一种改进生成对抗网络的天波雷达地海杂波数据增强方法

1.本发明属于雷达数据处理领域中的频谱数据处理技术，涉及一种改进生成对抗网络的天波雷达地海杂波数据增强方法。


背景技术：

2.天波雷达工作在高频波段，利用电离层对高频电磁波的反射效应，实现对视距外目标的远距离探测，在远程预警中有着重要的应用价值。雷达到目标之间的往返距离是由雷达坐标系下测得的射线距离和方位，为得到量测目标的实际位置，必须将其转换为大地坐标系下的距离和方位值，称这一过程为坐标配准。
3.天波雷达由发射机发出电磁波信号，并由电离层折射至地海表面，目标或杂波的回波信号沿原路返回至接收机形成地海杂波，图1展示了天波雷达某波束全距离段的频谱图。天波雷达地海杂波识别即为辨识雷达回波每个距离-方位单元背景杂波来源为地或海的过程。利用地海杂波识别结果形成地/海分界线或地形轮廓，然后将其与先验地理信息匹配可为目标定位提供坐标配准参数，其能够以较小代价改善目标定位精度。图2-图4展示了从频谱图采样得到的距离-方位单元海、地、地海交界杂波样本。海杂波的一阶布拉格峰是由天波雷达发射的高频电磁波和海浪的布拉格共振散射形成的，呈现为对称于零频的双峰。地杂波样本由于陆地或岛屿的回波特性无明显运动起伏，故呈现为处于零频附近的单峰。地海交界杂波样本融合了海杂波样本和地杂波样本的特性，呈现为处于零频附近的三峰。
4.现有的基于深度学习的方法需要大量的标注训练数据，以供分类器学习大量的自由参数，实现对后续分类任务的准确预测。虽然地海杂波数据易于大量采集，但人工标注工作相当繁琐。由于缺乏一些或所有类的标记训练数据，常常使分类器难以进行优化。因此，有必要考虑提升地海杂波数据不均衡和稀缺情形下分类器的性能。
5.在图像分类任务中，解决样本稀缺的最有效方式之一是数据增强，传统的图像数据增强方法通过对训练数据做一系列几何仿射变换，如平移、旋转、镜像、剪裁、缩放等，能够在不实际收集更多数据的前提下提升分类器的性能。然而，地海杂波训练样本为雷达回波信号，以上方式并不适用。解决样本类别不均衡的一种最直接方式是随机采样，分为随机过采样和随机欠采样。随机过采样是指从少数类中随机复制样本以均衡数据集。由于随机过采样后的数据集中会反复出现一些样本，导致模型容易过拟合。相反，随机欠采样是指从多数类中随机丢弃样本以均衡数据集。由于随机欠采样后的数据集可能丢失有用信息，导致模型只学到部分总体模式。
6.生成对抗网络作为一种新型的无监督和半监督隐式概率密度生成模型，因其强大的数据合成能力已经成功应用于数据增强。研究如何基于生成对抗网络对不均衡、稀缺地海杂波样本进行数据增强建模具有实际工程意义。另外，高质量的地海杂波合成样本能够作为数据增强的保障。地海杂波样本为雷达回波信号，不能仅以图像领域的评估方法评估合成样本的质量，需设计可靠的地海杂波样本质量评估指标对合成样本的质量进行评估。


技术实现要素：

7.本发明的目的是，提出一种改进生成对抗网络的天波雷达地海杂波数据增强算法，以解决天波雷达因地海样本不均衡甚至稀缺导致深度卷积神经网络分类模型性能急剧下降的问题。
8.本发明的技术方案是：一种改进生成对抗网络的天波雷达地海杂波数据增强方法，包括以下步骤：
9.步骤一：构建并划分地海杂波原始样本均衡、样本不均衡及样本稀缺三种训练数据集和测试集；
10.步骤二：构建基于改进生成对抗网络的地海杂波样本合成模型，以所述步骤一构建的所述地海杂波原始样本均衡训练数据集作为所述基于改进生成对抗网络的地海杂波样本合成模型的训练集，合成地海杂波样本；
11.步骤三：设计所述地海杂波样本的质量评估指标，对所述步骤二合成的所述地海杂波样本的质量进行评估，选择评估结果良好的地海杂波样本的基于改进生成对抗网络的地海杂波样本合成模型为地海杂波数据增强备选模型；
