 一种基于生成对抗网络的声学被动式舰船目标分类方法 | |
CN106529428A (zh) | 基于深度学习的水下目标识别方法 | |
Wang et al. | ia-PNCC: Noise Processing Method for Underwater Target Recognition Convolutional Neural Network. | |
CN109977724B (zh) | 一种水下目标分类方法 | |
CN113191178B (zh) | 一种基于听觉感知特征深度学习的水声目标识别方法 | |
CN106772331A (zh) | 目标识别方法和目标识别装置 | |
CN113673312A (zh) | 基于深度学习的雷达信号脉内调制识别方法 | |
CN112615804A (zh) | 一种基于深度学习的短突发水声通信信号调制识别方法 | |
CN115661627A (zh) | 一种基于GAF-D3Net的单波束水下目标识别方法 | |
CN111899750A (zh) | 联合耳蜗语音特征和跳变深层神经网络的语音增强算法 | |
CN117310668A (zh) | 融合注意力机制与深度残差收缩网络的水声目标识别方法 | |
CN110444225B (zh) | 基于特征融合网络的声源目标识别方法 | |
CN116417011A (zh) | 基于特征融合和残差cnn的水声目标识别方法 | |
CN115909040A (zh) | 一种基于自适应多特征融合模型的水声目标识别方法 | |
Guo et al. | Underwater target detection and localization with feature map and CNN-based classification | |
Zhang et al. | Underwater acoustic source separation with deep Bi-LSTM networks | |
CN115932808A (zh) | 一种基于多特征融合的被动声纳智能探测方法 | |
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 | |
CN112820318A (zh) | 一种基于gmm-ubm的冲击声模型建立、冲击声检测方法及系统 | |
CN113109795A (zh) | 一种基于深度神经网络的深海直达声区目标深度估计方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |