針對(duì)傳統(tǒng)機(jī)器學(xué)習(xí)在水下目標(biāo)識(shí)別方面嚴(yán)重依賴先驗(yàn)知識(shí)、識(shí)別精度低的難題,提出基于深度學(xué)習(xí)的水下目標(biāo)辨識(shí)方法。該方法通過短時(shí)傅里葉變換進(jìn)行時(shí)頻分析獲取水下目標(biāo)信號(hào)的LOFAR譜圖,將目標(biāo)從一維序列空間映射至類別可分性更高的二維矢量空間。利用深度卷積神經(jīng)網(wǎng)絡(luò)自適應(yīng)實(shí)現(xiàn)對(duì)目標(biāo)LOFAR圖特征提取,最后采用全連接層將特征變換至類別空間,用Softmax函數(shù)實(shí)現(xiàn)水下目標(biāo)智能辨識(shí)。結(jié)合7類不同水下目標(biāo)的實(shí)測(cè)艦船輻射噪聲數(shù)據(jù)從網(wǎng)絡(luò)模型結(jié)構(gòu)參數(shù)、激活函數(shù)、池化方法以及數(shù)據(jù)片段長度等方面對(duì)深度學(xué)習(xí)分類精度進(jìn)行驗(yàn)證。結(jié)果表明,利用二維時(shí)頻譜圖變換和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法可有效降低噪聲的影響,分類精度可達(dá)98.57%。驗(yàn)證了基于深度學(xué)習(xí)的水下目標(biāo)辨識(shí)方法的有效性,為海洋裝備智能目標(biāo)探測(cè)與識(shí)別提供了一種新的研究思路與方法。

【文章頁數(shù)】：5 頁


本文編號(hào)：4005175