12.步骤四：以所述步骤一构建的地海杂波样本不均衡训练数据集和样本稀缺训练数据集作为训练集，来训练经所述步骤三得到的地海杂波数据增强备选模型；利用评估后能提升地海杂波分类准确率的地海杂波数据增强备选模型作为地海杂波数据增强模型。
13.进一步的，步骤一的具体内容为：
14.步骤s1.1：从天波雷达地海杂波距离-多普勒谱数据库中筛选距离-方位单元地海杂波样本，作为地海杂波原始均衡样本数据集；所述地海杂波原始均衡样本数据集包括海杂波、地杂波和地海交界杂波；所述地海杂波原始均衡样本数据集包括训练集和测试集；
15.步骤s1.2：从步骤s1.1构建的地海杂波原始均衡样本训练集中，划分出至少一组地海杂波样本不均衡训练集；
16.步骤s1.3：从步骤s1.1构建的地海杂波原始均衡样本训练集中，划分出至少一组地海杂波样本稀缺训练集；
17.进一步的，步骤二的具体内容为：
18.步骤s2.1：将变分自编码生成对抗网络与辅助分类器生成对抗网络融合，得到辅助分类器变分自编码生成对抗网络，即基于改进生成对抗网络的地海杂波样本合成模型ac-vaegan；
19.辅助分类器变分自编码生成对抗网络的网络结构由编码器en、解码器de/生成器g以及判别器d/分类器c三部分组成；
20.其中，g的输入端为随机噪声序列与类别属性的组合，并添加了由变分自编码生成对抗网络的en编码得到的随机噪声序列与类别属性的组合；
21.ac-vaegan的损失函数如下所示：
22.l＝l
vae
l
de/g
l
d/c
，
23.其中，
[0024][0025]
l
de/g
＝max l
c-ls，
[0026]
l
d/c
＝max lc ls，
[0027][0028][0029]
x
real
表示真实样本，x
deco
表示由解码器合成的伪样本，x
gen
表示由生成器合成的伪样本，n(0,1)表示标准正态分布，表示服从均值和方差的正态分布，mse表示均方误差算子，kld表示kullback-leibler散度算子，表示期望算子，p表示概率，c表示样本类别，s表示样本来源，lc表示正确类的对数似然，ls表示正确源的对数似然；
[0030]
步骤s2.2：以地海杂波原始样本均衡训练数据集作为ac-vaegan的训练集，构建用于天波雷达地海杂波样本合成的en子模块、de/g子模块和d/c子模块；
[0031]
en子模块的组件包括一维卷积、批归一化、leakyrelu激活函数和全连接层；de/g子模块的组件包括一维反卷积、批归一化、relu激活函数、tanh激活函数；d/c子模块的组件包括一维卷积、批归一化、leakyrelu激活函数、全连接层、sigmoid激活函数和softmax激活函数；
[0032]
步骤s2.3：训练用于地海杂波样本合成的ac-vaegan，进而，将训练好的ac-vaegan的de/g拆分出来，合成指定类别的地海杂波合成样本。
[0033]
进一步的，步骤三的具体内容为：
[0034]
步骤s3.1：提出结合生成对抗网络领域的传统评估和信号领域的统计评估两种地海杂波合成样本评估方式，并得到五种性能评估指标，具体为gan-train、gan-test、绝对距离、余弦相似度和皮尔森相关系数；
[0035]
步骤s3.2：基于步骤s3.1中提出的五种性能评估指标，对步骤二合成的地海杂波合成样本的质量进行评估；
[0036]
步骤s3.3：基于评估结果，选择评估结果良好的地海杂波样本的基于改进生成对抗网络的地海杂波样本合成模型为地海杂波数据增强备选模型。
[0037]
进一步的，步骤四的具体内容为：
[0038]
步骤s4.1：以步骤一构建的地海杂波样本不均衡训练数据集和地海杂波样本稀缺训练数据集为基准，分别训练resnet18深度卷积神经网络模型，进而在相应的测试集上测试并记录resnet18模型的分类性能；
[0039]
