將深度學(xué)習(xí)分類模型應(yīng)用于水下目標(biāo)識別取得了很多成果。水下目標(biāo)檢測是分類識別的前提與關(guān)鍵,使得基于深度學(xué)習(xí)的水下目標(biāo)輻射噪聲信號的檢測研究逐漸引起人們的重視。因此,提出了將長短時記憶網(wǎng)絡(luò)應(yīng)用于水下目標(biāo)的LOFAR譜,利用深度學(xué)習(xí)模型,學(xué)習(xí)LOFAR譜中的關(guān)鍵信息。試驗結(jié)果表明,經(jīng)過長短時記憶網(wǎng)絡(luò)訓(xùn)練的LOFAR譜與未訓(xùn)練的LOFAR譜相比,水下目標(biāo)信號的線譜檢測能力更好。 

【文章來源】：電聲技術(shù). 2020,44(06)

【文章頁數(shù)】：3 頁

【部分圖文】：

典型LSTM單元（2)

對于長短時記憶網(wǎng)絡(luò)模型，輸入特征為每個時間幀下的所有頻率點(diǎn)的幅值。為了保證模型的樣本數(shù)量，時間步設(shè)為1。隱藏層的個數(shù)為100個，激活函數(shù)使用“relu”，損失函數(shù)選用均方差函數(shù)，優(yōu)化器用“adam”。模型訓(xùn)練過程的循環(huán)次數(shù)為100次。具體試驗流程如圖2所示。試驗中，由目標(biāo)輻射噪聲時域采樣信號獲得LOFAR譜圖，如圖3所示，同時獲得目標(biāo)的LOFAR譜矩陣，把每個時間幀的頻率特征作為深度學(xué)習(xí)

未處理的LOFAR譜圖

【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)



本文編號：3109004