【技术实现步骤摘要】
一种基于遗传算法优化BP神经网络的水声目标识别方法
本专利技术涉及水声领域，尤其是一种水声目标识别方法。
技术介绍
在海洋中，主要靠声波来传递和获取各种信息。在水声目标处理中，水声目标的识别分类一直是重要的研究方向之一。水声目标识别技术主要包括特征提取方法和分类器的设计。特征提取的任务是选取表征目标身份的有效且稳定可靠的特征。实际的水下目标信号不仅发声机理复杂，而且成分多样。水声目标的特征分析方法经历了单纯从时域、频域分析发展到从时间-频率联合域分析，从二阶距到高阶统计量分析。对水声目标提取的特征不再局限于某一特定类的特征而是考虑到各种类型的特征。多种特征分析方法和多种类型特征量联合运用将更加全面、准确的反映水声目标的性质；希尔伯特一黄变换(Hilbert-HuangTransform，简称HHT)，是1998年由NordenE.Huang等人提出的一种新的信号分析方法，它是非平稳信号处理方法的一大突破，它不受傅里叶分析的局限，能够更加精确的表达出具有物理意义的时频图，是一种更具适应性的时频局部化分析方法；基于听觉模...
【技术保护点】
1.一种基于遗传算法优化BP神经网络的水声目标识别方法，其特征在于包括下述步骤：/n步骤1：读取已知标签为1、2、3的三种水声目标样本，分别提取3种水声目标样本的12维水声信号的MFCC系数，获得MFCC系数矩阵，在MFCC系数矩阵前加1维类别向量获得新的矩阵，新的矩阵中第1维为标签，第2维到13维为系数矩阵，存入mat文件中；/n步骤2：提取3种水声目标的mat文件，将3个文件中的矩阵合成一个数据集矩阵，数据集矩阵中第1维为标签，第2维到第13维为MFCC系数矩阵，数据集矩阵中的第2维到第13维作为输入P，根据数据集矩阵第1维标签设定水声目标的期望输出T；标签为1时，期望输出向量T为：/n
【技术特征摘要】
1.一种基于遗传算法优化BP神经网络的水声目标识别方法，其特征在于包括下述步骤：
步骤1：读取已知标签为1、2、3的三种水声目标样本，分别提取3种水声目标样本的12维水声信号的MFCC系数，获得MFCC系数矩阵，在MFCC系数矩阵前加1维类别向量获得新的矩阵，新的矩阵中第1维为标签，第2维到13维为系数矩阵，存入mat文件中；
步骤2：提取3种水声目标的mat文件，将3个文件中的矩阵合成一个数据集矩阵，数据集矩阵中第1维为标签，第2维到第13维为MFCC系数矩阵，数据集矩阵中的第2维到第13维作为输入P，根据数据集矩阵第1维标签设定水声目标的期望输出T；标签为1时，期望输出向量T为：
标签为2时，期望输出向量T为：
标签为3时，期望输出向量T为：
步骤3：确定BP神经网络的拓扑结构；由输入P和期望输出T确定BP神经网络输入层为12，输出层为3，隐含层设置为18，所以BP神经网络的拓扑结构为12-18-3；
步骤4：在用BP神经网络进行训练和测试前，使用遗传算法对神经网络输入层到隐含层的连接权值ωij、隐含层到输出层的连接权值ωjk、隐含层阈值a和输出层阈值b这4个参数进行优化；待优化变量个数为N：
N＝ωij+ωjk+a+b(4)
使用遗传算法获得最优权值和阈值的步骤如下：
(1)随机初始化种群；种群中有M个个体，M为正整数，每个个体的长度为待优化变量N；
(2)确定目标函数；将初始化的种群中的每一个个体带入BP神经网络训练、测试，获得每一个个体测试数据预测误差的范数Error(i)：
Error(i)＝||Y(i)-T_text(i)||i＝1，2，...，M(5)
其中，Error(i)是第i个个体预测误差的范数，即第i个个体的目标函数，Y(i)是第i个个体测试数据的仿真结果(实际输出)，T_text(i)是第i个个体测试数据的期望输出，第i个个体和第i个个体的目标函数一一对应；
将M个Error(i)i＝1，2，...，M组成一个列向量Error，Error作为遗传算法的目标函数进行优化；目标函数越小，优化效果越好；
(3)计算种群适应度值：由目标函数构造种群适应度值，种群适应度值为目标函数的...
【专利技术属性】
技术研发人员：曾向阳，杨爽，王海涛，乔彦，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。