步骤s4.2：针对步骤s4.1中的训练数据集，分别训练用于地海杂波样本合成的ac-vaegan；
[0040]
步骤s4.3：利用步骤s4.2中训练好的ac-vaegan，分别对步骤s4.1中的地海杂波样本不均衡练数据集和地海杂波样本稀缺训练数据集的少数类进行数据增强，得到均衡的地海杂波样本数据集；
[0041]
步骤s4.4：以步骤s4.3中得到的均衡的地海杂波样本数据集为基准，分别训练resnet18模型，进而在相应的测试集上测试并记录resnet18模型的分类性能；
[0042]
步骤s4.5：对比步骤s4.1与s4.4记录的resnet18模型的分类性能结果，利用评估后能提升resnet18模型的地海杂波分类准确率的地海杂波数据增强备选模型作为地海杂
波数据增强模型
[0043]
本发明的效果是：在天波雷达地海杂波分类任务中，受雷达工作任务及电离层环境等因素的限制，地海杂波样本存在不均衡甚至稀缺现象，导致分类模型的性能急剧下降。针对上述问题，本发明提出一种改进的ac-gan网络架构——ac-vaegan，实验证明本发明提出的ac-vaegan相较于ac-gan能够合成更高质量的地海杂波样本。同时，利用本发明提出的ac-vaegan对不均衡和稀缺地海杂波样本进行数据增强，实验证明提出的ac-vaegan能够显著提升深度卷积神经网络分类模型的性能，提升地海杂波样本不均衡、稀缺情形下深度卷积神经网络分类模型的性能。
附图说明
[0044]
图1为背景技术中提到的天波雷达某波束全距离段的频谱图；
[0045]
图2为背景技术中提到的从频谱图采样得到的距离-方位单元海杂波样本；
[0046]
图3为背景技术中提到的从频谱图采样得到的距离-方位单元地杂波样本；
[0047]
图4为背景技术中提到的从频谱图采样得到的距离-方位单元地海交界杂波样本；
[0048]
图5为本发明中ac-vaegan地海杂波数据增强模型；
[0049]
图6为本发明实施例中ac-vaegan的训练损失曲线；
[0050]
图7为本发明实施例中ac-vaegan的训练分类准确率曲线；
[0051]
图8为本发明实施例中利用ac-vaegan合成的海杂波样本；
[0052]
图9为本发明实施例中利用ac-vaegan合成的地杂波样本；
[0053]
图10为本发明实施例中利用ac-vaegan合成的地海交界杂波样本；
[0054]
图11为本发明实施例中ac-vaegan对不均衡和稀缺地海杂波样本数据增强的评估结果。
具体实施方案
[0055]
下面结合附图和具体实施方式对本发明进行详细说明。
[0056]
本发明提供了一种天波雷达地海杂波数据增强算法，包括如下内容：
[0057]
步骤一：构建并划分地海杂波原始样本均衡、样本不均衡及样本稀缺训三种练数据集和测试集；
[0058]
步骤s1.1：地海杂波数据集来源为天波雷达目标或杂波的回波功率谱。具体地，天波雷达由发射机发出电磁波信号，并由电离层折射至地海表面，目标或杂波的回波信号沿原路返回至接收机形成地海杂波。从天波雷达地海杂波距离-多普勒谱数据库中筛选符合项目要求的距离-方位单元地海杂波样本，作为地海杂波原始均衡样本数据集，符合项目要求所述的距离-方位单元海杂波样本呈现为对称于零频的双峰、地杂波样本呈现为处于零频附近的单峰、地海交界杂波样本呈现为处于零频附近的三峰。地海杂波原始均衡样本数据集包括海杂波、地杂波和地海交界杂波；所述地海杂波原始均衡样本数据集包括训练集和测试集。
[0059]
例如，海杂波、地杂波、地海交界杂波样本总量各为1000，其中训练样本量为700(占70％)，测试样本量为300(占30％)。训练样本用于生成对抗网络和resnet18模型的训练及合成样本的评估，测试样本仅用于合成样本的评估且不参与任何训练过程。
[0060]
