冷继华, 李永胜, 吕林夏, 刘礼文

基于生成对抗网络的水下样本生成方法

冷继华, 李永胜, 吕林夏, 刘礼文

(中国船舶集团有限公司 第705研究所, 陕西 西安, 710077)

神经网络技术已成为水下高速航行器目标检测的应用趋势, 该技术需要大量的训练样本以保证训练结果的准确性。生成对抗网络(GAN)作为解决训练样本稀少问题的重要方法, 被广泛应用在各个领域。文中针对水下样本特点对经典GAN模型进行改进, 提出一种基于GAN的水下样本生成方法, 以达到扩增训练样本的目的。首先构建适用于水下样本的GAN模型, 然后以实航试验数据训练模型并优化参数, 最后用该模型进行样本生成仿真并验证生成结果的有效性。仿真结果表明, 生成样本与试验样本吻合较好, 可实现试验样本的数据增强。该方法将有助于解决水下数据样本稀少问题, 为进一步应用神经网络提高水下高速航行器目标检测的效率和准确率提供参考。

水下高速航行器; 生成对抗网络; 数据增强; 水下样本; 目标检测

0 引言

水下高速航行器作为海战中水面舰艇、潜艇进攻和防御的有效装备之一, 在军事领域具备极大的潜力。世界各国在提升水下高速航行器的作战性能以及加强海军防御能力等方面都投入了大量的精力[1]。其中, 水下目标检测能力是一项重要的性能指标。由于水声信道与海洋环境的复杂性, 水下高速航行器的探测设备接收到的回波会受到各种噪声污染[2]。目前, 在进行目标检测时, 一般先对回波进行信号处理, 然后与检测门限比较得出检测结果, 该方法受混响和噪声等干扰影响, 会存在一定误差。……