改進的卷積神經(jīng)網(wǎng)絡實現(xiàn)端到端的水下目標自動識別
發(fā)布時間：2021-06-05 15:20
由于水聲信號的高度復雜性,基于特征工程的傳統(tǒng)水下目標識別方法表現(xiàn)欠佳。基于深度學習模型的水下目標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,進而提高水下目標識別效果。本文提出一種適用于水下目標識別場景的卷積神經(jīng)網(wǎng)絡結構,即在卷積模塊化設計中引入卷積核為1的卷積層,更大程度地保留水聲信號局部特征,且降低模型的復雜程度;同時,以全局平均池化層替代全連接層的方式構造基于特征圖對應的特征向量主導分類結果的網(wǎng)絡結構,使結果更具可解釋性,且減少訓練參數(shù)降低過擬合風險。實驗結果表明該方法得到的水下目標識別準確率（91.7%）要優(yōu)于基于傳統(tǒng)卷積神經(jīng)網(wǎng)絡（69.8%）和基于高階統(tǒng)計量特征的傳統(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域結構,進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】：
一維卷積層在時間序列上的工作原理
本課題將改進的CNNs應用到水下聲信號識別,模型結構如圖2(a)所示。該結構保留了經(jīng)典CNNs的模塊化設計,以便根據(jù)樣本量的大小對卷積模塊進行適當?shù)脑鰷p。此外,考慮到水下聲信號具有較低的信噪比,且模型在前后向訓練過程中信號會發(fā)生內部協(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)絡的基礎上,引入逐點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、更高層次的特征,卷積神經(jīng)網(wǎng)絡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)過多會導致模型過擬合。另一方面,水聲信號具有較強的局部結構,而卷積層具有局部感知的優(yōu)點,且不同的卷積核具有不同的感知特性。為了增強卷積層的局部感知能力,提升局部特征的表達能力,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中的核尺寸設為1。相對于普通卷積核,該設計能夠在減少模型復雜度的同時,實現(xiàn)不同特征圖的跨通道結合,有助于提取水聲信號的局部特征。如圖3所示,假設水聲信號經(jīng)過某個卷積層之后,得到32個(1,w)大小的特征圖,若其后為n個1*m(m>1)的普通卷積層,則該層需要訓練的參數(shù)個數(shù)為n*m。當該卷積層選用n個1*1的逐點卷積層時,訓練參數(shù)可由n*m降至n(n<n*m)個。因此,這種改進可以減少訓練參數(shù),進而降低模型復雜度,而且1*1卷積層的加入增加了網(wǎng)絡的深度,使模型變的更為緊湊。此外,每個1*1的卷積核作用在上層的32個特征圖上,能夠將32個通道相同位置的特征信息以不同的權重進行結合。這可以大大增強網(wǎng)絡對水聲信號的某些局部特征的感知能力。
【參考文獻】：
期刊論文
[1]深度學習在水下目標被動識別中的應用進展[J]. 徐及,黃兆瓊,李琛,顏永紅. 信號處理. 2019(09)
[2]水聲目標特征分析與識別技術[J]. 方世良,杜栓平,羅昕煒,韓寧,徐曉男. 中國科學院院刊. 2019(03)
[3]聽覺外周計算模型在水中目標分類識別中的應用[J]. 王磊,彭圓,林正青,蔣行海,牟林,張鳳珍. 電子學報. 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. 應用聲學. 2010(06)
[6]應用希爾伯特黃變換的水下目標特征提取[J]. 李秀坤,謝磊,秦宇. 哈爾濱工程大學學報. 2009(05)
[7]基于倒譜分析的被動水聲目標分類[J]. 田杰,張春華,劉維,黃海寧,薛山花. 系統(tǒng)工程與電子技術. 2005(10)
[8]基于雙譜的水下目標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. 哈爾濱工程大學學報. 2003(04)
[9]基于高階統(tǒng)計量的水下目標動態(tài)線譜增強算法研究[J]. 郭業(yè)才,趙俊渭,陳華偉,李桂娟,韓靜. 西北工業(yè)大學學報. 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 2012
碩士論文
[1]基于深度學習方法的水下聲音目標識別研究[D]. 盧安安.哈爾濱工程大學 2017
本文編號：3212414
【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】：
一維卷積層在時間序列上的工作原理
本課題將改進的CNNs應用到水下聲信號識別,模型結構如圖2(a)所示。該結構保留了經(jīng)典CNNs的模塊化設計,以便根據(jù)樣本量的大小對卷積模塊進行適當?shù)脑鰷p。此外,考慮到水下聲信號具有較低的信噪比,且模型在前后向訓練過程中信號會發(fā)生內部協(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)絡的基礎上,引入逐點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、更高層次的特征,卷積神經(jīng)網(wǎng)絡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)過多會導致模型過擬合。另一方面,水聲信號具有較強的局部結構,而卷積層具有局部感知的優(yōu)點,且不同的卷積核具有不同的感知特性。為了增強卷積層的局部感知能力,提升局部特征的表達能力,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中的核尺寸設為1。相對于普通卷積核,該設計能夠在減少模型復雜度的同時,實現(xiàn)不同特征圖的跨通道結合,有助于提取水聲信號的局部特征。如圖3所示,假設水聲信號經(jīng)過某個卷積層之后,得到32個(1,w)大小的特征圖,若其后為n個1*m(m>1)的普通卷積層,則該層需要訓練的參數(shù)個數(shù)為n*m。當該卷積層選用n個1*1的逐點卷積層時,訓練參數(shù)可由n*m降至n(n<n*m)個。因此,這種改進可以減少訓練參數(shù),進而降低模型復雜度,而且1*1卷積層的加入增加了網(wǎng)絡的深度,使模型變的更為緊湊。此外,每個1*1的卷積核作用在上層的32個特征圖上,能夠將32個通道相同位置的特征信息以不同的權重進行結合。這可以大大增強網(wǎng)絡對水聲信號的某些局部特征的感知能力。
【參考文獻】：
期刊論文
[1]深度學習在水下目標被動識別中的應用進展[J]. 徐及,黃兆瓊,李琛,顏永紅. 信號處理. 2019(09)
[2]水聲目標特征分析與識別技術[J]. 方世良,杜栓平,羅昕煒,韓寧,徐曉男. 中國科學院院刊. 2019(03)
[3]聽覺外周計算模型在水中目標分類識別中的應用[J]. 王磊,彭圓,林正青,蔣行海,牟林,張鳳珍. 電子學報. 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. 應用聲學. 2010(06)
[6]應用希爾伯特黃變換的水下目標特征提取[J]. 李秀坤,謝磊,秦宇. 哈爾濱工程大學學報. 2009(05)
[7]基于倒譜分析的被動水聲目標分類[J]. 田杰,張春華,劉維,黃海寧,薛山花. 系統(tǒng)工程與電子技術. 2005(10)
[8]基于雙譜的水下目標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. 哈爾濱工程大學學報. 2003(04)
[9]基于高階統(tǒng)計量的水下目標動態(tài)線譜增強算法研究[J]. 郭業(yè)才,趙俊渭,陳華偉,李桂娟,韓靜. 西北工業(yè)大學學報. 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 2012
碩士論文
[1]基于深度學習方法的水下聲音目標識別研究[D]. 盧安安.哈爾濱工程大學 2017
本文編號：3212414
本文鏈接：http://sikaile.net/guanlilunwen/gongchengguanli/3212414.html
最近更新
教材專著