步骤s1.2：从步骤s1.1构建的地海杂波原始均衡样本训练集中，划分出至少一组地海杂波样本不均衡训练集；
[0061]
例如，在步骤s1.1构建的地海杂波原始均衡样本数据集的基础上，划分三组地海杂波样本不均衡数据集，分别为地海交界、地、海杂波样本作为少数类的不均衡数据集。地海杂波样本不均衡的测试集与步骤s1.1构建的地海杂波原始均衡样本测试集相同。三组地海杂波原始均衡样本的训练集划分分别如下：
[0062]
(1)海杂波样本量为700(占100％)，地杂波样本量为700(占100％)，地海交界杂波样本量为140(占20％)；
[0063]
(2)海杂波样本量为700(占100％)，地杂波样本量为140(占20％)，地海交界杂波样本量为700(占100％)；
[0064]
(3)海杂波样本量为140(占20％)，地杂波样本量为700(占100％)，地海交界杂波样本量为700(占100％)。
[0065]
步骤s1.3：从步骤s1.1构建的地海杂波原始均衡样本训练集中，划分出至少一组地海杂波样本稀缺训练集。
[0066]
例如，在步骤s1.1构建的地海杂波原始均衡样本数据集的基础上，划分三组地海杂波样本稀缺数据集，分别表示稀缺程度由轻到重情形下的地海杂波样本数据集。地海杂波样本稀缺的测试集与步骤s1.1构建的测试集相同。三组地海杂波样本稀缺训练集划分分别如下：
[0067]
(1)海杂波样本量为350(占50％)，地杂波样本量为350(占50％)，地海交界杂波样本量为350(占50％)；
[0068]
(2)海杂波样本量为210(占30％)，地杂波样本量为210(占30％)，地海交界杂波样本量为210(占30％)；
[0069]
(3)海杂波样本量为140(占20％)，地杂波样本量为140(占20％)，地海交界杂波样本量为140(占20％)。
[0070]
步骤二：构建基于改进生成对抗网络的地海杂波样本合成模型，以所述步骤一构建的所述地海杂波原始样本均衡训练数据集作为所述基于改进生成对抗网络的地海杂波样本合成模型的训练集，合成地海杂波样本。
[0071]
步骤s2.1：针对天波雷达因地海样本不均衡和稀缺导致分类模型性能急剧下降的问题。本发明将变分自编码生成对抗网络(variational autoencoder generative adversarial networks,vaegan)与辅助分类器生成对抗网络(auxiliary classifier generative adversarial networks,ac-gan)加以融合，提出一种改进的vaegan/ac-gan，称之为辅助分类器变分自编码生成对抗网络(auxiliary classifier variational autoencoder generative adversarial networks,ac-vaegan)，即基于改进生成对抗网络的地海杂波样本合成模型；
[0072]
ac-vaegan的网络结构整体上与vaegan的网络结构相同，如图5所示，由编码器(encoder,en)、解码器(decoder,de)/生成器(generator,g)以及判别器(discriminator,d)/分类器(classifier,c)三部分组成。不同之处在于，ac-gan的g的输入端为随机噪声序列与类别属性的组合，而提出的ac-vaegan在此基础上添加了额外的输入组合，即由vaegan的en编码得到的随机噪声序列与类别属性的组合。由于后者的随机噪声序列是由原始数据
进行降维编码得到的，故其编码序列与类别属性的组合优于前者，使得ac-vaegan合成样本的质量优于ac-gan。另一方面，提出的ac-vaegan同样可视为改进的vaegan，其在vaegan合成样本的同时可以指定合成样本的类别。此外，定义的ac-vaegan的损失函数如下所示：
