申请/专利权人:西北工业大学
申请日:2023-11-21
公开(公告)日:2024-04-02
公开(公告)号:CN117807433A
主分类号:G06F18/214
分类号:G06F18/214;G06F18/2131;G06N3/045;G06N3/0464;G06N3/0475;G06N3/048;G06N3/094
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.19#实质审查的生效;2024.04.02#公开
摘要:本发明提供了一种抑制水声目标识别中数据集不平衡的样本扩充方法,充分利用卷积神经网络的学习和决策性能,将卷积神经网络应用到CGAN网络的生成器和判别器,生成器中采用三层卷积神经网络,依据学习到的特征,针对性的生成数量较少的类别样本,判别器采用一层卷积神经网络的结构,在每次训练中判断生成器生成的时频特征和真实样本的时频特征的真伪并将判定结果反馈给生成器促使生成器生成质量更高的时频特征样本,在此CGAN网络中,输入由水声样本的时频特征代替了原始的水声信号,使得生成器能更好地学习数据特征。该网络可以自主定义生成数据的类别,定向补充数据集,解决因数据集中某类数据占比太小的不平衡问题引起的整体识别准确率不高的问题。
主权项:1.一种抑制水声目标识别中数据集不平衡的样本扩充方法,其特征在于,包括以下步骤:步骤1:对样本数量失配的水声信号按照种类信息进行分类,组成数据集,并对数据集进行训练集和测试集的划分;步骤2:对步骤1得到的数据集进行分帧和加窗,并在帧内进行快速傅里叶变换,计算能量谱以得到水声信号的时频特征;步骤3:搭建CGAN网络的生成器,其中生成器由三层卷积神经网络组成,且在各层网络之间的LeakyReLU激活函数为LeakyReLU函数;LeakyReLU激活函数的公式为: 其中a为每一层神经网络的输出;步骤4:搭建CGAN网络的判别器,判别器由一层卷积神经网络组成,激活函数为Sigmoid激活函数,公式为: 其中b为每一层神经网络的输出,Sigmoid函数的输出在0,1之间;步骤5:将想要生成的类别标签与符合正态分布的随机噪声一起输入生成器中;步骤6:将生成器生成的虚假时频特征和步骤2获得的数据集中真实的时频特征一起输入判别器中;步骤7:对步骤3建立的生成器和步骤4建立的判别器进行训练;步骤8:训练完成后,将生成的特定种类虚假样本合并入样本数量失配的数据集,使数据集平衡。
全文数据:
权利要求:
百度查询: 西北工业大学 一种抑制水声目标识别中数据集不平衡的样本扩充方法
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。