由于水聲信號的高度復(fù)雜性,基于特征工程的傳統(tǒng)水下目標(biāo)識別方法表現(xiàn)欠佳�；谏疃葘W(xué)習(xí)模型的水下目標(biāo)識別方法可有效減少由于特征提取過程帶來的水聲信號信息損失,進(jìn)而提高水下目標(biāo)識別效果。本文提出一種適用于水下目標(biāo)識別場景的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),即在卷積模塊化設(shè)計(jì)中引入卷積核為1的卷積層,更大程度地保留水聲信號局部特征,且降低模型的復(fù)雜程度;同時(shí),以全局平均池化層替代全連接層的方式構(gòu)造基于特征圖對應(yīng)的特征向量主導(dǎo)分類結(jié)果的網(wǎng)絡(luò)結(jié)構(gòu),使結(jié)果更具可解釋性,且減少訓(xùn)練參數(shù)降低過擬合風(fēng)險(xiǎn)。實(shí)驗(yàn)結(jié)果表明該方法得到的水下目標(biāo)識別準(zhǔn)確率（91.7%）要優(yōu)于基于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)（69.8%）和基于高階統(tǒng)計(jì)量特征的傳統(tǒng)方法識別表現(xiàn)（85%）。這說明本文提出的模型能更好保留水聲信號的時(shí)域結(jié)構(gòu),進(jìn)而提高分類識別效果。 

【文章來源】：信號處理. 2020,36(06)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

一維卷積層在時(shí)間序列上的工作原理

本課題將改進(jìn)的CNNs應(yīng)用到水下聲信號識別,模型結(jié)構(gòu)如圖2(a)所示。該結(jié)構(gòu)保留了經(jīng)典CNNs的模塊化設(shè)計(jì),以便根據(jù)樣本量的大小對卷積模塊進(jìn)行適當(dāng)?shù)脑鰷p。此外,考慮到水下聲信號具有較低的信噪比,且模型在前后向訓(xùn)練過程中信號會發(fā)生內(nèi)部協(xié)變量偏移(internal covariate shift)[19],相較于經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)中的卷積模塊由卷積層(Convolution layer)和池化層(Pooling layer)組成,本研究在經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,引入逐點(diǎn)卷積層和全局平均池化層來解決以上問題,模塊組成如圖2(b)所示。3.1 批歸一化層(Batch normalization, BN)

通常,為了提取更精細(xì)、更高層次的特征,卷積神經(jīng)網(wǎng)絡(luò)模型需使用較多的卷積層和全連接層。一方面,受水聲樣本量的限制,層數(shù)過多會導(dǎo)致模型過擬合。另一方面,水聲信號具有較強(qiáng)的局部結(jié)構(gòu),而卷積層具有局部感知的優(yōu)點(diǎn),且不同的卷積核具有不同的感知特性。為了增強(qiáng)卷積層的局部感知能力,提升局部特征的表達(dá)能力,本研究將卷積核為1的卷積層引入到卷積模塊中,即將圖1中的核尺寸設(shè)為1。相對于普通卷積核,該設(shè)計(jì)能夠在減少模型復(fù)雜度的同時(shí),實(shí)現(xiàn)不同特征圖的跨通道結(jié)合,有助于提取水聲信號的局部特征。如圖3所示,假設(shè)水聲信號經(jīng)過某個(gè)卷積層之后,得到32個(gè)(1,w)大小的特征圖,若其后為n個(gè)1*m(m>1)的普通卷積層,則該層需要訓(xùn)練的參數(shù)個(gè)數(shù)為n*m。當(dāng)該卷積層選用n個(gè)1*1的逐點(diǎn)卷積層時(shí),訓(xùn)練參數(shù)可由n*m降至n(n<n*m)個(gè)。因此,這種改進(jìn)可以減少訓(xùn)練參數(shù),進(jìn)而降低模型復(fù)雜度,而且1*1卷積層的加入增加了網(wǎng)絡(luò)的深度,使模型變的更為緊湊。此外,每個(gè)1*1的卷積核作用在上層的32個(gè)特征圖上,能夠?qū)?2個(gè)通道相同位置的特征信息以不同的權(quán)重進(jìn)行結(jié)合。這可以大大增強(qiáng)網(wǎng)絡(luò)對水聲信號的某些局部特征的感知能力。

【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)在水下目標(biāo)被動識別中的應(yīng)用進(jìn)展[J]. 徐及,黃兆瓊,李琛,顏永紅.  信號處理. 2019(09)
[2]水聲目標(biāo)特征分析與識別技術(shù)[J]. 方世良,杜栓平,羅昕煒,韓寧,徐曉男.  中國科學(xué)院院刊. 2019(03)
[3]聽覺外周計(jì)算模型在水中目標(biāo)分類識別中的應(yīng)用[J]. 王磊,彭圓,林正青,蔣行海,牟林,張鳳珍.  電子學(xué)報(bào). 2012(01)
[4]基于ST-FRFT的非合作水聲脈沖信號檢測方法[J]. 王曉燕,方世良,朱志峰.  信號處理. 2011(08)
[5]艦船輻射噪聲的高階統(tǒng)計(jì)量特征提取及特征壓縮[J]. 陳鳳林,林正青,彭圓,牟林,張鳳珍,王磊.  應(yīng)用聲學(xué). 2010(06)
[6]應(yīng)用希爾伯特黃變換的水下目標(biāo)特征提取[J]. 李秀坤,謝磊,秦宇.  哈爾濱工程大學(xué)學(xué)報(bào). 2009(05)
[7]基于倒譜分析的被動水聲目標(biāo)分類[J]. 田杰,張春華,劉維,黃海寧,薛山花.  系統(tǒng)工程與電子技術(shù). 2005(10)
[8]基于雙譜的水下目標(biāo)輻射噪聲的特征提取與分類研究[J]. 彭圓,申麗然,李雪耀,王科俊.  哈爾濱工程大學(xué)學(xué)報(bào). 2003(04)
[9]基于高階統(tǒng)計(jì)量的水下目標(biāo)動態(tài)線譜增強(qiáng)算法研究[J]. 郭業(yè)才,趙俊渭,陳華偉,李桂娟,韓靜.  西北工業(yè)大學(xué)學(xué)報(bào). 2002(03)

博士論文
[1]船舶及鯨類聲信號特征提取和分類識別研究[D]. 李新欣.哈爾濱工程大學(xué) 2012

碩士論文
[1]基于深度學(xué)習(xí)方法的水下聲音目標(biāo)識別研究[D]. 盧安安.哈爾濱工程大學(xué) 2017



本文編號：3212414