[0073]
l＝l
vae
l
de/g
l
d/c
；
[0074]
其中，
[0075][0076]
l
de/g
＝max l
c-ls，
[0077]
l
d/c
＝max lc ls，
[0078][0079][0080]
x
real
表示真实样本，x
deco
表示由解码器合成的伪样本，x
gen
表示由生成器合成的伪样本，n(0,1)表示标准正态分布，表示服从均值和方差的正态分布，mse表示均方误差算子，kld表示kullback-leibler散度算子，表示期望算子，p表示概率，c表示样本类别，s表示样本来源，lc表示正确类的对数似然，ls表示正确源的对数似然；
[0081]
步骤s2.2：以地海杂波原始样本均衡训练数据集作为ac-vaegan的训练集，构建用于天波雷达地海杂波样本合成的en、de/g和d/c的子模块。
[0082]
en包含9层神经网络：第1层为conv1d leakyrelu，第2-7层为conv1d bn1d leakyrelu，第8层为fc leakyrelu，第9层为fc。en的作用是从真实地海杂波样本中学习数据的表征并将其编码为低维隐变量z
deco
＝en(x
real
)。
[0083]
de/g包含9层神经网络：第1层为deconv1d bn1d relu，第2-8层为deconv1d bn1d relu，第8层为fc leakyrelu，第9层为deconv1d tanh。de/g的作用是将低维隐变量连同伪标签解码/生成为高维合成样本，高维合成样本包括重构样本和生成样本；
[0084]
d/c包含9层神经网络：第1层为conv1d leakyrelu，第2-7层为conv1d bn1d leakyrelu，第8层为fc leakyrelu，第9层分为两个通道，9_1为fc sigmoid，9_2为fc softmax。d/c的作用是将来自真实/重构/生成样本的判别为真假概率或分类为类别标签；
[0085]
步骤s2.3：训练用于地海杂波样本合成的ac-vaegan模型。进而，将训练好的ac-vaegan模型的de/g拆分出来，合成指定类别的地海杂波合成样本。
[0086]
步骤三：设计所述地海杂波样本的质量评估指标，对所述步骤二合成的所述地海杂波样本的质量进行评估，选择评估结果良好的地海杂波样本的基于改进生成对抗网络的地海杂波样本合成模型为地海杂波数据增强备选模型；
[0087]
步骤s3.1：提出结合生成对抗网络领域的传统评估和信号领域的统计评估两种地海杂波合成样本评估方式，并得到五种性能评估指标，具体为gan-train、gan-test、绝对距离、余弦相似度和皮尔森相关系数。gan-train使用合成样本作为训练集训练分类器、真实样本作为测试集得到分类准确率，用于评估合成样本的多样性。gan-test使用真实样本作为训练集训练分类器、合成样本作为测试集得到分类准确率，用于评估合成样本的保真性。
后者包括绝对距离(absolute distance,ad)、余弦相似度(cosine similarity,cs)和皮尔森相关系数(pearson correlation coefficient,ppc)。ad作为一种直接的距离度量，能够衡量两个样本之间的绝对距离，用ad评估地海杂波合成样本和真实样本之间的信号幅值能量差，ad的取值范围为[0， ∞，值越小合成的样本越好。cs衡量两个样本之间的方向相似度，用cs评估地海杂波合成样本和真实样本之间信号在方向性上的差异，cs的取值范围为[-1，1]，值越大合成的样本越好。进一步，除了从幅值能量差与信号方向差衡量信号之间的相似度外，衡量雷达信号相似度最常用的方法是相关函数，引入pcc评估地海杂波合成样本与真实样本之间的线性相关程度，pcc的取值范围为[-1，1]，值越大合成的样本越好。
