基于生成对抗网络的海域目标物多维数据仿真方法及系统

摘要

本发明提供一种基于生成对抗网络的海域目标物多维数据仿真方法及系统，该方法包括：获取海域目标物的目标航迹空间数据；将目标航迹空间数据输入到训练好的航迹图像数据生成模型中，输出得到海域目标物的航迹图像数据，其中，训练好的航迹图像数据生成模型是由样本航迹空间数据和样本航迹空间数据对应的样本航迹灰度图像数据，对生成对抗网络进行训练得到的；根据航迹图像数据、预设仿真时段和船舶自动识别系统静态属性历史数据，仿真得到海域目标物多维数据。本发明通过利用少量的海域目标物航迹样本数据，基于生成对抗网络生成目标物航迹信息，并用于模拟海域目标物的行为，综合仿真出多种传感器下的海域目标物多维仿真数据。

权利要求

1.一种基于生成对抗网络的海域目标物多维数据仿真方法，其特征在于，包括：

获取海域目标物的目标航迹空间数据；

将所述目标航迹空间数据输入到训练好的航迹图像数据生成模型中，输出得到所述海域目标物的航迹图像数据，其中，所述训练好的航迹图像数据生成模型是由样本航迹空间数据和所述样本航迹空间数据对应的样本航迹灰度图像数据，对生成对抗网络进行训练得到的；

根据所述航迹图像数据、预设仿真时段和船舶自动识别系统静态属性历史数据，仿真得到海域目标物多维数据；

所述训练好的航迹图像数据生成模型通过以下步骤训练得到：

获取样本航迹空间数据和所述样本航迹空间数据对应的样本航迹灰度图像数据，并通过栅格化方法，对所述样本航迹空间数据进行转化，得到航迹三维图像矩阵；

根据所述航迹三维图像矩阵，对生成器网络进行训练，得到样本航迹灰度图像预测数据；

根据所述样本航迹灰度图像数据和所述样本航迹灰度图像预测数据，对判别器网络进行训练，若训练结果满足预设条件，得到训练好的航迹图像数据生成模型；其中，在所述生成器网络和所述判别器网络构成的生成对抗网络中，设置有对随机排序后的样本进行标记，并通过独热编码对标记后样本进行表示的约束条件；

所述海域目标物多维数据包括：船舶自动识别系统仿真数据、声呐仿真数据、雷达仿真数据、光电图像合成数据和异常事件模拟；

所述根据所述航迹图像数据、预设仿真时段和船舶自动识别系统静态属性历史数据，仿真得到海域目标物多维数据，包括：获取所述航迹图像数据在预设仿真时段中每个时刻的航迹经纬度点数据，并通过插值操作，根据所述航迹经纬度点数据，得到对应的时间戳数据；

根据所述时间戳数据，生成船舶自动识别系统动态仿真数据，并根据所述船舶自动识别系统动态仿真数据和船舶自动识别系统静态属性历史数据，生成船舶自动识别系统静态仿真数据，以根据所述船舶自动识别系统动态仿真数据和所述船舶自动识别系统静态仿真数据，得到船舶自动识别系统仿真数据；

根据声呐设备的探测频率和探测截面正方向角度，基于所述船舶自动识别系统动态仿真数据，生成海域水下目标物的声呐仿真数据；

根据雷达设备的扫描角度范围和扫描频率，基于所述船舶自动识别系统动态仿真数据，生成海域目标物的雷达仿真数据；

基于图像测距技术，对所述航迹图像数据进行距离测量标记；根据距离测量标记后的航迹图像数据和光电拍摄设备的拍摄频率，获取目标航迹经纬度点数据，并根据所述目标航迹经纬度点数据，获取海域目标物与光电拍摄设备之间的拍摄距离；

根据所述拍摄距离，获取目标航迹图像数据，并对所述目标航迹图像数据添加时间戳，得到海域目标物的光电图像合成数据；

基于海域目标物的类型和运动过程进行异常事件模拟，并计算异常事件发生概率，若所述异常事件发生概率满足预设阈值，则对所述船舶自动识别系统仿真数据、所述声呐仿真数据、所述雷达仿真数据和所述光电图像合成数据进行修改，以得到海域目标物的异常事件仿真数据。

2.根据权利要求1所述的基于生成对抗网络的海域目标物多维数据仿真方法，其特征在于，在所述获取样本航迹空间数据和所述样本航迹空间数据对应的样本航迹灰度图像数据之后，所述方法还包括：根据预设海域沙盒范围，对样本航迹空间数据进行过滤处理；

按照预设时间段，对过滤处理后的样本轨迹空间数据进行切片，以通过栅格化方法对切片后的样本航迹空间数据进行转化，得到航迹三维图像矩阵。

3.一种基于生成对抗网络的海域目标物多维数据仿真系统，其特征在于，包括：

航迹空间数据采集模块，用于获取海域目标物的目标航迹空间数据；

航迹数据生成模块，用于将所述目标航迹空间数据输入到训练好的航迹图像数据生成模型中，输出得到所述海域目标物的航迹图像数据，其中，所述训练好的航迹图像数据生成模型是由样本航迹空间数据和所述样本航迹空间数据对应的样本航迹灰度图像数据，对生成对抗网络进行训练得到的；

多维数据仿真模块，用于根据所述航迹图像数据、预设仿真时段和船舶自动识别系统静态属性历史数据，仿真得到海域目标物多维数据；

所述系统还包括：

样本处理模块，用于获取样本航迹空间数据和所述样本航迹空间数据对应的样本航迹灰度图像数据，并通过栅格化方法，对所述样本航迹空间数据进行转化，得到航迹三维图像矩阵；

生成器训练模块，用于根据所述航迹三维图像矩阵，对生成器网络进行训练，得到样本航迹灰度图像预测数据；

判别器训练模块，用于根据所述样本航迹灰度图像数据和所述样本航迹灰度图像预测数据，对判别器网络进行训练，若训练结果满足预设条件，得到训练好的航迹图像数据生成模型；其中，在所述生成器网络和所述判别器网络构成的生成对抗网络中，设置有对随机排序后的样本进行标记，并通过独热编码对标记后样本进行表示的约束条件；

