一种基于深层卷积神经网络和自适应专家推理规则的水中目标连续跟踪方法技术

本发明专利技术公开了一种基于深层卷积神经网络和自适应专家推理规则的水中目标连续跟踪方法，首先针对多波束时域数据特点生成时频谱图样本，其次构建并训练面向时频谱图特征提取的深层卷积神经网络模型；接着构建专家推理规则库，以从多波束时频谱图特征中辨识感兴趣目标；最后基于深层卷积神经网络模型和专家推理规则库对现场多波束时域数据进行处理，一则根据已知感兴趣目标方位信息，利用多波束特征提取结果，初始化更新专家推理规则库，二则依托专家推理规则库对新的多波束特征提取结果辨识，实现感兴趣目标连续跟踪，在处理过程中将根据每个批次感兴趣目标/背景辨识结果对专家推理规则库进行自适应更新，以更好的适应目标

【技术实现步骤摘要】
一种基于深层卷积神经网络和自适应专家推理规则的水中目标连续跟踪方法


[0001]本专利技术属于水中目标跟踪与人工智能
，具体涉及一种基于深层卷 积神经网络和自适应专家推理规则的水中目标连续跟踪方法。

技术介绍

[0002]水中目标被动跟踪是水声探测中的重要环节，能够为目标识别和水下攻防 态势形成提供重要信息。
[0003]当前，国内被动水中目标跟踪技术研究基础还十分薄弱，主要依赖于能量 和方位信息，在低信噪比、多目标等情况下容易发生目标丢失现象，基于目标 特征辨识的目标跟踪方法虽然已经受到关注，不过当前的特征获取方法主要基 于已掌握的目标数据/特性知识建立模型，受多目标干扰、海洋信道时空变化、 平台及环境噪声等因素影响，干净、清晰、适应实际场景的目标特征获取难度 大，成为制约目标特征跟踪技术发展的瓶颈。
[0004]近年来，深度学习技术快速发展，目前已经在语音、图像等领域得到了广 泛应用，在水声领域也受到了国内外众多学者的关注，但主要集中在目标识别 和定位等方面，在目标跟踪方面的研究应用还比较少。鉴于水声环境的复杂性 和水声数据获取的难度，已掌握的水声目标数据/特征往往与实际应用环境存在 一定差异性，单纯依靠历史数据驱动的智能化处理体制可能难以适应现场目标
‑ꢀ
干扰
‑
环境时变导致的目标特征变异。
[0005]为此，本专利技术提出了基于深层卷积神经网络和自适应专家推理规则的水中 目标连续跟踪方法，通过综合运用基于历史数据驱动的深度学习模型和基于现 场数据驱动的专家推理规则，能够使整个处理过程更好的适应现场情况，有助 于提升水中目标连续跟踪能力。