[0088]
步骤s3.2：基于步骤s3.1中提出的五种性能评估指标，对步骤二合成的地海杂波样本的质量进行评估。在对地海杂波合成样本使用gan-train和gan-test评估时，采用resnet18网络结构。
[0089]
步骤s3.3：基于评估结果，选择评估结果良好的地海杂波样本的基于改进生成对抗网络的地海杂波样本合成模型为地海杂波数据增强备选模型。
[0090]
基于步骤s3.1中提出的五种性能评估指标，将步骤二合成的地海杂波样本与相同参数设定下ac-gan合成的地海杂波样本的质量进行评估，以验证ac-vaegan与ac-gan性能的优劣。
[0091]
步骤四：以所述步骤一构建的地海杂波样本不均衡训练数据集和样本稀缺训练数据集作为训练集，来训练经所述步骤三得到的地海杂波数据增强备选模型；利用评估后能提升地海杂波分类准确率的地海杂波数据增强备选模型作为地海杂波数据增强模型。
[0092]
以步骤一构建的地海杂波样本不均衡训练数据集和地海杂波样本稀缺训练数据集为基准，分别训练resnet18深度卷积神经网络模型，进而在相应的测试集上测试并记录resnet18模型的分类性能；
[0093]
步骤s4.2：针对步骤s4.1中的训练数据集，分别训练用于地海杂波样本合成的ac-vaegan模型；
[0094]
步骤s4.3：利用步骤s4.2中训练好的ac-vaegan模型，分别对步骤s4.1中的地海杂波样本不均衡练数据集和地海杂波样本稀缺训练数据集的少数类进行数据增强，得到均衡的地海杂波样本数据集；
[0095]
步骤s4.4：以步骤s4.3中得到的均衡的地海杂波样本数据集为基准，分别训练resnet18模型，进而在相应的测试集上测试并记录resnet18模型的分类性能；
[0096]
步骤s4.5：对比步骤s4.1与s4.4记录的resnet18模型的分类性能结果，利用评估后能提升resnet18模型的地海杂波分类准确率的地海杂波数据增强备选模型作为地海杂波数据增强模型。
[0097]
实施例
[0098]
1.构建并划分地海杂波原始样本均衡、样本不均衡及样本稀缺训练数据集和测试集：
[0099]
本实施例包含七组数据集：一组原始样本均衡数据集、三组样本不均衡数据集和三组样本稀缺数据集。每组数据包含海、地、地海交界三种类别，相应的类别标签分别为0、1、2。第一到七组的训练集样本量分别如下所示：
[0100]
(1)海杂波样本量为700，地杂波样本量为700，地海交界杂波样本量为700；
[0101]
(2)海杂波样本量为700，地杂波样本量为700，地海交界杂波样本量为140；
[0102]
(3)海杂波样本量为700，地杂波样本量为140，地海交界杂波样本量为700；
[0103]
(4)海杂波样本量为140，地杂波样本量为700，地海交界杂波样本量为700；
[0104]
(5)海杂波样本量为350，地杂波样本量为350，地海交界杂波样本量为350；
[0105]
(6)海杂波样本量为210，地杂波样本量为210，地海交界杂波样本量为210；
[0106]
(7)海杂波样本量为140，地杂波样本量为140，地海交界杂波样本量为140；测试集样本一致，且海杂波样本量为300，地杂波样本量为300，地海交界杂波样本量为300。
[0107]
2.构建ac-vaegan数据增强模型。
[0108]
本实施例构建的ac-vaegan数据增强模型的子模块en、de/g和d/c的细节描述如下：
[0109]
en包含9层神经网络：第1层为conv1d leakyrelu，第2-7层为conv1d bn1d leakyrelu，第8层为fc leakyrelu，第9层为fc。所有的卷积核配置相同：卷积核尺寸为4，步幅为2，填充为1。输入1
×
