基于深度学的水下目标识别方法

摘要

本发明涉及一种基于深度学的水下目标识别方法，主要解决现有的目标识别系统主要依靠浅层模型进行人工特征提取，导致识别精度不高的问题。本发明的具体步骤如下：(1)对原始舰船目标辐射噪声数据分段求取功率谱特征；(2)将功率谱特征分成训练数据集和测试数据集；(3)对训练数据进行ZCA白化预处理；(4)构造并训练栈式自编码网络；(5)微调深度网络模型；(6)对测试数据进行分类识别。海试数据实验表明，本发明利用深度网络学舰船目标辐射噪声的深层特征进行分类识别，识别率达到94％以上，提高了水下目标识别效果，对未来水下舰船及海洋生物的识别和监视具有重要的实际应用前景。

主权项

一种基于深度学习的水下目标识别方法，其特征在于步骤如下：步骤1：对原始舰船目标辐射噪声数据分段求取功率谱特征：获取原始舰船目标辐射噪声序列，进行分段处理，得到的分段数据为x(n),n＝0,1,2,…,N‑1，按照公式对分段数据进行功率谱估计，将相邻4段数据的功率谱进行平均，得到最终的功率谱特征计算结果：$P\left(f\right)=\frac{1}{4}\underset{i=1}{\overset{4}{\Sigma }}{P}^i\left(f\right)$其中f＝(f₁,f₂,f₃,…,f_M)表示相应的离散频率点；步骤2：将功率谱特征分成训练数据集和测试数据集：将功率谱特征P(f)按照3:1随机选取，划分为训练数据集和测试数据集，将训练数据集的每一帧功率谱特征作为一列，组成训练矩阵P：其中，Pⁱ(f_j)表示第i个训练数据的第j维功率谱特征；步骤3：对训练数据进行ZCA白化预处理；步骤4：构造并训练栈式自编码网络；步骤5：微调fine‑tune深度网络模型：利用反向传播算法，将栈式自编码网络的所有层当做一个模型，在每次迭代中，优化网络中的所有权重值，得到最终的网络节点参数；步骤6：对测试数据进行分类识别：根据训练数据集的特征均值的方差，预处理测试数据，将处理完的数据作为栈式自编码网络的输入，计算最终的分类结果。