所述海域目标物多维数据包括：船舶自动识别系统仿真数据、声呐仿真数据、雷达仿真数据、光电图像合成数据和异常事件模拟；

多维数据仿真模块包括：

航迹图像数据插值处理单元，用于获取所述航迹图像数据在预设仿真时段中每个时刻的航迹经纬度点数据，并通过插值操作，根据所述航迹经纬度点数据，得到对应的时间戳数据；

船舶自动识别系统数据仿真单元，用于根据所述时间戳数据，生成船舶自动识别系统动态仿真数据，并根据所述船舶自动识别系统动态仿真数据和船舶自动识别系统静态属性历史数据，生成船舶自动识别系统静态仿真数据，以根据所述船舶自动识别系统动态仿真数据和所述船舶自动识别系统静态仿真数据，得到船舶自动识别系统仿真数据；

声呐数据仿真单元，用于根据声呐设备的探测频率和探测截面正方向角度，基于所述船舶自动识别系统动态仿真数据，生成海域水下目标物的声呐仿真数据；

雷达数据仿真单元，用于根据雷达设备的扫描角度范围和扫描频率，基于所述船舶自动识别系统动态仿真数据，生成海域目标物的雷达仿真数据；

光电合成图像第一处理单元，用于基于图像测距技术，对所述航迹图像数据进行距离测量标记；根据距离测量标记后的航迹图像数据和光电拍摄设备的拍摄频率，获取目标航迹经纬度点数据，并根据所述目标航迹经纬度点数据，获取海域目标物与光电拍摄设备之间的拍摄距离；

光电合成图像第二处理单元，用于根据所述拍摄距离，获取目标航迹图像数据，并对所述目标航迹图像数据添加时间戳，得到海域目标物光电图像合成数据；

异常事件模拟单元，用于基于海域目标物的类型和运动过程进行异常事件模拟，并计算异常事件发生概率，若所述异常事件发生概率满足预设阈值，则对所述船舶自动识别系统仿真数据、所述声呐仿真数据、所述雷达仿真数据和所述光电图像合成数据进行修改，以得到海域目标物的异常事件仿真数据。

4.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至2任一项所述基于生成对抗网络的海域目标物多维数据仿真方法的步骤。

5.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至2任一项所述基于生成对抗网络的海域目标物多维数据仿真方法的步骤。

说明书

基于生成对抗网络的海域目标物多维数据仿真方法及系统

技术领域

[0001] 本发明涉及海域监测技术领域，尤其涉及一种基于生成对抗网络的海域目标物多维数据仿真方法及系统。

背景技术

[0002] 船舶自动识别系统、雷达、光电跟踪仪和声呐等，属于监测海域目标物的重要传感器，利用这些装置或系统的数据，结合神经网络进行目标数据关联与累积识别的研究，对海上贸易的发展和海防安全有着重要的意义。

[0003] 在现有海域数据的研究模型中，判别海域目标物的准确性很大程度上取决于训练数据的数量和质量。然而，一方面，由于安全问题及隐私保护等因素，该类型的训练数据公开数量有限；另一方面，在短时间内采集海量真实数据有一定的困难，采集到原始数据需要解密、提取和大量后期转换处理，最终数据的稀疏性与其包含的目标特征是否满足算法需求也难以判断，以致于在短时间内获得海量全面包含海域目标物特征样本数据的难度较大。并且，传统的海域目标物数据仿真工作多着眼于单一手段的数据仿真，即使获取到海域目标物特征样本数据，也没有综合考虑海域目标物运动复杂性，利用如此的仿真数据很难对海域目标物作整体画像，数据关联和累积识别工作的效果也大打折扣。

[0004] 因此，现在亟需一种基于生成对抗网络的海域目标物多维数据仿真方法及系统来解决上述问题。

发明内容

[0005] 针对现有技术存在的问题，本发明提供一种基于生成对抗网络的海域目标物多维数据仿真方法及系统。

[0006] 本发明提供一种基于生成对抗网络的海域目标物多维数据仿真方法，包括：

[0007] 获取海域目标物的目标航迹空间数据；

[0008] 将所述目标航迹空间数据输入到训练好的航迹图像数据生成模型中，输出得到所述海域目标物的航迹图像数据，其中，所述训练好的航迹图像数据生成模型是由样本航迹空间数据和所述样本航迹空间数据对应的样本航迹灰度图像数据，对生成对抗网络进行训练得到的；

[0009] 根据所述航迹图像数据、预设仿真时段和船舶自动识别系统静态属性历史数据，仿真得到海域目标物多维数据。

[0010] 根据本发明提供的一种基于生成对抗网络的海域目标物多维数据仿真方法，所述训练好的航迹图像数据生成模型通过以下步骤训练得到：

[0011] 获取海域目标物的样本航迹空间数据和所述样本航迹空间数据对应的样本航迹灰度图像数据，并通过栅格化方法，对所述样本航迹空间数据进行转化，得到航迹三维图像矩阵；

[0012] 根据所述航迹三维图像矩阵，对生成器网络进行训练，得到样本航迹灰度图像预测数据；

[0013] 根据所述样本航迹灰度图像数据和所述样本航迹灰度图像预测数据，对判别器网络进行训练，若训练结果满足预设条件，得到训练好的航迹图像数据生成模型；其中，在所述生成器网络和所述判别器网络构成的生成对抗网络中，设置有对随机排序后的样本进行标记，并通过独热编码对标记后样本进行表示的约束条件。

[0014] 根据本发明提供的一种基于生成对抗网络的海域目标物多维数据仿真方法，在所述获取样本航迹空间数据和所述样本航迹空间数据对应的样本航迹灰度图像数据之后，所述方法还包括：

[0015] 根据预设海域沙盒范围，对样本航迹空间数据进行过滤处理；

[0016] 按照预设时间段，对过滤处理后的样本轨迹空间数据进行切片，以通过栅格化方法对切片后的样本航迹空间数据进行转化，得到航迹三维图像矩阵。

[0017] 根据本发明提供的一种基于生成对抗网络的海域目标物多维数据仿真方法，所述海域目标物多维数据包括：船舶自动识别系统仿真数据、声呐仿真数据、雷达仿真数据、光电图像合成数据和异常事件模拟。

[0018] 根据本发明提供的一种基于生成对抗网络的海域目标物多维数据仿真方法，所述根据所述航迹图像数据、预设仿真时段和船舶自动识别系统静态属性历史数据，仿真得到海域目标物多维数据，包括：

