一种基于多尺度卷积神经网络的被动水声目标识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114299356A(43)申请公布日2022.04.08(21)申请号202111552699.9G06N3/04(2006.01)(22)申请日2021.12.17G06N3/08(2006.01)(71)申请人中国船舶重工集团公司第七一五研究所地址311499浙江省杭州市西湖区留下街道屏峰715号(72)发明人刘文进刘鹏梁增赵洪林陈建青邢嘉元(74)专利代理机构杭州九洲专利事务所有限公司33101代理人陈继亮(51)Int.Cl.G06V10/774(2022.01)G06V10/82(2022.01)G06K9/62(2022.01)权利要求书1页说明书5页附图4页(54)发明名称一种基于多尺度卷积神经网络的被动水声目标识别方法(57)摘要本发明公开了一种基于多尺度卷积神经网络的被动水声目标识别方法，该方法结合人工特征提取经验，将时频域幅度图和相位图作为神经网络输入，在更明显的体现目标特征的同时，将全部信息输入网络，有利用后续自适应特征提取过程；然后根据水下目标特点，设计了一种多尺度卷积神经网络进行自适应特征提取，并利用深度神经网络进行识别。在获取新的目标辐射噪声后，可对模型再次训练，使网络识别能力不断提高。CN114299356ACN114299356A权利要求书1/1页1.一种基于多尺度卷积神经网络的被动水声目标识别方法，其特征在于：包括步骤如下:(1)、获取带类型标签的时域数据后对数据进行预处理；(2)、对时域信号进行时频域变换，获取目标的归一化幅度谱和相位谱；(3)、构建多尺度卷积神经网络，网络构建成功后，使用随机参数对网络进行初始化；(4)、对网络进行训练，达到迭代停止条件后，输出网络参数；(5)、利用网络参数构建识别器，并在获取新的标签数据后重新进行训练。2.根据权利要求1所述的基于多尺度卷积神经网络的被动水声目标识别方法，其特征在于：在步骤(1)中，假设当前数据采样频率为fsm标准数据采样率为fs，则构建截止频率为的低通滤波器对原始数据进行处理，然后对数据进行采样率变换，得到时域数据f(m)；然后对f(m)进行降噪处理；采样信号时间序列表示为：x＝{xi},i＝1,…,N利用时间序列构造Hankel矩阵：然后对矩阵进行奇异值分解，得到奇异值及其对应的向量：其中αi表示第i个奇异值，ui和vi表示第i个奇异值对应的向量；对奇异值进行阈值处理，将小于阈值λ的奇异值置为0，利用处理后的奇异值矩阵重建时域信号，得到降噪结果。3.根据权利要求1所述的基于多尺度卷积神经网络的被动水声目标识别方法，其特征在于：在步骤(3)中，原始图像由归一化幅度谱和相位谱两个图层组成，分别输入卷积核为3*3、6*6、9*9的卷积神经网络中利用ReLu函数作为激活函数，并使用4*4的平均池化层进行处理，然后将三个卷积神经网络计算结果输入3*3卷积核的卷积神经网络，同样使用4*4的池化层，将计算结果连续通过两层全连接神经网络，并将最终结果进行输出。4.根据权利要求1所述的基于多尺度卷积神经网络的被动水声目标识别方法，其特征在于：在步骤(5)中，保存当前网络参数，并构建识别器，每次进行识别后不再进行网络参数更新；在获取新的标签数据后，重复步骤(1)至步骤(4)，进行网络训练，更新网络参数。2CN114299356A说明书1/5页一种基于多尺度卷积神经网络的被动水声目标识别方法技术领域[0001]本发明涉及，主要是一种基于多尺度卷积神经网络的被动水声目标识别方法。背景技术[0002]水下目标识别技术是海洋装备走向智能化不可或缺的关键技术，其在海洋资源勘测、海洋环境信息探查、水下信息侦察等领域有广泛的应用，自上世纪50年代起便有大量学者专家投身其中。目前，针对不同的水下信息采集形式，主要研究方向包括图像识别和信号识别两类。其中，以目标辐射噪声为分析对象的水下声信号识别方法，以其有效范围大、适用条件广等特点，广泛应用于水下目标识别技术领域中。传统的水声信号识别方法以目标特征提取及模式识别方法为核心。针对目标特点设计区分度更高的目标特征提取方法，并结合SVM、神经网络等高效分类方法实现目标识别。[0003]但水下目标辐射噪声往往和目标状态具有较强相关性，且受水声信道时变特性影响，在一种条件下得到的目标辐射噪声特性，常常难以与另一状态下的目标特性实现匹配，导致在实验室中训练良好的模型在实际过程中难以达到其预想探测性能。除此之外，通过人工提取的目标特征可区分性与专家经验有关，为提高对新目标的识别能力，需要再次根据专家经验重新设计特征提取方法，才能实现较为理想的识别效果。针对以上问题本发明提出了一种基于多尺度卷积神经网络的被动水声目标识别方法，该方法结合人工特征提取经验，使用时