技术实现思路

[0006]本专利技术的目的之一在于提供一种基于深层卷积神经网络和自适应专家推理 规则的水中目标连续跟踪方法，以解决
技术介绍
中现有的智能化处理体制难以 适应现场目标
‑
干扰
‑
环境时变导致的目标特征变异等问题。
[0007]为实现上述目的，本专利技术提供技术方案如下：
[0008]一种基于深层卷积神经网络和自适应专家推理规则的水中目标连续跟踪方 法，所述方法包括以下步骤：
[0009]步骤1：构建并训练用于波束时频谱图特征提取的深层卷积神经网络模型；
[0010]步骤2：构建用于对未知特征进行目标特征辨识的专家推理规则库，并初始 化更新专家推理规则库参数；
[0011]步骤3：获取感兴趣目标的初始时频谱图样本集；
[0012]步骤4：对于每次新获取的一批多波束时域数据，基于短时傅里叶变换生成 未知时频谱图样本集；
[0013]步骤5：通过训练后的深层卷积神经网络模型分别对初始时频谱图样本集、 未知时频谱图样本集进行感兴趣目标特征和未知特征提取；
[0014]步骤6：基于感兴趣目标特征集对专家推理规则库参数自适应更新；
[0015]步骤7：基于感兴趣目标特征集，采用参数自适应更新后的专家推理规则库 对提取的未知特征进行目标特征辨识。
[0016]优选地，所述深层卷积神经网络模型构建方法为：依次添加输入层、第一 卷积层、第二卷积层、第三卷积层、池化层、第四卷积层、第五卷积层，输入 层的输入数据尺寸为256*256*1，第一卷积层的卷积核为5*5*32，步长为2；第 二卷积层的卷积核为3*3*64，步长为1；第三卷积层、第四卷积层卷积核均为 3*3*128，步长均为1；第五卷积层的卷积核均为1*1*256，步长为2；池化层的 池化核为3*3*2，步长为1；添加3个依次连接的第一ResNet
‑
Inception模块； 添加1个第四ResNet
‑
Inception模块；添加3个依次连接的第一ResNet
‑
Inception 模块；添加8个依次连接的第二ResNet
‑
lnception模块；添加第六卷积层，第六 卷积层的卷积核为3*3*1024，步长为1；添加第七卷积层，第七卷积层的卷积 核为1*1*2048，步长为2；添加5个依次连接的第三ResNet
‑
Inception模块；添 加全局平均池化层；添加全连接层，输出特征维数为512；构建深层卷积神经网 络模型的损失函数，并设定训练参数。
[0017]优选地，所述第一ResNet
‑
Inception模块的构建为：在数据输入层之后添加 4个并行分支：分支1为直接分支，分支2包括2个卷积层，卷积层1参数为 (1
×
1，n，1)，卷积层2参数为(3
×
3，n，1)，分支3包括4个卷积层，各卷积层的参数 分别为(1
×
1，n，1)、(1
×
5，n，1)、(5
×
1，n，1)及(1
×
1，n，1)，分支4包括4个卷积层，各卷 积层的参数分别为(1
×
1，n，1)、(1
×
7，n，1)、(7
×
1，n，1)和(1
×
1，n，1)，在分支2、3、4之 后加入特征维扩展操作，通过整合分支2、3、4输出特征，得到综合特征集输 出，特征总数量为3n；在分支1输出特征和综合特征集之后加入直接相加求和 操作，得到第一ResNet
‑
Inception模块的顶层特征，并通过加入ReLU激活函数， 输出最终卷积特征；所述第二ResNet
‑
Inception模块的构建为：在数据输入层之 后添加3个并行分支，分支1为直接分支；分支2包括3个卷积层，3个卷积层 的参数分别为(1
×
1，n，1)、(1
×
5，n，1)和(5
×
1，n，1)；分支3在输入端包含2个并行子 分支，子分支1包括3个卷积层，参数分别为(1
×
1，n，1)、(3
×
3，n，1)及(3
×
3，n，1)， 子分支2包括3个卷积层，参数分别为(1
×
1，n，1)、(3
×
1，n，1)和(1
×
3，n，1)，子分支1 和子分支2输出端共同连接1个卷积层，其参数为(1
×
1，n，1)。在分支2、3之后 加入特征维扩展操作，通过整合分支2、3输出特征，得到综合特征集输出，特 征总数量为2n；在分支1输出特征和综合特征集之后加入直接相加求和操作， 得到第二ResNet
‑
Inception模块的顶层特征，并通过加入ReLU激活函数，输出 最终卷积特征；所述第三ResNet
‑
Inception模块的构建为：在数据输入层之后添 加2个并行分支，分支1为直接分支，分支2在输入端包含2个并行子分支， 子分支1包括1个卷积层，参数为(1
×