[0019] 获取所述航迹图像数据在预设仿真时段中每个时刻的航迹经纬度点数据，并通过插值操作，根据所述航迹经纬度点数据，得到对应的时间戳数据；

[0020] 根据所述时间戳数据，生成船舶自动识别系统动态仿真数据，并根据所述船舶自动识别系统动态仿真数据和船舶自动识别系统静态属性历史数据，生成船舶自动识别系统静态属仿真数据，以根据所述船舶自动识别系统动态仿真数据和所述船舶自动识别系统静态仿真数据，得到船舶自动识别系统仿真数据；

[0021] 根据声呐设备的探测频率和探测截面正方向角度，基于所述船舶自动识别系统动态仿真数据，生成海域水下目标物的声呐仿真数据；

[0022] 根据雷达设备的扫描角度范围和扫描频率，基于所述船舶自动识别系统动态仿真数据，生成海域目标物的雷达仿真数据；

[0023] 基于图像测距技术，对所述航迹图像数据进行距离测量标记；根据距离测量标记后的航迹图像数据和光电拍摄设备的拍摄频率，获取目标航迹经纬度点数据，并根据所述目标航迹经纬度点数据，获取海域目标物与光电拍摄设备之间的拍摄距离；

[0024] 根据所述拍摄距离，获取目标航迹图像数据，并对所述目标航迹图像数据添加时间戳，得到海域目标物的光电图像合成数据；

[0025] 基于海域目标物的类型和运动过程进行异常事件模拟，并计算异常事件发生概率，若所述异常事件发生概率满足预设阈值，则对所述船舶自动识别系统仿真数据、所述声呐仿真数据、所述雷达仿真数据和所述光电图像合成数据进行修改，以得到海域目标物的异常事件仿真数据。

[0026] 本发明还提供一种基于生成对抗网络的海域目标物多维数据仿真系统，其特征在于，包括：

[0027] 航迹空间数据采集模块，用于获取海域目标物的目标航迹空间数据；

[0028] 航迹数据生成模块，用于将所述目标航迹空间数据输入到训练好的航迹图像数据生成模型中，输出得到所述海域目标物的航迹图像数据，其中，所述训练好的航迹图像数据生成模型是由样本航迹空间数据和所述样本航迹空间数据对应的样本航迹灰度图像数据，对生成对抗网络进行训练得到的；

[0029] 多维数据仿真模块，用于根据所述航迹图像数据、预设仿真时段和船舶自动识别系统静态属性历史数据，仿真得到海域目标物多维数据。

[0030] 根据本发明提供的一种基于生成对抗网络的海域目标物多维数据仿真系统，所述系统还包括：

[0031] 样本处理模块，用于获取海域目标物的样本航迹空间数据和所述样本航迹空间数据对应的样本航迹灰度图像数据，并通过栅格化方法，对所述样本航迹空间数据进行转化，得到航迹三维图像矩阵；

[0032] 生成器训练模块，用于根据所述航迹三维图像矩阵，对生成器网络进行训练，得到样本航迹灰度图像预测数据；

[0033] 判别器训练模块，用于根据所述样本航迹灰度图像数据和所述样本航迹灰度图像预测数据，对判别器网络进行训练，若训练结果满足预设条件，得到训练好的航迹图像数据生成模型；其中，在所述生成器网络和所述判别器网络构成的生成对抗网络中，设置有对随机排序后的样本进行标记，并通过独热编码对标记后样本进行表示的约束条件。

[0034] 根据本发明提供的一种基于生成对抗网络的海域目标物多维数据仿真系统，多维数据仿真模块包括：

[0035] 航迹图像数据插值处理单元，用于获取所述航迹图像数据在预设仿真时段中每个时刻的航迹经纬度点数据，并通过插值操作，根据所述航迹经纬度点数据，得到对应的时间戳数据；

[0036] 船舶自动识别系统数据仿真单元，用于根据所述时间戳数据，生成船舶自动识别系统动态仿真数据，并根据所述船舶自动识别系统动态仿真数据和船舶自动识别系统静态属性历史数据，生成船舶自动识别系统静态属仿真数据，以根据所述船舶自动识别系统动态仿真数据和所述船舶自动识别系统静态仿真数据，得到船舶自动识别系统仿真数据；

[0037] 声呐数据仿真单元，用于根据声呐设备的探测频率和探测截面正方向角度，基于所述船舶自动识别系统动态仿真数据，生成海域水下目标物的声呐仿真数据；

[0038] 雷达数据仿真单元，用于根据雷达设备的扫描角度范围和扫描频率，基于所述船舶自动识别系统动态仿真数据，生成海域目标物的雷达仿真数据；

[0039] 光电合成图像第一处理单元，用于基于图像测距技术，对所述航迹图像数据进行距离测量标记；根据距离测量标记后的航迹图像数据和光电拍摄设备的拍摄频率，获取目标航迹经纬度点数据，并根据所述目标航迹经纬度点数据，获取海域目标物与光电拍摄设备之间的拍摄距离；

[0040] 光电合成图像第二处理单元，用于根据所述拍摄距离，获取目标航迹图像数据，并对所述目标航迹图像数据添加时间戳，得到海域目标物光电图像合成数据；

[0041] 异常事件模拟单元，用于基于海域目标物的类型和运动过程进行异常事件模拟，并计算异常事件发生概率，若所述异常事件发生概率满足预设阈值，则对所述船舶自动识别系统仿真数据、所述声呐仿真数据、所述雷达仿真数据和所述光电图像合成数据进行修改，以得到海域目标物的异常事件仿真数据。

[0042] 本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于生成对抗网络的海域目标物多维数据仿真方法的步骤。

[0043] 本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于生成对抗网络的海域目标物多维数据仿真方法的步骤。

[0044] 本发明提供的基于生成对抗网络的海域目标物多维数据仿真方法及系统，通过利用少量的海域目标物航迹样本数据，基于生成对抗网络生成目标物航迹信息，并用于模拟海域目标物的行为，综合仿真出多种传感器下的海域目标物多维仿真数据，为数据关联和海域累积识别工作提供了实际数据支撑，具备可用性和有效性。

附图说明

[0045] 为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0046] 图1为本发明提供的基于生成对抗网络的海域目标物多维数据仿真方法的流程示意图；

