本发明涉及声信号模拟生成，具体地，涉及一种基于生成对抗网络的水声目标辐射噪声智能模拟方法。
背景技术：
1、传统的水声信号模拟方法按照声学特性和噪声源种类进行构建，目前最主要的生成方法是采用ar模型或fir滤波器设计与辐射噪声功率谱相一致的特定频响滤波器，然后通过对高斯白噪声进行滤波来实现辐射噪声中连续谱成分的模拟，再叠加线谱、调制谱成分，最终生成模拟信号。该方式简单直接，但其结果的逼真度与所设计的滤波器幅频响应拟合效果高度相关，且频谱的形状、强度等都是根据经验公式计算所得，受主观影响较大，所需时间较久。且水声信号产生机理复杂，受多种因素影响，理论建模较困难，这种方法生成的数据与实际信号存在较大差异，模拟效果不佳。
2、深度神经网络具有对复杂的数据分布进行建模的能力，目前已经在图像和语音信号生成中取得了良好的效果，通过深度学习的方法实现对水声目标辐射噪声的逼真模拟，生成相应的声样本，相比于传统方法可以实现更优的模拟效果。目前应用于水声信号的生成技术大都是采用两阶段方法进行合成，第一阶段训练声学模型生成中间结果，第二阶段利用声码器将第一阶段的中间结果转化为声信号，这种方法需要训练两个模型，训练复杂且周期较长，且上一环节的结果会对后续环节产生影响。而生成对抗网络可以实现端到端的生成，主要由生成器和判别器组成，生成器直接从真实数据中学习样本的分布特征，生成具有高度逼真性的模拟数据，判别器则用来判断数据的真实性，二者通过博弈对抗的训练方式在训练过程中不断迭代优化，最后利用生成器实现信号的直接模拟。但直接利用生成对抗网络进行水声信号的生成模拟还未得到充分探索，现有模型无法在使用较少数据集条件下直接生成高逼真度的辐射噪声信号。
3、公开号为cn110118962b的专利文献，公开了一种水声目标机动状态的辐射噪声仿真方法，该仿真方法包括以下步骤：第一步：建立目标辐射噪声连续谱模型并设定目标基本参数；第二步：基于目标噪声连续谱模型和基本参数计算出随速度变化的连续谱部分；第三步：由基本参数计算出随速度变化的信号调制频率，并计算目标辐射噪声中的调制谱分量；第四步：计算目标辐射噪声的平稳线谱部分；第五步：计算随速度变化的目标辐射噪声线谱部分；第六步：将以上步骤计算得到的三个部分叠加并拼接，最终得到水声目标机动状态的辐射噪声仿真信号。该发明需利用经验公式进行连续谱、调制谱、线谱的拟合计算过程，无法直接利用生成对抗网络对输入的辐射噪声直接学习来实现仿真生成，且需要先验信息，这使得人为经验对结果造成影响。
4、公开号为cn117828324a的专利文献，公开了一种基于对抗训练的水声目标噪声稳健特征提取和识别方法，包括：对水下辐射噪声数据集进行划分，将其划分为纯净水声目标辐射噪声数据和水下噪声数据；对水下噪声数据进行划分，将其划分为两个互不交叉重复的部分，一部分作为已知噪声用于模型对抗训练，另一部分作为未知噪声用于测试；对水下辐射噪声数据集进行预处理；使用未知噪声对纯净水声目标辐射噪声数据进行加噪处理，生成不同信噪比的含噪样本作为测试数据；训练噪声残差对抗训练网络，将纯净水声目标辐射噪声数据作为训练数据、已知噪声作为噪声样本池输入网络；测试噪声残差对抗训练网络，将经未知噪声扰动的水声目标数据输入网络，对模型准确率进行测试，验证其有效性。但一方面，该专利噪声输入模型的前过程过于复杂，同时无法使输入与接收形成点对点传递，极易产生误差；另一方面，该专利对训练数据的要求过高，需要大量的样本用于训练降噪网络。
5、因此，需要一种基于生成对抗网络的小样本端到端水声目标辐射噪声模拟方法。
技术实现思路
1、针对现有技术中的缺陷，本发明的目的是提供一种基于生成对抗网络的水声目标辐射噪声模拟方法。
2、根据本发明提供的一种基于生成对抗网络的水声目标辐射噪声模拟方法，包括：
3、预处理步骤：获取待模拟的水声目标辐射噪声数据，并对待模拟的样本进行预处理；
4、搭建模型步骤：基于金字塔结构设计多尺度生成对抗网络，搭建单样本辐射噪声智能模拟模型；
5、训练步骤：将随机噪声和待模拟的水声目标辐射噪声数据输入智能模拟模型中，进行博弈对抗训练；
6、模拟步骤：利用训练好的智能模拟模型实现对输入数据的模拟，获得模拟样本。
7、优选的，预处理步骤包括：
8、获取步骤：获取一条待模拟的水声目标辐射噪声数据；
9、去噪步骤：对待模拟的样本进行去噪处理；
10、采样步骤：对去噪后的数据进行多尺度下采样，获得一系列不同采样率的数据，增加训练数据的数量和多样性。