512的真实图像，经第1层，通道数扩大8倍，图像尺寸缩小1/2。再经第2-7层，通道数依次扩大2倍，图像尺寸依次缩小1/2。将得到的特征向量展平，依次经第8-9层，输出100维的特征向量，用于拟合高斯分布的均值μ和对数方差logσ2。从标准正态分布n(0,1)采样得到随机噪声序列z,结合重参数化技巧，得到服从正态分布n(μ,σ2)的100维随机噪声序列z
deco
。
[0110]
de/g包含9层神经网络：第1层为deconv1d bn1d relu，第2-8层为deconv1d bn1d relu，第8层为fc leakyrelu，第9层为deconv1d tanh。第1层的卷积核配置：卷积核尺寸为4，步幅为1，无填充，第2-8层的卷积核配置相同：卷积核尺寸为4，步幅为2，填充为1。将en编码得到的服从n(μ,σ2)的100维随机噪声序列z
deco
或服从n(0,1)的100维随机噪声序列z
gen
与3维类别属性c的独热编码结合作为de/g的输入，经第1层，通道数变为512，特征向量维度变为4。再经第2-8层，通道数依次缩小1/2，图像尺寸依次扩大2倍。最后经第9层，输出1
×
512的重构图像x
deco
或生成图像x
gen
。
[0111]
d/c包含9层神经网络：第1层为conv1d leakyrelu，第2-7层为conv1d bn1d leakyrelu，第8层为fc leakyrelu，第9层分为两个通道，9_1为fc sigmoid，9_2为fc softmax。输入1
×
512的真实/重构/生成图像，经第1-8层与en一致，经第9层的9_1通道的输出为1维真假概率，经9_2通道的输出为3维分类结果。
[0112]
3.训练用于地海杂波样本合成的ac-vaegan模型并合成指定类别的地海杂波合成样本，并对合成样本作以评估。
[0113]
在本实施例实验中，用于训练ac-vaegan模型的实验环境及相应版本号为：system:windows10(64-bit)、gpu:nvidia geforce rtx 3090、cuda:11.6、python:3.9.0(in anaconda 4.11.0)、torch:1.11.0、torchvision:0.12.0、numpy:1.22.3、matplotlib:3.5.1。
[0114]
用于训练ac-vaegan的参数配置为：training epoch:1000、batch size:64、learning rate:0.0001、kld、mse loss:sum、bce loss、cross entropy loss、adma optimizer:beta1-0.5,beta2-0.999、data normalization:/255、weight initialization。
[0115]
以原始地海杂波样本训练数据集中的海、地、地海交界三类样本作为网络的输入。
使用小批量随机梯度下降算法，每次先训练d/c再训练de/g和en。交替反复训练1000轮次，训练过程的损失曲线和分类准确率曲线分别如图6和图7所示，由图可知，ac-vaegan的训练相当稳定，并且容易收敛。
[0116]
利用训练好的ac-vaegan，合成指定类别的700个海杂波合成样本、700个地杂波合成样本和700个地海交界杂波合成样本，如图8-10所示。此外，在相同参数设定下用ac-gan合成地海杂波合成样本。基于gan-train、gan-test、ad、cs、pcc评估合成样本的质量，评估结果如表1所示。
[0117]
表1地海杂波合成样本评估结果
[0118][0119]
由评估结果可知，ac-vaegan合成样本的所有性能评估指标都得到了较高的分数，且都优于ac-gan。能够作为地海杂波样本数据增强的备选模型。
[0120]