[0047] 图2为本发明提供的改进的生成对抗网络的结构示意图；

[0048] 图3为本发明提供的基于生成对抗网络的海域目标物多维数据仿真系统的结构示意图；

[0049] 图4为本发明提供的海域目标物多维数据仿真系统的框架示意图；

[0050] 图5为本发明提供的航迹数据生成模块的结构示意图；

[0051] 图6为本发明提供的多维数据仿真模块的结构示意图；

[0052] 图7为本发明提供的基于海域目标物多维数据仿真系统的仿真时序图；

[0053] 图8为本发明提供的电子设备的结构示意图。

具体实施方式

[0054] 为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0055] 数据仿真或生成技术随着数据的新特点和数据科学研究的新需求不断发展，在机器学习领域有着非常重要的应用。本发明针对海域目标物的数据量少且运动特性复杂等，采用生成对抗网络(Generative Adversarial Networks，简称GAN)为海域目标物预测航迹信息，其中，生成对抗网络是由生成器G与判别器D组成，生成器G可以通过学习预设数据集的特征和概率分布，并遵循该分布生成新的样本数据，判别器D通过对新数据的判断来不断反馈，促使生成器G提高性能。需要说明的是，在本发明中，海域目标物主要包括海域范围内的船舶，礁石和水下生物等。

[0056] 图1为本发明提供的基于生成对抗网络的海域目标物多维数据仿真方法的流程示意图，如图1所示，本发明提供了一种基于生成对抗网络的海域目标物多维数据仿真方法，包括：

[0057] 步骤101，获取海域目标物的目标航迹空间数据。

[0058] 在本发明中，对少量数据量的海域目标物的航迹空间数据进行过滤和切片等预处理，得到符合后续生成对抗网络输入的数据格式，即得到海域目标物的目标航迹空间数据。

[0059] 步骤102，将所述目标航迹空间数据输入到训练好的航迹图像数据生成模型中，输出得到所述海域目标物的航迹图像数据，其中，所述训练好的航迹图像数据生成模型是由样本航迹空间数据和所述样本航迹空间数据对应的样本航迹灰度图像数据，对生成对抗网络进行训练得到的；

[0060] 在本发明中，将目标航迹空间数据输入到训练好的航迹图像数据生成模型中，该模型根据目标航迹空间数据生成海域目标物对应的航迹图像数据。优选地，本发明通过深度遍历算法，基于仿真沙盒范围对生成的航迹图像数据进行航迹筛选，并将满足该范围内的航迹图像数据进行存储，以用于后续海域目标物多维数据仿真的数据源基础。优选地，在一可选实施例中，按照预设时间段对上述模型生成的灰度图像数据(灰度图像数据)进行切片，并筛选灰度图像数据切片中的符合要求的航迹，根据预设待仿真的仿真沙盒，将图像数据数值化航迹经纬度数据后持久化到数据存储层中，作为图数据集进行存储。

[0061] 步骤103，根据所述航迹图像数据、预设仿真时段和船舶自动识别系统静态属性历史数据，仿真得到海域目标物多维数据。

[0062] 在本发明中，航迹图像数据生成模型输出的最终数据为海域目标物的航迹空间数据，并基于该航迹空间数据构建相应的图像数据集，根据预设仿真时段，结合该数据集的时间数据和海域目标物的静态属性历史数据，进行船舶自动识别系统(Automatic Identification System，简称AIS)的静态数据和动态数据仿真，模拟雷达和声呐工作原理。具体地，通过AIS动态仿真数据，根据雷达参数和声呐参数，进行雷达数据和声呐数据仿真；利用图像测距技术标注已有目标图像数据集，根据光电设备与海域目标物的距离，结合图像数据集合成海域目标物在某一时刻的光电数据；进一步地，基于海域目标物的类型和运动过程(通过仿真得到相关数据，例如雷达仿真数据和声呐仿真数据等)进行异常事件模拟。优选地，可在仿真数据过程中构建海域目标物特征图谱，从而直观反映数据生成情况，并将所有仿真数据存储在关系型数据库的结构化数据表中，海域目标物特征图谱存储在图数据库中。

[0063] 本发明提供的基于生成对抗网络的海域目标物多维数据仿真方法，通过利用少量的海域目标物航迹样本数据，基于生成对抗网络生成目标物航迹信息，并用于模拟海域目标物的行为，综合仿真出多种传感器下的海域目标物多维仿真数据，为数据关联和海域累积识别工作提供了实际数据支撑，具备可用性和有效性。

[0064] 在上述实施例的基础上，所述训练好的航迹图像数据生成模型通过以下步骤训练得到：

[0065] 步骤201，获取海域目标物的样本航迹空间数据和所述样本航迹空间数据对应的样本航迹灰度图像数据，并通过栅格化方法，对所述样本航迹空间数据进行转化，得到航迹三维图像矩阵。

[0066] 在本发明中，对于少量的样本航迹空间数据(海域目标物历史航迹的空间维度数据)，根据预设海域沙盒范围，对样本航迹空间数据进行过滤处理，包括数据清洗和数据整理；然后，按照预设时间段，对过滤处理后的样本轨迹空间数据进行切片，以通过栅格化方法对切片后的样本航迹空间数据进行转化，得到航迹三维图像矩阵。在本发明中，将航迹的空间维度数据通过栅格化建模方法，转化成符合生成对抗网络输入的三维图像矩阵格式。

[0067] 具体地，在本发明中，按照预设沙盒范围对样本航迹空间数据进行过滤，然后按照预设时间段(天)进行切片，并采用栅格化建模的方式将沙盒内的海域进行划分，统计落在每个格子内经纬度坐标点形成的二维矩阵，最后进行归一化处理，将矩阵元素值化为0或1，以形成三维灰度图矩阵，即航迹三维图像矩阵，从而根据所有三维灰度图矩阵组成模型的训练数据。

[0068] 步骤202，根据所述航迹三维图像矩阵，对生成器网络进行训练，得到样本航迹灰度图像预测数据。

[0069] 步骤203，根据所述样本航迹灰度图像数据和所述样本航迹灰度图像预测数据，对判别器网络进行训练，若训练结果满足预设条件，得到训练好的航迹图像数据生成模型；其中，在所述生成器网络和所述判别器网络构成的生成对抗网络中，设置有对随机排序后的样本进行标记，并通过独热编码对标记后样本进行表示的约束条件。

