一种基于生成对抗网络的海洋混响信号仿真方法

1.本发明涉及混响信号仿真领域，尤其涉及一种基于生成对抗网络的海洋混响信号仿真方法。


背景技术：

2.次级声波是由于声波在传播过程中遇到障碍物的反射而引起的，反射的次级声波也会引起两次反射和三次反射。这些被反射一次或多次的次级声波统称为散射波。混响就是由发射信号经过散射体或散射边界散射后的散射波叠加之后形成的。它在时域上与目标回波有很强的相关性，在频域上两个频谱重叠。采用常规的匹配滤波检测方法难以有效的检测出目标回波信号。因此，在研究主动声纳回波检测方法之前，首先研究混响的特性，进而实现对混响的抑制，在工程应用上有着非常重要的意义。但是在进行混响特性研究之前，还有一个难点需要克服，那就是混响数据的采集。
3.对混响特性进行研究，不仅需要对混响的生成过程进行建模，从而进行理论上的分析，更需要采用大量的数据进行验证。由于声纳设备、出海设备等成本较高的原因使得混响数据的采集较为困难，导致真实的湖、海试混响数据较为稀少。因此，为解决混响数据较少的问题，采用混响理论模型对混响数据进行仿真就显得尤为必要。传统上，混响数据是通过模拟海底混响的产生机制来获得的。模型的可用性需要大量的实际海底混响数据来验证。就混响建模理论而言，散射模型大多是、计算密集的和低效的。以往的混响仿真模型主要为点散射模型与单元散射模型，其数据计算量随着仿真时长的变长而急剧变大，往往需要较长的时间才能得到仿真结果，仿真效率较低。


