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<img file="FDA0001137032480000011.GIF" wi="477" he="130" />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:<maths num="0001"><math><![CDATA[<mrow><mi>P</mi><mrow><mo>(</mo><mi>f</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mn>1</mn><mn>4</mn></mfrac><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mn>4</mn></munderover><msup><mi>P</mi><mi>i</mi></msup><mrow><mo>(</mo><mi>f</mi><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001137032480000012.GIF" wi="341" he="110" /></maths>其中f=(f<sub>1</sub>,f<sub>2</sub>,f<sub>3</sub>,…,f<sub>M</sub>)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:<img file="FDA0001137032480000013.GIF" wi="586" he="228" />其中,P<sup>i</sup>(f<sub>j</sub>)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。 |