4.以地海杂波样本不均衡和样本稀缺训练数据集作为训练集，分别训练ac-vaegan数据增强模型并测试数据增强性能。
[0121]
以本实施例步骤1中的三组样本不均衡数据集和三组样本稀缺数据集为基准，进行数据增强实验。实验步骤如下：(1)选定数据增强数据集no.k，(2)基于当前数据集no.k，训练ac-vaegan，(3)用训练好的ac-vaegan对少数类样本进行数据增强，得到均衡的地海杂波样本数据集，记为no.k-aug，(4)以no.k和no.k-aug作为训练数据集，测试集保存不变，分别记录训练resnet18网络达到稳态后的平均分类准确率，取重复100次训练的最佳平均分类准确率作为最终的测试结果。测试结果如图11所示。
[0122]
由对比结果可知，使用数据增强后的地海杂波样本分类准确率相比数据增强前都有明显提升。no.1-no.3分别表示地海交界、地、海杂波样本作为少数类的不均衡数据集，由数据增强评估结果可知，ac-vaegan数据增强方式能够提升每类样本不均衡情形下的分类性能。no.4-no.6分别表示稀缺程度由轻到重情形下的地海杂波样本数据集，由数据增强评估结果可知，ac-vaegan数据增强方式能够提升样本稀缺情形下的分类性能，且随着样本稀缺程度加重，对分类准确率的提升效果越明显。因此，提出的ac-vaegan方法能够作为天波雷达地海杂波样本数据增强的有效工具。
[0123]
本发明将变分自编码生成对抗网络与辅助分类器生成对抗网络加以融合，提出一种改进的变分自编码生成对抗网络/辅助分类器生成对抗网络，称之为辅助分类器变分自编码生成对抗网络，即一种改进生成对抗网络的地海杂波样本合成模型。辅助分类器变分自编码生成对抗网络的网络结构整体上与变分自编码生成对抗网络的网络结构相同，由编码器、解码器/生成器以及判别器/分类器三部分组成。不同之处在于，辅助分类器生成对抗网络的生成器的输入端为随机噪声序列与类别属性的组合，而提出的辅助分类器变分自编码生成对抗网络在此基础上添加了额外的输入组合，即由变分自编码生成对抗网络的编码
器编码得到的随机噪声序列与类别属性的组合。由于后者的随机噪声序列是由原始数据降维编码得到的，其蕴含着具备类别属性的原始数据在隐空间中的分布，故其编码序列与类别属性的组合优于前者，使得辅助分类器变分自编码生成对抗网络的训练比辅助分类器生成对抗网络更有效，且辅助分类器变分自编码生成对抗网络比辅助分类器生成对抗网络更容易合成高质量的样本。另一方面，提出的辅助分类器变分自编码生成对抗网络同样可视为改进的变分自编码生成对抗网络，其在变分自编码生成对抗网络合成样本的同时可以指定合成样本的类别。
[0124]
本发明的辅助分类器变分自编码生成对抗网络合成的地海杂波样本用于后续数据增强任务，故合成样本的质量性尤为重要。据我们所知，对生成对抗网络合成样本质量的评估尚未形成统一标准。在生成对抗网络领域，提出了各种定量评估指标从不同维度对生成对抗网络合成样本的质量进行评估，包括inception scores、mode scores、fr
é
chet inception distance、maximum mean discrepancy、earth mover’s distance以及gan-train/gan-test等。但由于上述评估指标的侧重点不同，大量实践经验表明，不同评估指标会对生成对抗网络合成样本的质量得出不同结论。因此，需根据实际应用场景设定合适的评估指标。地海杂波样本采用的是天波雷达频谱数据。上述生成对抗网络领域的指标旨在从图像视觉角度评价合成样本的质量，并不完全适用于地海杂波样本评估。为此，提出将生成对抗网络领域评估与信号领域统计评估相结合的方法，包括gan-train、gan-test、绝对距离、余弦相似度、皮尔森相关系数，对辅助分类器变分自编码生成对抗网络合成的地海杂波样本质量进行评价。