[0070] 在本发明中，通过上述实施例中得到的训练数据，对生成对抗网络WGAN‑GP进行训练，根据该生成对抗网络网络中：

[0071] gen_cost＝tf.reduce_mean(disc_fake)；

[0072] disc_cost＝‑tf.reduce_mean(disc_fake)+tf.reduce_mean(disc_real)；

[0073] 使用欧式距离计算梯度惩罚gradient_penalty，λ取合适的值(本发明以10为例)；

[0074] 加了梯度惩罚后的disc_cost′＝disc_cost+λ*gradient_penalty，使用Adam优化器利用gen_cost和disc_cost′计算损失函数值g_loss和d_loss，更新生成器和判别器，训练多个(本发明以200个为例)epoch后，观察g_loss和d_loss的走向，g_loss曲线应为向0靠近，d_loss曲线应在0附近振荡，符合理想loss曲线变化，模型趋于稳定。保存使模型稳定生成的参数，从而在实际仿真过程中，可通过训练好的模型直接生成指定海域目标物的航迹灰度图像数据。可选地，在一实施例中，对WGAN‑GP(Wasserstein Generative Adversarial Network‑Gradient Penalty)的网络结构进行改造，在该网络中加入约束条件Condition：对随机排序后的目标进行label标记并用One‑Hot编码表示，成为C‑WGAN‑GP(Conditional WGAN‑GP)，从而得到改进的生成对抗网络。然后利用上述实施例中得到的训练数据，对该网络进行训练。

[0075] 图2为本发明提供的改进的生成对抗网络的结构示意图，可参考图2所示，Label y是使用One‑Hot编码对训练样本集中的海域目标物进行唯一编号形成的标签矩阵，作为约束条件加入到该网络结构中。生成的数据为灰度图像矩阵，之后在灰度图像矩阵中进行深度遍历筛选。表1为根据本发明提供的航迹筛选算法：

[0076] 表1

[0077]

[0078] 可参考表1所示，筛选后的灰度图像矩阵数据，将按照预设仿真沙盒的范围还原成实际经纬度数据，并将该数据和每个海域目标物生成的可用航迹数目情况都存储在数据表中。

[0079] 在上述实施例的基础上，所述海域目标物多维数据包括：船舶自动识别系统仿真数据、声呐仿真数据、雷达仿真数据、光电图像合成数据和异常事件模拟。

[0080] 在上述实施例的基础上，所述根据所述航迹图像数据、预设仿真时段和船舶自动识别系统静态属性历史数据，仿真得到海域目标物多维数据，包括：

[0081] 获取所述航迹图像数据在预设仿真时段中每个时刻的航迹经纬度点数据，并通过插值操作，根据所述航迹经纬度点数据，得到对应的时间戳数据；

[0082] 根据所述时间戳数据，生成船舶自动识别系统动态仿真数据，并根据所述船舶自动识别系统动态仿真数据和船舶自动识别系统静态属性历史数据，生成船舶自动识别系统静态属仿真数据，以根据所述船舶自动识别系统动态仿真数据和所述船舶自动识别系统静态仿真数据，得到船舶自动识别系统仿真数据。

[0083] 在本发明中，首先根据预设时间段，基于训练好的航迹图像数据生成模型，以每日为单位时间，自动生成海域目标物的AIS静态数据和动态数据，并判断当前未使用的由模型所生成的航迹空间数据的数量是否满足预设数量，若未满足，则需要训练好的航迹图像数据生成模型生成该数据。在本发明中，AIS静态数据主要包括：MMSI(即海上移动服务识别号)、呼号与船名、IMO号码、长度和宽度等。AIS动态数据主要包括：带精度标识及完整状态的船舶位置、定位时间戳、对地航向、对地航速、航首向和航行状态等。

[0084] 根据声呐设备的探测频率和探测截面正方向角度，基于所述船舶自动识别系统动态仿真数据，生成海域水下目标物的声呐仿真数据。

[0085] 在本发明中，结合声呐设备参数，利用上述实施例得到AIS动态仿真数据和预设海洋生物所处位置经纬度数据，生成该海域生物(即海域水下目标物)的声呐探测仿真数据。

[0086] 根据雷达设备的扫描角度范围和扫描频率，基于所述船舶自动识别系统动态仿真数据，生成海域目标物的雷达仿真数据。

[0087] 在本发明中，模拟雷达扫描原理，结合雷达设备参数，利用上述实施例得到AIS动态仿真数据和预设海域目标物的相关数据(例如水杂波数据，或礁石数据)，生成海域目标物的雷达扫描仿真数据。

[0088] 基于图像测距技术，对所述航迹图像数据进行距离测量标记；根据距离测量标记后的航迹图像数据和光电拍摄设备的拍摄频率，获取目标航迹经纬度点数据，并根据所述目标航迹经纬度点数据，获取海域目标物与光电拍摄设备之间的拍摄距离；

[0089] 根据所述拍摄距离，获取目标航迹图像数据，并对所述目标航迹图像数据添加时间戳，得到海域目标物的光电图像合成数据。

[0090] 在本发明中，利用图像测距技术标记由航迹图像数据组成的数据集，根据海域目标物与光电设备之间的位置关系，合成预设时刻的海域目标物的光电图像数据。

[0091] 基于海域目标物的类型和运动过程进行异常事件模拟，并计算异常事件发生概率，若所述异常事件发生概率满足预设阈值，则对所述船舶自动识别系统仿真数据、所述声呐仿真数据、所述雷达仿真数据和所述光电图像合成数据进行修改，以得到海域目标物的异常事件仿真数据。

[0092] 在本发明中，通过模拟海域目标物在运动过程中发生的异常事件而生成异常数据，首先判断海域目标物是水上目标还是水下目标，并根据海域目标物对异常事件进行分类，其中，为水上目标时，异常事件包括4类：AIS静默、AIS欺骗、靠近或进出防护区域和天气条件恶劣是否出行；为水下目标时，异常事件包括3类：水中静止停留、靠近或进出防护区域(立体空间)和频繁浮出水面，通过数据的不同来代表某种异常事件的发生。