11、优选的，搭建模型步骤包括：
12、智能模拟步骤：利用当前尺度的生成器实现对应分辨率信号的智能模拟，并将生成结果输入到下一层作为辅助信息，
13、具体生成过程可以表示为：
14、其中，第一层网络随机噪声n0，g0(0)为第一层生成样本；ni表示第i+1层输入噪声，为第i+1层的生成样本，gi表示第i+1层生成器，表示第i+1层生成信号，↑表示上采样，i为1～n的整数；
15、判别步骤：将当前层的生成信号送入对应尺度的判别器中，利用判别器实现真实信号与生成信号的智能判别；
16、融合步骤：通过融合多尺度信息优化模拟结果，按照从低分辨率到高分辨率的顺序，生成模拟信号；
17、其中，辐射噪声智能模拟模型包括n+1个生成对抗网络，生成对抗网络的结构包括生成器和判别器，生成器用于学习真实数据的分布特征，生成真实的模拟样本，判别器则用于判断数据的真实性；其中，n+1为不同分辨率数据的个数，即尺度个数；
18、n为大于1的整数；
19、其中，生成器由一维卷积层、批归一化层以及激活函数层组成；判别器中增加了池化层；不同层的生成器和判别器构成了一种金字塔结构。
20、优选的，训练步骤包括：
21、初始化步骤：对智能模拟网络进行随机初始化，将随机噪声和待模拟的水声目标辐射噪声数据送入智能模拟网络中；
22、多尺度学习步骤：采用逐层训练的方式，从最低分辨率数据对应的层开始训练，当前层训练完成后，固定相应参数；然后开始下一层网络的训练，通过多尺度生成过程在训练中逐步添加细节信息，实现多尺度学习；
23、训练优化步骤：在每一层，生成器生成时域信号以蒙蔽判别器，判别器的目标则是区分生成器生成的数据和真实的数据，二者构成一种对抗的关系，形成动态博弈过程，实现迭代训练优化，不断更新生成器和判别器的参数；
24、训练生成器步骤：通过最小化生成器的总损失函数来实现生成器的训练；对于第一层网络，生成器的输入为随机噪声n0，输出为生成样本g0(n0)，通过判别器得到该信号真实性d0(g0(n0))，训练过程中的损失函数为：ladv(g0；0)＝n[(0(0(0))-1)2]，e表示数学期望；其余生成器的输入为随机噪声ni和上一层生成样本上采样到当前生成器尺度的结果之和，输出信号为训练过程中的损失函数为：生成器的总损失函数为：其中，i为0～n的整数，为第i+1层信号真实性；
25、训练判别器步骤：通过最小化判别器的总损失函数来实现判别器的训练；判别器的输入为真实样本以及生成器生成的样本，然后对输入数据进行判别，输出判别结果；对于第一层网络，判别器的损失函数为：ladv(d0；0)＝n[(0(0)-1)2+(0(0(0)))2]，其余判别器的损失函数为：判别器的总损失函数为：
26、优选的，模拟步骤包括：
27、获得模拟样本步骤：将待模拟的水声目标辐射噪声数据输入训练好的智能模拟模型中，获得模拟样本；
28、对比步骤：将生成的模拟样本与真实信号进行对比，选取听觉特征、短时能量特征、线谱特征以及调制谱特征作为相似度评估的依据，计算相似度评估值；
29、评估步骤：对各特征的相似度评估值进行合成，得到生成信号的总体相似度评估值。
30、一种基于生成对抗网络的水声目标辐射噪声模拟系统，包括：
31、预处理模块：获取待模拟的水声目标辐射噪声数据，并对待模拟的样本进行预处理；
32、搭建模型模块：基于金字塔结构设计多尺度生成对抗网络，搭建单样本辐射噪声智能模拟模型；
33、训练模块：将随机噪声和待模拟的水声目标辐射噪声数据输入智能模拟模型中，进行博弈对抗训练；
34、模拟模块：利用训练好的智能模拟模型实现对输入数据的模拟，获得模拟样本。
35、优选的，预处理模块包括：
36、获取模块：获取一条待模拟的水声目标辐射噪声数据；
37、去噪模块：对待模拟的样本进行去噪处理；
38、采样模块：对去噪后的数据进行多尺度下采样，获得一系列不同采样率的数据，增加训练数据的数量和多样性。
39、优选的，搭建模型模块包括：
40、智能模拟模块：利用当前尺度的生成器实现对应分辨率信号的智能模拟，并将生成结果输入到下一层作为辅助信息，
41、具体生成过程可以表示为：
42、其中，第一层网络随机噪声n0，g0(0)为第一层生成样本；ni表示第i+1层输入噪声，为第i+1层的生成样本，gi表示第i+1层生成器，表示第i+1层生成信号，↑表示上采样，i为1～n的整数；
43、判别模块：将当前层的生成信号送入对应尺度的判别器中，利用判别器实现真实信号与生成信号的智能判别；