技术实现要素：

4.针对上述问题，本发明专利提供了一种基于生成对抗网络(gan)的海洋混响信号仿真方法，采用少量的真实混响数据作为样本对网络进行训练，从而得到较多的混响数据，该方法可以有效解决混响数据采集困难、数据较少等问题。
5.一种基于生成对抗网络的海洋混响信号仿真方法，具体步骤如下：
6.s1,产生一个的随机信号，将随机信号输入到生成对抗网络gan中的生成器g(generator)中，产生新的信号。
7.s2、固定生成对抗网络gan中的判别器d，训练生成器g，生成器g根据判别器d反馈回来的信息调整生成器g参数。
8.s3、固定生成器g，训练判别器d，判别器d根据参考信号判断生成器生成的信号是否真实，将输出的信息反馈回判别器d，并对判别器d参数进行调整。
9.s4、重复s2和s3，循环训练生成器g和判别器d，不断增强生成器g和判别器的性能，生成器g生成精确的仿真海洋混响信号。
10.在上述技术方案的基础上，本发明还可以做如下改进。
11.进一步，所述s1具体为：
12.计算机随机生成的长度为100随机信号x＝[x1x2…
x
100
]
t
，将随机信号输入到生成器g当中。
[0013]
进一步，所述s2具体为：
[0014]
生成器g采用6层神经网络，包括输入层，四层隐含层与输出层。其中，输入层的激活函数为：
[0015][0016]
其中，α为常参数，偏置项(use_bias)设置为false，输入层与隐含层之间为全连接，隐含层激活函数都为leakyrelu函数，use_bias都为false，隐含层之间连接方式也为全连接，输出层激活函数为：
[0017][0018]
use_bias设置为false，隐含层与输出层之间为全连接方式。
[0019]
固定判别器d，训练生成器g。生成器g根据判别器d反馈回来的信息(如果判断为真则输出1，判断为假则输出0)进行调整，从而根据输入信号生成新的信号，从而加强生成器生成信号的准确性。整个生成网络的输入为长度为100的随机向量x＝[x1x2…
x
100
]
t
，经过六层网络的处理之后，输出混响数据g(z)＝[x1x2…
x
7536
]
t
。随着训练不断进行，生成器g性能不断提升，最终骗过了d。这个时候，d基本属于“瞎猜”的状态，判断是否为假数据的概率为50％，达到以假乱真的目的。具体过程如下：
[0020]
s2.1、生成器g根据输入的随机信号生成新的信号，并打标签。
[0021]
s2.2将实际获取的海洋混响信号作为判别器d的参考信号，对生成器g生成的信号进行判断，如果判断为真则输出1，判断为假则输出0。
[0022]
s2.3将判别器d输出的值与生成器g生成信号的标签计算损失，进行反向传播，自适应调整生成器g参数。
[0023]
s2.4、设置生成阈值，调整后的生成器g根据输入信号生成新的信号，重复s2.1至s2.3，直至损失低于生成阈值。
[0024]
进一步，所述s3具体为：
[0025]
判别器d采用10层神经网络，包括输入层，八层隐含层与输出层。在各层中，输入层激活函数为leakyrelu函数，use_bias设置为false，与隐含层的连接方式为全连接，隐含层激活函数为leakyrelu函数，use_bias设置为false，层与层之间的连接方式为全连接，输出层输入激活函数为sigmoid函数，use_bias设置为false，与隐含层之间的连接方式为全连接。
[0026]
固定生成器g，训练判别器d，判别网络的输入为生成网络生成的混响数据g(z)＝[x1x2…
x
7536
]
t
，长度为7536，经过隐含层的处理之后，输出为1或者0；1代表着判别网络判断该数据为真，0意味着判别网络判断该数据为假。通过不断训练，d提高了自己的鉴别能力，最终他可以准确判断出假数据，具体过程如下：
[0027]
s3.1、生成器g根据输入的随机信号生成新的信号，并打标签。
[0028]
s3.2、将实际获取的海洋混响信号作为判别器d的参考信号，对生成器g生成的信号进行判断，如果判断为真则输出1，判断为假则输出0。
[0029]
s3.3、将判别器d输出的值与生成器g生成信号的标签计算损失，进行反向传播，自
适应调整判别器d参数。
[0030]
s3.4、设置判别阈值，调整后的判别器d根据输入信号生成新的信号，重复s3.1至s3.3，直至损失高于判断阈值。
[0031]
进一步，所s4具体为：
[0032]
重复s2和s3。通过不断的循环，生成器g和判别器d构成了一个动态对抗(或博弈过程)，随着训练(对抗)的进行，生成器g生成的数据越来越接近真实数据，判别器d鉴别数据的水平越来越高。最终得到了一个效果非常好的生成器g，就可以用它来生成数据。
[0033]
本发明有益效果：
[0034]
本发明方法与点散射模型相比，在计算成本方面，影响点散射模型计算成本的主要因素是发射信号周期、海洋散射体密度、采样频率等。当放大上述三个因素中的任何一个时，总体计算成本往往会增加数百或数千倍，因此每次混响模拟都需要等待很长时间。与点散射模型不同，只有在训练网络时，基于gan的混响模拟方法才需要很高的计算量。一旦训练了网络，每个后续混响生成的计算工作量可以忽略不计。因此，相比之下，基于gan的混响模拟方法计算量较小。就通用性而言，基于点散射模型的混响模拟方法在理论上是固定的，发射信号和散射体密度等参数只能根据不同的测试条件稍作修改。然而，所提出的基于gan的混响模拟方法不同。本发明根据生成的随机信号，并以少量的实际海洋混响信号为参考，使用这些信号作为样本来模拟具有高度相似性的混响信号。因此，相比之下，所提出的基于gan的混响模拟方法具有更高的通用性。
附图说明
[0035]
图1为本发明对抗网络的结构框图；
[0036]
图2为本发明实施例真实混响数据；
[0037]
图3为本发明生成对抗网络生成的混响数据；
[0038]
图4为真实混响信号频谱图和gan生成混响频谱图；
[0039]
图5为本发明生成对抗网络生成混响信号包络概率分布图；
[0040]
图6为本发明生成对抗网络生成对抗网络生成混响信号自相关函数图。
具体实施方式
[0041]
为了使本发明的目的、技术方案更加清楚，下面结合实列对本发明实施例作进一步详细描述。
[0042]
针对上述已有技术的不足，提出了一种基于生成对抗网络的海洋混响信号仿真方法，通过本发明可以解决混响数据采集困难，数据量较少的问题。
[0043]
下面结合附图对本发明的应用原理作详细的描述。
[0044]