1，n，1)，子分支2包括3个卷积层，参数分 别为(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深层卷积神经网络和自适应专家推理规则的水中目标连续跟踪方法，其特征在于，所述方法包括以下步骤：步骤1：构建并训练用于波束时频谱图特征提取的深层卷积神经网络模型；步骤2：构建用于对未知特征进行目标特征辨识的专家推理规则库，并初始化更新专家推理规则库参数；步骤3：获取感兴趣目标的初始时频谱图样本集；步骤4：对于每次新获取的一批多波束时域数据，基于短时傅里叶变换生成未知时频谱图样本集；步骤5：通过训练后的深层卷积神经网络模型分别对初始时频谱图样本集、未知时频谱图样本集进行感兴趣目标特征和未知特征提取；步骤6：基于感兴趣目标特征集对专家推理规则库参数自适应更新；步骤7：基于感兴趣目标特征集，采用参数自适应更新后的专家推理规则库对提取的未知特征进行目标特征辨识。2.如权利要求1所述的一种基于深层卷积神经网络和自适应专家推理规则的水中目标连续跟踪方法，其特征在于，所述深层卷积神经网络模型构建方法为：依次添加输入层、第一卷积层、第二卷积层、第三卷积层、池化层、第四卷积层、第五卷积层，输入层的输入数据尺寸为256*256*1，第一卷积层的卷积核为5*5*32，步长为2；第二卷积层的卷积核为3*3*64，步长为1；第三卷积层、第四卷积层的卷积核均为3*3*128，步长均为1；第五卷积层的卷积核为1*1*256，步长为2；池化层的池化核为3*3*2，步长为1；添加3个依次连接的第一ResNet
‑
Inception模块；添加1个第四ResNet
‑
Inception模块；添加3个依次连接的第一ResNet
‑
Inception模块；添加8个依次连接的第二ResNet
‑
Inception模块；添加第六卷积层，第六卷积层的卷积核为3*3*1024，步长为1；添加第七卷积层，第七卷积层的卷积核为1*1*2048，步长为2；添加5个依次连接的第三ResNet
‑
Inception模块；添加全局平均池化层；添加全连接层，输出特征维数为512；构建深层卷积神经网络模型的损失函数，并设定训练参数。3.如权利要求2所述的一种基于深层卷积神经网络和自适应专家推理规则的水中目标连续跟踪方法，其特征在于，所述第一ResNet
‑
Inception模块的构建为：在数据输入层之后添加4个并行分支：分支1为直接分支，分支2包括2个卷积层，卷积层1参数为(1
×
1，n，1)，卷积层2参数为(3
×
3，n，1)，分支3包括4个卷积层，各卷积层的参数分别为(1
×
1，n，1)、(1
×
5，n，1)、(5
×
1，n，1)及(1
×
1，n，1)，分支4包括4个卷积层，各卷积层的参数分别为(1
×
1，n，1)、(1
×
7，n，1)、(7
×
1，n，1)和(1
×
1，n，1)，在分支2、3、4之后加入特征维扩展操作，通过整合分支2、3、4输出特征，得到综合特征集输出，特征总数量为3n；在分支1输出特征和综合特征集之后加入直接相加求和操作，得到第一ResNet
‑
Inception模块的顶层特征，并通过加入ReLU激活函数，输出最终卷积特征；所述第二ResNet
‑
Inception模块的构建为：在数据输入层之后添加3个并行分支，分支1为直接分支；分支2包括3个卷积层，3个卷积层的参数分别为(1
×
1，n，1)、(1
×
5，n，1)和(5
×
1，n，1)；分支3在输入端包含2个并行子分支，子分支1包括3个卷积层，参数分别为(1
×
1，n，1)、(3
×
3，n，1)及(3
×
3，n，1)，子分支2包括3个卷积层，参数分别为(1
×
1，n，1)、(3
×
1，
n，1)和(1
×
3，n，1)，子分支1和子分支2输出端共同连接1个卷积层，其参数为(1
×
1，n，1)。在分支2、3之后加入特征维扩展操作，通过整合分支2、3输出特征，得到综合特征集输出，特征总数量为2n；在分支1输出特征和综合特征集之后加入直接相加求和操作，得到第二ResNet
‑
Inception模块的顶层特征，并通过加入ReLU激活函数，输出最终卷积特征；所述第三ResNet
‑
Inception模块的构建为：在数据输入层之后添加2个并行分支，分支1为直接分支，分支2在输入端包含2个并行子分支，子分支1包括1个卷积层，参数为(1
×
1，n，1)，子分支2包括3个卷积层，参数分别为(1
×
1，n，1)、(1
×
3，n，1)和(3
×
1，n，1)，子分支1和子分支2输出端共同连接1个卷积层，参数为(1
×
1，2n，1)；在分支1和分支2之后加入直接相加求和操作，得到第三ResNet
‑
Inception模块的顶层特征，并通过加入ReLU激活函数，输出最终卷积特征；所述第四ResNet
‑
Inception模块的构建为：在数据输入层之后添加3个并行分支，分支1包括2个卷积层，参数分别为(1
×
1，n，1)和(1
×
1，n，2)，分支2包括2个卷积层，参数分别为(1
×
3，n，1)和(3
×
1，n，2)，分...

【专利技术属性】
技术研发人员：陈越超，马启明，王方勇，尚金涛，周彬，陈孝森，王青翠，
申请(专利权)人：中国船舶重工集团公司第七一五研究所，
类型：发明
国别省市：