44、融合模块：通过融合多尺度信息优化模拟结果，按照从低分辨率到高分辨率的顺序，生成模拟信号；
45、其中，辐射噪声智能模拟模型包括n+1个生成对抗网络，生成对抗网络的结构包括生成器和判别器，生成器用于学习真实数据的分布特征，生成真实的模拟样本，判别器则用于判断数据的真实性；其中，n+1为不同分辨率数据的个数，即尺度个数；
46、n为大于1的整数；
47、其中，生成器由一维卷积层、批归一化层以及激活函数层组成；判别器中增加了池化层；不同层的生成器和判别器构成了一种金字塔结构。
48、优选的，训练模块包括：
49、初始化模块：对智能模拟网络进行随机初始化，将随机噪声和待模拟的水声目标辐射噪声数据送入智能模拟网络中；
50、多尺度学习模块：采用逐层训练的方式，从最低分辨率数据对应的层开始训练，当前层训练完成后，固定相应参数；然后开始下一层网络的训练，通过多尺度生成过程在训练中逐步添加细节信息，实现多尺度学习；
51、训练优化模块：在每一层，生成器生成时域信号以蒙蔽判别器，判别器的目标则是区分生成器生成的数据和真实的数据，二者构成一种对抗的关系，形成动态博弈过程，实现迭代训练优化，不断更新生成器和判别器的参数；
52、训练生成器模块：通过最小化生成器的总损失函数来实现生成器的训练；对于第一层网络，生成器的输入为随机噪声n0，输出为生成样本g0(n0)，通过判别器得到该信号真实性d0(g0(n0))，训练过程中的损失函数为：ladv(g0；0)＝n[(0(0(0))-1)2]，e表示数学期望；其余生成器的输入为随机噪声ni和上一层生成样本上采样到当前生成器尺度的结果之和，输出信号为训练过程中的损失函数为：生成器的总损失函数为：其中，i为0～n的整数，为第i+1层信号真实性；
53、训练判别器模块：通过最小化判别器的总损失函数来实现判别器的训练；判别器的输入为真实样本以及生成器生成的样本，然后对输入数据进行判别，输出判别结果；对于第一层网络，判别器的损失函数为：ladv(d0；0)＝n[(0(0)-1)2+(0(0(0)))2]，其余判别器的损失函数为：判别器的总损失函数为：
54、优选的，模拟模块包括：
55、获得模拟样本模块：将待模拟的水声目标辐射噪声数据输入训练好的智能模拟模型中，获得模拟样本；
56、对比模块：将生成的模拟样本与真实信号进行对比，选取听觉特征、短时能量特征、线谱特征以及调制谱特征作为相似度评估的依据，计算相似度评估值；
57、评估模块：对各特征的相似度评估值进行合成，得到生成信号的总体相似度评估值。
58、与现有技术相比，本发明具有如下的有益效果：
59、1、本发明设计的生成对抗网络通过波形重构学习输入信号潜在的声音表征，在无需任何先验信息的条件下，实现基于少量数据驱动的逼真模拟，模拟的结果与原信号具有高度相似性；整个模型是端到端的，可以对输入的辐射噪声直接进行模拟生成；
60、2、本发明网络结构为全卷积网络，可以实现任意大小的输入，增强了网络的灵活性，且可以实现利用较短数据模拟生成更长时间的数据；
61、3、本发明通过对单样本进行降采样获得不同采样率的数据，实现数据扩充，并在不同尺度上进行模拟，逐步添加细节特征，通过融合多尺度信息优化模拟结果；利用金字塔结构减少了训练所需的样本数量，同时保持生成信号的高分辨率，最终实现仅需一条输入数据，即可输出高度相似的模拟结果。
1.一种基于生成对抗网络的水声目标辐射噪声模拟方法，其特征在于，包括：
2.根据权利要求1所述的基于生成对抗网络的水声目标辐射噪声模拟方法，其特征在于，所述预处理步骤包括：
3.根据权利要求1所述的基于生成对抗网络的水声目标辐射噪声模拟方法，其特征在于，所述搭建模型步骤包括：
4.根据权利要求1所述的基于生成对抗网络的水声目标辐射噪声模拟方法，其特征在于，所述训练步骤包括：
5.根据权利要求1所述的基于生成对抗网络的水声目标辐射噪声模拟方法，其特征在于，所述模拟步骤包括：
6.一种基于生成对抗网络的水声目标辐射噪声模拟系统，其特征在于，包括：
7.根据权利要求6所述的基于生成对抗网络的水声目标辐射噪声模拟系统，其特征在于，所述预处理模块包括：
8.根据权利要求6所述的基于生成对抗网络的水声目标辐射噪声模拟系统，其特征在于，所述搭建模型模块包括：
9.根据权利要求6所述的基于生成对抗网络的水声目标辐射噪声模拟系统，其特征在于，所述训练模块包括：
10.根据权利要求6所述的基于生成对抗网络的水声目标辐射噪声模拟系统，其特征在于，所述模拟模块包括：