[0093] Spring是一种分层的全栈(full‑stack)轻量级框架，其核心为控制反转(Inversion of Control，简称IOC)和面向切面编程(Aspect Oriented Programming，简称AOP)，可使用简单的JavaBean替代EJB完成工作。Spring Boot实际上是对于Spring的一个封装，基于Spring4.0设计，除了继承Spring框架的优秀特性之外，还通过简化配置简化了应用程序的构建和开发过程。此外，Spring Boot还集成了大量的框架(如Mybatis、Spring MVC等)，解决了依赖包的版本冲突和引用不稳定的问题。相比现有的SSM(Struts2+Spring+Hibernate3)项目，搭建与管理更加简单，因此，本发明采用该框架搭建基于生成对抗网络的海域目标物多维数据仿真系统。

[0094] 图3为本发明提供的基于生成对抗网络的海域目标物多维数据仿真系统的结构示意图，如图3所示，本发明提供了一种基于生成对抗网络的海域目标物多维数据仿真系统，包括航迹空间数据采集模块301、航迹数据生成模块302和多维数据仿真模块303，其中，航迹空间数据采集模块301用于获取海域目标物的目标航迹空间数据；航迹数据生成模块302用于将所述目标航迹空间数据输入到训练好的航迹图像数据生成模型中，输出得到所述海域目标物的航迹图像数据，其中，所述训练好的航迹图像数据生成模型是由样本航迹空间数据和所述样本航迹空间数据对应的样本航迹灰度图像数据，对生成对抗网络进行训练得到的；多维数据仿真模块303用于根据所述航迹图像数据、预设仿真时段和船舶自动识别系统静态属性历史数据，仿真得到海域目标物多维数据。

[0095] 在本发明中，海域目标物多维数据仿真系统分为数据展示层、数据处理层和数据存储层，图4为本发明提供的海域目标物多维数据仿真系统的框架示意图，可参考图4所示，数据展示层主要用于展示历史仿真数据和接收人机交互服务功能请求，航迹空间数据采集模块301设置在该层中；数据存储层主要是用于存储航迹数据生成模块302和多维数据仿真模块303生成的数据；数据仿真处理层承担海域目标物多维数据仿真系统的全部仿真逻辑，包括基于Python实现的基于生成对抗网络的航迹数据生成模块302和基于Java实现的多维数据仿真模块303。

[0096] 进一步地，基于Python实现的基于生成对抗网络的航迹数据生成模块302，以少量的海域目标物航迹空间数据集经过数据预处理得到的结果作为训练样本，输入到经过改造的生成对抗网络进行模型训练得到，该模块输出航迹图像数据后再经过深度遍历算法进行航迹筛选，最后还原到仿真沙盒的范围内并持久化到数据存储层，作为海域目标物多维数据仿真的数据源基础。图5为本发明提供的航迹数据生成模块的结构示意图，如图5所示，基于生成对抗网络C‑WGAN‑GP的航迹数据生成模块，主要包括三个功能，即数据预处理功能、生成对抗网络生成数据功能和生成数据数值化功能，其中，1表示数据预处理功能，对数据集作处理后输入到网络中；2表示生成对抗网络生成数据后，进行数据数值化功能；3表示数据持久化；4表示服务端调用生成对抗网络生成数据。在本发明中，利用样本数据集，训练好生成对抗网络后保存参数，将训练好的生成对抗网络作为基础航迹数据(空间数据)的提供者，开启服务端监听服务，接收数据生成请求和目标标签label，利用生成对抗网络生成数据并进行数值化，持久化到数据存储层后反馈已完成的消息给请求者。

[0097] 基于Java实现的多维数据仿真模块303，可参考图4所示，以航迹数据生成模块302的最终数据为海域目标物的航迹空间数据，结合该航迹空间数据构建数据集的时间数据和海域目标物的AIS静态属性历史数据，进行AIS静态数据仿真和动态数据仿真，并模拟雷达和声呐工作原理，根据AIS动态仿真数据、雷达设备和声呐设备参数进行雷达和声呐数据仿真；还可以利用图像测距技术标注已有海域目标物图像数据集，根据光电设备与海域目标物的距离，结合海域目标物图像数据集，合成海域目标物在某一时刻的光电数据；实现异常事件发生器生成异常数据；提供数据自定义处理(增删改查)的接口，并实现数据展示层访问；在仿真数据过程中，构建目标特征图谱来直观反映数据生成情况。在本发明中，所有仿真数据存储在关系型数据库的结构化数据表中，目标特征图谱存储在图数据库中。

[0098] 具体地，可参考图4所示，在本发明中，多维数据仿真模块303使用面向对象编程和多线程的思想来实现各种功能，主要采用SpringBoot框架进行开发。海域目标物及其各个维度的数据以对象的形式来封装，使用结构化关系表来存储，各个功能使用多线程方式实现，各个线程之间使用共享变量进行通信，向上使用Spring MVC模式与数据展示层对接，向下使用Mybatis框架与数据存储层进行对接。该模块与基于生成对抗网络的航迹数据生成模块302使用socket进行数据通信和功能调用。

[0099] 进一步地，MVC(Model‑View‑Controller)是一种在Web应用领域广泛使用的设计模式，其主要的思想是关于将包含业务数据的模块与显示模块的视图解耦，即C(控制器)将V(视图、用户客户端)与M(JavaBean：封装数据)分开构成了MVC。Spring Web MVC是一种采用了MVC架构思想的请求驱动型的轻量级Web框架，它基于Java实现，将web层的职责进行解耦，使用请求‑响应模型进行数据传输，从而简化开发过程。本发明采用Spring MVC模式与数据展示层通信，实现数据增删改查功能，具象化仿真数据。

[0100] Mybatis是开源的数据持久层框架之一，其内部对通过JDBC访问数据库的操作进行了封装，对常用的SQL语句查询、高级映射和存储过程提供了支持，也减去了手工编写JDBC代码和设置参数以及检索结果集等繁杂工作。Mybatis具有配置和使用灵活的优点，用XML编写SQL，将程序代码和SQL语句完全解耦，方便统一的管理和优化，还可以实现重用，使整体系统的设计更加简便明了、更方便代码维护和单元测试。为了实现代码重用和模块低耦合，本发明采用该框架来实现与数据存储层的数据通信。

