典型文献
基于生成对抗网络的舰船辐射噪声分类方法研究
文献摘要：
基于机器学习的舰船目标识别近年来已成为水声信号处理领域的一个重要研究方向,但水声目标信号的获取困难,样本量不足和不均衡的问题很容易导致目标分类模型的识别效果不佳.该文提出一种基于条件卷积生成对抗网络的船舶噪声数据分类方法,该方法利用生成对抗学习理论,生成相比于传统数据增强算法非线性特征更强,特征差异更丰富的伪DEMON调制谱数据来缓解训练样本量不足的问题.之后将传统生成对抗网络中的全连层输出替换成更善于解决小样本问题集成分类器,从而降低分类器对于数据量的依赖程度,进一步提高分类模型性能.最终由基于真实样本的实验结果表明,相比于传统数据增强算法和卷积生成对抗网络,该文方法能够更有效提高在样本不足条件下的模型的分类性能.
文献关键词：
舰船目标识别;机器学习;数据增强;生成对抗网络
中图分类号：
作者姓名：
李理;李向欣;殷敬伟
作者机构：
哈尔滨工程大学水声技术重点实验室 哈尔滨 150001;哈尔滨工程大学海洋信息获取与安全工信部重点实验室 哈尔滨 150001;哈尔滨工程大学水声工程学院 哈尔滨 150001
文献出处：
引用格式：
[1]李理;李向欣;殷敬伟-.基于生成对抗网络的舰船辐射噪声分类方法研究)[J].电子与信息学报,2022(06):1974-1983
A类：
噪声数据分类
B类：
舰船辐射噪声,噪声分类,分类方法,基于机器学习,舰船目标识别,水声信号处理,水声目标,样本量,目标分类,分类模型,条件卷积,卷积生成对抗网络,法利,生成对抗学习,学习理论,数据增强,增强算法,非线性特征,特征差异,DEMON,调制谱,谱数据,训练样本,传统生成,替换成,小样本问题,题集,集成分类器,数据量,依赖程度,模型性能,实样,分类性能
AB值：
0.33657
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