如图1所示，本发明实施例提供的基于生成对抗网络的混响信号方法包括以下步骤：
[0045]
步骤一，对抗网络输入为计算机随机生成的长度为100随机信号x＝[x1x2…
x
100
]
t
，将随机信号输入到生成器g当中。
[0046]
步骤二,固定判别器d，训练生成器g，生成器g根据判别器d反馈回来的信息(如果判断为真则输出1，判断为假则输出0)进行调整，从而根据输入信号生成新的信号，从而加
强生成器生成信号的准确性。开始时候，生成器g还很弱，所以很容易被判别器d判别出来是否为假数据。但随着训练不断进行，生成器g性能不断提升，最终骗过了d。这个时候，d基本属于“瞎猜”的状态，判断是否为假数据的概率为50％，达到以假乱真的目的。其中生成器g采用6层神经网络，包括输入层，四层隐含层与输出层。其中，输入层的网络输出为256，激活函数为leakyrelu函数：
[0047][0048]
偏置项use_bias设置为false，输入层与隐含层之间为全连接，隐含层共分为四层，每层的输出分别为512,1024,2048,4096，激活函数都为leakyrelu函数，use_bias都为false，隐含层之间连接方式也为全连接，输出层网络输出为7536，激活函数为sigmoid函数，use_bias设置为false，隐含层与输出层之间为全连接方式。sigmoid函数如下：
[0049][0050]
整个生成网络的输入为长度为100的随机向量x＝[x1x2…
x
100
]
t
，经过六层网络的处理之后，输出长度为7536的混响数据g(z)＝[x1x2…
x
7536
]
t
。
[0051]
步骤三，固定生成器g，训练判别器d。当通过了步骤一和步骤二，继续训练g就没有意义了。此时固定生成器g，然后开始训练d。将生成器生成的信号g(z)与参考信号一起输入到判别器d当中。通过不断训练，d提高了自己的鉴别能力，最终他可以准确判断出假数据。判别网络的输入为生成网络生成的混响数据，长度为7536，经过隐含层的处理之后，输出为1或者0。1代表着判别网络判断该数据为真，0意味着判别网络判断该数据为假。在各层中，输入层输入长度为7536，输出长度为4096，激活函数为leakyrelu函数，use_bias设置为false，与隐含层的连接方式为全连接，隐含层共有八层，输出长度分别为4096,2048,1024,512,256,128,64,32,16，激活函数为leakyrelu函数，use_bias设置为false，层与层之间的连接方式为全连接，输出层输入长度为16，输出长度为1，激活函数为sigmoid函数，use_bias设置为false，与隐含层之间的连接方式为全连接。
[0052]
步骤四，重复步骤二和步骤三中的内容。通过不断的循环，生成器g和判别器d构成了一个动态对抗(或博弈过程)，随着训练(对抗)的进行，生成器g生成的数据越来越接近真实数据，判别器d鉴别数据的水平越来越高。最终我们得到了一个效果非常好的生成器g，就可以用它来生成数据。
[0053]
下面结合仿真实验对本发明详细的描述。
[0054]
1.仿真条件：
[0055]
本发明的仿真实验是在matlab下进行的。采用生成对抗网络进行混响仿真，采用真实的湖试数据作为训练对象，湖试数据发射信号为cw信号，信号频率35khz，采样频率500khz，脉宽2毫秒，其时域波形如图2所示。
[0056]
2.仿真结果分析
[0057]
1、混响的时频域特性
[0058]
本次训练共采用1800多组数据进行训练，训练完成的网络输出的混响如图3所示。从图中可以看出，在2ms之后区间内为混响数据，从时域上可以看出，混响信号的包络按一定规律随时间衰减，是一个非平稳的随机过程，表现了混响的性质。将混响信号进行傅里叶变化，并将其与真实湖试数据进行对比，对比结果如图4所示，左图显示了真实混响信号的
频谱图，右图显示了生成对抗网络生成的混响信号的频谱图。从图中可以看出，生成对抗网络在不考虑声纳和散射体之间的相对运动的情况下产生的混响，其混响信号的频谱与真实混响信号的频谱相似，接近于发射信号的频谱，频谱的最高点在35khz，符合混响频谱的特性。
[0059]
2、混响的统计特性
[0060]
如果发射信号是窄带信号，由中心极限定理和随机信号分析理论可知，混响信号的瞬时值服从高斯分布，混响信号的包络服从瑞利分布：
[0061]
混响瞬时值v理论公式为：
[0062][0063]
式中，w为概率密度，σ
v2
为混响信号瞬时值方差，v为混响信号的瞬时值，其满足高斯分布规律。
[0064]
混响信号的包络理论公式为：
[0065][0066]
式中：w为概率密度，σ
e2
为混响信号振幅的方差，e为混响信号的包络幅值，其满足瑞利分布。
[0067]
gan生成混响信号的统计特性图如图5所示，从图中可以看出，gan产生的混响信号的瞬时幅度分布接近高斯分布，包络分布接近瑞利分布，满足理论上的混响特性。
[0068]
3、混响的时域相关特性
[0069]
尽管混响信号的统计特性取决于时间，但它仍然可以被视为具有局部或短时平稳特性的随机过程，因为其时变性比信号本身的变化慢得多，所以仍然可以在这里使用一些随机过程的分析方法。
[0070]
混响的时间相关是由一个混响信号的自相关函数描述的，若一个混响为：
[0071]
s(t)＝s0(t)cos[ω0(t)+φ(t)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0072]
式中s0(t)为幅度，ω0(t)，为角频率，φ(t)为相位，它们都随时间变化。则他的自相关函数为：
[0073][0074]
式中，τ为时间延迟，δ为常参数，对上式稍作分析即可得知，混响的自相关函数与发射信号的自相关函数相似，其自相关函数随着时间的增大而衰减，但是混响的持续时间远比发射脉冲宽度要长，在与脉冲宽度相近的持续时间内，都具有和发射信号相似的相关特征，随着持续时间增大，幅度逐渐降低，当时间相关性接近于0时，则意味着混响基本结束。
[0075]
生成对抗网络生成混响信号的时域相关函数图如图6所示，根据理论可知，混响的自相关函数与发射信号的自相关函数相似，其自相关函数随着时间的增大而衰减，但是混响的持续时间远比发射脉冲宽度要长，在与脉冲宽度相近的持续时间内，都具有和发射信号相似的相关特征，而且随着持续时间增大，幅度逐渐降低，当时间相关性接近于0时，则意
味着混响基本结束。从图中看出gan生成的混响信号符合理论。