[0101] 在本发明的海域目标物多维数据仿真系统中，仿真数据采用多线程中的定时任务方式实现自动化仿真。以预设每日为单位，设置每日生成任务模块，用于基于每日生成任务线程每日检查一次各个海域目标物可用的基础航迹数据(即航迹图像数据对应的空间数据)，若无可用则请求基于生成对抗网络的航迹数据生成模块302进行生成，具体地，设置每日生成任务功能模块每日0点自动执行一次数据仿真任务，调用AIS数据仿真单元生成数据，检测每个海域目标物的未使用过的航迹经纬度数据，如果数量为0，则使用目标label调用基于生成对抗网络的航迹数据生成模块生成航迹经纬度数据。AIS和声呐线程每日自动生成一次数据，期间同时模拟异常事件发生，其生成数据存储在数据存储层和全局缓存中；雷达线程运行状态根据设定的时间而定，循环检查该全局缓存，判断是否进行扫描，在生成雷达数据的过程中同时合成光电图像数据。目标特征图谱的数据节点每日自动添加一次，事件节点使用异步线程实时添加。其中，人机交互服务与自动化数据仿真可同时进行。

[0102] 本发明提供的基于生成对抗网络的海域目标物多维数据仿真系统，通过利用少量的海域目标物航迹样本数据，基于生成对抗网络生成目标物航迹信息，并用于模拟海域目标物的行为，综合仿真出多种传感器下的海域目标物多维仿真数据，为数据关联和海域累积识别工作提供了实际数据支撑，具备可用性和有效性。

[0103] 在上述实施例的基础上，所述系统还包括：

[0104] 样本处理模块，用于获取海域目标物的样本航迹空间数据和所述样本航迹空间数据对应的样本航迹灰度图像数据，并通过栅格化方法，对所述样本航迹空间数据进行转化，得到航迹三维图像矩阵；

[0105] 生成器训练模块，用于根据所述航迹三维图像矩阵，对生成器网络进行训练，得到样本航迹灰度图像预测数据；

[0106] 判别器训练模块，用于根据所述样本航迹灰度图像数据和所述样本航迹灰度图像预测数据，对判别器网络进行训练，若训练结果满足预设条件，得到训练好的航迹图像数据生成模型；其中，在所述生成器网络和所述判别器网络构成的生成对抗网络中，设置有对随机排序后的样本进行标记，并通过独热编码对标记后样本进行表示的约束条件。

[0107] 在本发明中，样本处理模块包括有数据预处理功能单元，具体用于：按照仿真沙盒范围对数据集进行过滤，然后按照时间(天)切片，采用空间栅格化建模的方式将沙盒内的海域进行划分，统计落在每个格子内经纬度坐标点形成二维矩阵，最后进行归一化处理，将矩阵元素值化为0或1形成三维灰度图矩阵，将所有的灰度矩阵组成模型的训练数据。在本发明中，通过生成器训练模块和判别器训练模块对模型进行训练，优选地，对WGAN‑GP的网络结构进行改造，在该网络中加入约束条件Condition：对随机排序后的目标进行label标记并用One‑Hot编码表示，从而得到改进的生成对抗网络。

[0108] 在上述实施例的基础上，图6为本发明提供的多维数据仿真模块的结构示意图，如图6所示，1表示每日生成任务模块检测到需要生成海洋目标物的航迹基础数据时，请求航迹数据生成模块生成相应数据；2表示航迹数据生成模块生成数据后持久化，并且将结果反馈给每日生成任务模块；3表示每日生成任务模块调用AIS数据仿真单元、声呐数据仿真单元结合航迹基础数据、海洋目标物静态属性(历史数据)和时间集合，合成AIS静态信息和动态信息以及水下目标被探测到的声呐信息，其中包括稀疏航迹数据插值丰富化操作；4表示AIS数据仿真单价将AIS数据存入AIS静态信息表、动态信息表中，声呐数据仿真单元将模拟声呐设备探测到的海域目标的声呐信息存入声呐信息表中，并存入全局缓存中，同时，异常事件模拟单元会按照概率对一些海域目标物进行异常数据的仿真，更新AIS信息和声呐信息，同时将异常事件的一些信息字段存入异常事件表中；5表示雷达数据仿真单元全局缓存模拟雷达工作时生成的雷达数据，并存入雷达信息表中；6表示光电图像合成单元根据位置和时间信息匹配图像数据集种最相近的目标图像；7表示异步构建目标特征图谱，保存目标的数据节点和事件节点到图数据库中。

[0109] 进一步地，多维数据仿真模块包括：

[0110] 航迹图像数据插值处理单元，用于获取所述航迹图像数据在预设仿真时段中每个时刻的航迹经纬度点数据，并通过插值操作，根据所述航迹经纬度点数据，得到对应的时间戳数据；

[0111] 船舶自动识别系统数据仿真单元，用于根据所述时间戳数据，生成船舶自动识别系统动态仿真数据，并根据所述船舶自动识别系统动态仿真数据和船舶自动识别系统静态属性历史数据，生成船舶自动识别系统静态属仿真数据，以根据所述船舶自动识别系统动态仿真数据和所述船舶自动识别系统静态仿真数据，得到船舶自动识别系统仿真数据。

[0112] 在本发明中，AIS数据仿真单元具体用于：对于每个海域目标物，在图像数据集中提取其相应的每个切片内出现航迹的开始时间点组成的时间集合，任意选择时间集的一个时间点作为该次生成航迹的时间起点，搭配基于生成对抗网络的航迹数据生成模块生成的航迹经纬度点数据，采取插值操作，通过t＝s/v计算航迹中所有点的时间戳数据，由此生成AIS动态仿真数据，并结合海域目标物的静态属性历史数据(MMSI号、呼叫号、国籍、类型、船长、船宽、航速v等)生成AIS静态仿真数据。

[0113] 声呐数据仿真单元，用于根据声呐设备的探测频率和探测截面正方向角度，基于所述船舶自动识别系统动态仿真数据，生成海域水下目标物的声呐仿真数据。

[0114] 在本发明中，声呐数据仿真单元具体用于：按照声呐设备探测的频率和声呐探测截面的正方向角度，将AIS动态仿真数据中预设海域目标物的部分数据作为水下目标投影在海平面的航迹数据，对于每个声呐设备探测到的数据，随机按照一定规则生成目标在水下的深度sDeep，并使用三角函数原理计算出海域目标物与正方向的偏离角度，由此生成海域目标物的声呐探测数据，即得到声呐仿真数据。

