CN115290596B 一种基于fcn-acgan数据增强的隐匿危险品识别方法及设备 （广东工业大学）

一种基于FCN-ACGAN数据增强的隐匿危险品本发明公开了一种基于FCN_ACGAN数据增强然后利用预先训练好的FCN_ACGAN网络模型生成预先构建的初始ResNet_LSTM分类模型进行训对所述太赫兹时域光谱数据进行分类并根据分2利用预先训练好的FCN_ACGAN网络模型生成模拟样包含生成器和判别器，所述生成器和所述判别器分别包含若干全连接层；训练所述FCN_步骤S4、利用所述训练样本对所述初级判别器和所述生成器进行实际训练，基于RMSProp优化器分别对所述初级判别器的网络参数和所述生成器的网络参数进行更新，判器的网络损失值，基于RMSProp优化器和所述初级判别器的网络损失值对所述初级判别器根据所述真实样本和所述模拟样本对预先构建的初始ResNet_LSTM分类模型进行训2.根据权利要求1所述的一种基于FCN_ACGAN数据增强的太赫兹时域光谱隐匿危险品将所述真实样本与所述模拟样本混合得到扩展样本，并将所述扩构建初始ResNet_LSTM分类模型，利用所述预训练样本对所述初始R3.根据权利要求2所述的一种基于FCN_ACGAN数据增强的太赫兹时域光谱隐匿危险品建立真实数据与潜在空间的随机噪声之间的映射关系，所述生成器基于4.根据权利要求1所述的一种基于FCN_ACGAN数据增强的太赫兹时域光谱隐匿危险品35.根据权利要求1所述的一种基于FCN_ACGAN数据增强的太赫兹时域光谱隐匿危险品6.根据权利要求1所述的一种基于FCN_ACGAN数据增强的太赫兹时域光谱隐匿危险品4品进行隐匿危险品进行识别，具体涉及一种基于FCN_ACGAN数据增强的隐匿危险品识别方的时序数据增强方法中效果显著的生成对抗网络(GAN)对原始光谱数据进行扩充，基于WGAN(WassersteinGAN)的新一代人工智能小样本数据增强方法，首先将原始样本划分为训练集和测试集样本，采用训练集样本训练GAN后生成模拟样本数据，扩增训练集样本规[0004]但利用生成对抗网络(GAN)进行太赫兹时域光谱数据增强也存在一定的局限性，[0005]本发明提供了一种基于FCN_ACGAN数据增强的隐匿危险品识别方法及设备，用于[0006]本发明提供了一种基于FCN_ACGAN数据增强的太赫兹时域光谱隐匿危险品识别方模型包含生成器和判别器，所述生成器和所述判别器分别包含若干全连接层；训练所述5RMSProp优化器分别对所述初级判别器的网络参数和所述生成器的网络参数进行更新，判[0013]根据所述真实样本和所述模拟样本对预先构建的初始ResNet_LSTM分类模型进行[0015]优选的，所述根据所述真实样本和所述模拟样本对预先构建的初始ResNet_LSTM[0020]优选的，所述基于RMSProp优化器分别对所述初级判别器的网络参数和所述生成[0021]保持所述生成器的网络参数不变，获取所述初级判别器的网络损失值，基于RMSProp优化器和所述初级判别器的网络损失值对所述初级判别器进行更新，当所述初级所述生成器的网络损失值，基于RMSProp优化器和所述生成器的网络损失值对所述生成器6[0033]本发明提供的一种基于FCN_ACGAN数据增强的隐匿危险品识别方法及设备，基于RMSProp优化器和预先获取的被检测物品的真实样本，对包含若干全连接层的初级判别器[0035]图1为本发明实施方式提供的一种基于FCN_ACGAN数据增强的隐匿危险品识别方[0039]本发明实施例提供了一种基于FCN_ACGAN数据增强的隐匿危险品识别方法及设扩展，进一步利用扩展样本对初始ResNet_LSTM分类模型进行训练得到满足数据分类标准7通过样品前后的参考信号和测量信号，然后通过快速傅里叶变换(FFT)将采集到的时域信品的太赫兹时域光谱数据的获取通常采用人工标记，往往需要耗费大量人工和时间成本，8[0051]根据步骤200可以获得满足训练需要的模拟样本数量，将模拟样本与原始样本混[0057]本发明提供的数据分类方法，利用预先训练好的FCN_ACGAN网络模型实现数样本扩展，进一步利用扩展样本对初始ResNet_LSTM分类模型进行训练得到满足数据分类标准的最优分类模型，然后利用最优分类模型对被检测物品的太赫兹时域光谱数据进行分类，[0061]在前述实施方式的基础上，本申请提供了另一个优选的实施方式，步骤200中，9RMSProp优化器分别对所述初级判别器和所述生成器的网络参数进行更新，判断所述FCN_全连接层可以帮助FCN_ACGAN模型学习真实数据间的动态特性、提高生成器生成数据的质[0070]可以理解的是，没有经过学习(训练)的初始生成器在一开始不清楚真实数据的布的差异性较大，若直接将初始生成器生成的数据与真实数据混合，然后将混合的数据送生成器进行模仿学习，使初始生成器具备一定的模仿能力，然后再利用训练完成的生成器创建的数据对判别器进行训练。器网络损失值，并根据判别器的网络损失值和RMSProp优化器对判别器的网络参数进行更[0077]进一步地，利用混合样本对ResNet_LSTM分类模型进行训练具体包括：构建初始到所述初始ResNet_LSTM分类模型的超参数，基于所述超参数和所述实际训练样本对所述[0079]为验证基于FCN_ACGAN数据增强的太赫兹时域光谱隐匿危险品识别方法的可行数量一致。将原始样本、模拟样本和扩展样本分别输入ResNet_LSTM分类模型进行分类识分类模的表现基本一致，侧面验证了本申请提供的FCN_ACGAN模型生成的模拟样本不仅能够捕获原始数据的有效特征，还能生成与真实数据特征相适应的新样本。分类模型对由FCN_ACGAN创建的模拟样本和真实样本混合得到的扩展样本的识别率为99.42对真实样增强的太赫兹时域光谱隐匿危险品识别方法的可行[0083]本发明是基于FCN_ACGAN数据增强的太赫兹时域光谱隐匿危险品识别方法，基于FCN_ACGAN模型对数据集进行扩充后能有效改善因数据不足导致地过拟合问题，并提高分[0089]所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销