技术特征：
1.一种基于生成对抗网络的海洋混响信号仿真方法，其特征在于，包括如下步骤：s1、产生一个的随机信号，将随机信号输入到生成对抗网络gan中的生成器g中，产生新的信号；s2、固定生成对抗网络gan中的判别器d，训练生成器g，生成器g根据判别器d反馈回来的信息调整生成器g参数；s3、固定生成器g，训练判别器d，判别器d根据参考信号判断生成器生成的信号是否真实，将输出的信息反馈回判别器d，并对判别器d参数进行调整；s4、重复s2和s3，循环训练生成器g和判别器d，不断增强生成器g和判别器的性能，生成器g生成精确的仿真海洋混响信号。2.根据权利要求1所述的一种基于生成对抗网络的海洋混响信号仿真方法，其特征在于，在步骤s1中，所述随机信号具体为：计算机随机生成的长度为100随机信号x＝[x
1 x2ꢀ…ꢀ
x
100
]
t
。3.根据权利要求2所述的一种基于生成对抗网络的海洋混响信号仿真方法，其特征在于，步骤s2中所述生成器g具体为：生成器g采用6层神经网络，包括输入层、四层隐含层与输出层；其中，输入层激活函数为leakyrelu函数，偏置项设置为false，输入层与隐含层之间为全连接；隐含层激活函数都为leakyrelu函数，偏置项都设置为false，隐含层之间为全连接；输出层激活函数为sigmoid，偏置项设置为false，隐含层与输出层之间为全连接。4.根据权利要求3所述的一种基于生成对抗网络的海洋混响信号仿真方法，其特征在于，步骤s2具体过程如下：s2.1、生成器g根据输入的随机信号生成新的信号，并打标签；s2.2将实际获取的海洋混响信号作为判别器d的参考信号，对生成器g生成的信号进行判断，如果判断为真则输出1，判断为假则输出0；s2.3将判别器d输出的值与生成器g生成信号的标签计算损失，进行反向传播，自适应调整生成器g参数；s2.4、设置生成阈值，调整后的生成器g根据输入信号生成新的信号，重复s2.1至s2.3，直至损失低于生成阈值。5.根据权利要求4所述的一种基于生成对抗网络的海洋混响信号仿真方法，其特征在于，步骤s3中所述判别器d为：判别器d采用10层神经网络，包括输入层、八层隐含层与输出层；在各层中，输入层激活函数为leakyrelu函数，偏置项设置为false，与隐含层的连接方式为全连接，隐含层共有八层，激活函数为leakyrelu函数，偏置项设置为false，层与层之间为全连接，激活函数为sigmoid函数，偏置项设置为false，与隐含层之间的连接方式为全连接。6.根据权利要求5所述的一种基于生成对抗网络的海洋混响信号仿真方法，其特征在于，步骤s3具体过程如下：s3.1、生成器g根据输入的随机信号生成新的信号，并打标签；s3.2、将实际获取的海洋混响信号作为判别器d的参考信号，对生成器g生成的信号进行判断，如果判断为真则输出1，判断为假则输出0；s3.3、将判别器d输出的值与生成器g生成信号的标签计算损失，进行反向传播，自适应调整判别器d参数；
s3.4、设置判别阈值，调整后的判别器d根据输入信号生成新的信号，重复s3.1至s3.3，直至损失高于判断阈值。

技术总结
本发明公开了一种基于生成对抗网络的海洋混响信号仿真方法，该方法首先产生一个的随机信号，将随机信号输入到生成对抗网络中的生成器中。其次固定生成对抗网络中的判别器，训练生成器，生成器根据判别器反馈回来的信息进行调整。然后固定生成器，训练判别器，判别器根据参考信号判断生成器生成的信号是否真实。最后循环训练生成器和判别器，不断增强生成器和判别器的性能。本发明计算量较小，根据生成的随机信号，并以少量的实际海洋混响信号为参考，模拟具有高度相似性的混响信号。模拟具有高度相似性的混响信号。模拟具有高度相似性的混响信号。


技术研发人员：王茂法 王阳圳 胡宁 吴胜杰 仇宝春 朱振经 李厚伟 刘大锐 赵佳宝
受保护的技术使用者：杭州电子科技大学
技术研发日：2023.07.17
技术公布日：2023/10/15