[0115] 雷达数据仿真单元，用于根据雷达设备的扫描角度范围和扫描频率，基于所述船舶自动识别系统动态仿真数据，生成海域目标物的雷达仿真数据。

[0116] 在本发明中，雷达数据仿真单元具体用于：按照雷达设备扫描角度范围和频率，循环扫描遍历所有海域目标物的AIS动态经纬度数据点，每移动一个步长(移动一个小扇形范围)，判断其是否符合当前雷达设备的扫描时间且在扫过的范围内，如果是，则对应生成一个雷达扫描数据。为了避免重复扫描，设置一个哈希表indexMap，键为海域目标物标识，值为经纬度数据点在航迹中的索引值，记录每个海域目标物在该次扫描中扫描到了第几个航迹点，一轮扫描过后，移动雷达角度角度，修改indexMap，然后继续下一轮扫描。

[0117] 光电合成图像第一处理单元，用于基于图像测距技术，对所述航迹图像数据进行距离测量标记；根据距离测量标记后的航迹图像数据和光电拍摄设备的拍摄频率，获取目标航迹经纬度点数据，并根据所述目标航迹经纬度点数据，获取海域目标物与光电拍摄设备之间的拍摄距离；

[0118] 光电合成图像第二处理单元，用于根据所述拍摄距离，获取目标航迹图像数据，并对所述目标航迹图像数据添加时间戳，得到海域目标物光电图像合成数据。

[0119] 在本发明中，利用图像测距技术，对图像数据集中的每张图像进行最大最小距离测量标注，以光电设备能拍摄到的最远距离作为阈值，按照设备拍摄频率，抽取海域目标物航迹的部分经纬度数据，计算海域目标物与光电设备的距离，以选择合适的海域目标物图像添加时间戳，从而合成得到海域目标物的光电图像数据。

[0120] 异常事件模拟单元，用于基于海域目标物的类型和运动过程进行异常事件模拟，并计算异常事件发生概率，若所述异常事件发生概率满足预设阈值，则对所述船舶自动识别系统仿真数据、所述声呐仿真数据、所述雷达仿真数据和所述光电图像合成数据进行修改，以得到海域目标物的异常事件仿真数据。

[0121] 在本发明中，异常事件模拟单元具体用于：根据异常事件定义及异常事件发生后数据变化特点，模拟海域目标物异常事件的发生，根据各类异常事件的发生概率配置和每个海域目标物发生某一类事件的概率配置，计算出的联合概率，判断海域目标物在当日是否发生某事件，如果发生，则修改数据存储层中该日生成的AIS仿真数据、声呐仿真数据、雷达仿真数据和光电图像合成数据。

[0122] 可选地，多维数据仿真模块还包括以下功能单元，数据自定义(增删改查)处理单元具体用于：提供数据查询接口，供数据展示层显示；提供设备参数修改接口以修改声呐和雷达的参数；提供自定义航迹接口；输入海域目标物标识、航迹点经纬度和时间数据后，调用AIS数据仿真单元进行插值处理、海域目标物的静态和动态数据生成。目标特征图谱构建功能模块具体用于：在图数据库中建立每个海域目标物的特征图谱，每日生成数据前添加前一日的多个维度的数据节点，每次发生异常事件实时在图谱中添加事件节点，可以直观反映出数据仿真的情况。

[0123] 在另一实施例中，对本发明的海域目标物多维数据仿真系统的仿真过程进行整体说明，图7为本发明提供的基于海域目标物多维数据仿真系统的仿真时序图，可参考图7所示，循环1表示每天生成一个切片(一天)的多维数据，操作重复；循环2表示生成对抗网络生成多个海域目标物的空间航迹信息后，通过航迹筛选，循环处理每个海域目标物的航迹图像，将还原到仿真沙盒内的数据持久化到数据表；循环3表示AIS数据仿真单元或声呐数据仿真单元，循环生成每个海域目标物的AIS数据或声呐信息；循环4表示雷达在规定时间段内，反复扫描根据AIS和声呐信息生成的雷达信息，并持久化到数据库表中；循环5表示每天根据海域目标物以往的行为和概率，设置发生异常事件，生成异常数据。

[0124] 图8为本发明提供的电子设备的结构示意图，如图8所示，该电子设备可以包括：处理器(processor)801、通信接口(CommunicationsInterface)802、存储器(memory)803和通信总线804，其中，处理器801，通信接口802，存储器803通过通信总线804完成相互间的通信。处理器801可以调用存储器803中的逻辑指令，以执行基于生成对抗网络的海域目标物多维数据仿真方法，该方法包括：获取海域目标物的目标航迹空间数据；将所述目标航迹空间数据输入到训练好的航迹图像数据生成模型中，输出得到所述海域目标物的航迹图像数据，其中，所述训练好的航迹图像数据生成模型是由样本航迹空间数据和所述样本航迹空间数据对应的样本航迹灰度图像数据，对生成对抗网络进行训练得到的；根据所述航迹图像数据、预设仿真时段和船舶自动识别系统静态属性历史数据，仿真得到海域目标物多维数据。

[0125] 此外，上述的存储器803中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read‑OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。

[0126] 另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于生成对抗网络的海域目标物多维数据仿真方法，该方法包括：获取海域目标物的目标航迹空间数据；将所述目标航迹空间数据输入到训练好的航迹图像数据生成模型中，输出得到所述海域目标物的航迹图像数据，其中，所述训练好的航迹图像数据生成模型是由样本航迹空间数据和所述样本航迹空间数据对应的样本航迹灰度图像数据，对生成对抗网络进行训练得到的；根据所述航迹图像数据、预设仿真时段和船舶自动识别系统静态属性历史数据，仿真得到海域目标物多维数据。

[0127] 又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于生成对抗网络的海域目标物多维数据仿真方法，该方法包括：获取海域目标物的目标航迹空间数据；将所述目标航迹空间数据输入到训练好的航迹图像数据生成模型中，输出得到所述海域目标物的航迹图像数据，其中，所述训练好的航迹图像数据生成模型是由样本航迹空间数据和所述样本航迹空间数据对应的样本航迹灰度图像数据，对生成对抗网络进行训练得到的；根据所述航迹图像数据、预设仿真时段和船舶自动识别系统静态属性历史数据，仿真得到海域目标物多维数据。

[0128] 以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

[0129] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

[0130] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。