一种基于ShuffleNetV2分类网络和梅尔谱特征的水声目标识别方法技术

本发明专利技术涉及一种基于ShuffleNetV2分类网络和梅尔谱特征的水声目标识别方法，使用ShuffleNetV2 0.5x版本和ShuffleNetV2 1.0x版本的ShuffleNetV2网络，并对其进行修改以匹配梅尔谱特征。其中包括网络每层输入张量形状的变化，输出通道的变化以及GlobalPool层卷积核大小的变化。除此之外，在2个网络中的底层分别加入了一层批量归一化层，用来规范化每批输入数据的均值和方差。本发明专利技术的识别方法中还使用了数据增强，增加了样本数据量，提高模型的泛化能力；同时使用了特征增强来标准化梅尔谱特征样本范围。实验结果表明，本发明专利技术在移动端小型设备下，基于多种实测水声目标的分类实验结果表明，作为一种融合深度学习和人工梅尔谱特征的水声目标识别方法，其识别效果目前是最优的。优的。优的。

【技术实现步骤摘要】
一种基于ShuffleNetV2分类网络和梅尔谱特征的水声目标识别方法


[0001]本专利技术属于水声目标识别领域，特别涉及一种基于ShuffleNet V2分类网络和梅尔谱特征的水声目标识别方法。

技术介绍

[0002]水声目标识别是水声信号处理的重要组成部分，也是水声信息获取和水声信息对抗的重要技术支撑。近来，深度CNN网络如ResNet和DenseNet，已经应用于水声目标识别技术，提高了水声目标识别的正确识别率。但是，ResNet和DenseNet计算复杂度高，影响网络训练速度，较难应用于移动端小型设备。ShuffleNet是一个计算效率极高的CNN算法，该算法采用了点态组卷积(pointwise group convolution)和通道随机混合(channel shuffle)两种新的运算，在保证计算精度的同时大大降低了计算成本。与ShuffleNet相比，ShuffleNet V2进一步提高了分类的准确性。因此针对水声目标样本数量有限和技术方法的移动端设备应用，轻量化卷积网络ShuffleNet V2是更好的选择。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ShuffleNet V2分类网络和梅尔谱特征的水声目标识别方法，其特征在于，包括以下步骤：步骤1：对待识别的水声目标进行标签读取，之后对几类带标签的水声目标进行预处理，将水声目标分为训练集样本和验证集样本，且训练集样本数大于验证集样本数。步骤2：对训练集样本和验证集样本均进行特征提取和特征增强，设计梅尔频率尺度滤波器组，获得特征增强后的多类目标训练集和验证集的梅尔谱特征；步骤3：将多类目标训练集和验证集的梅尔谱特征作为修改后ShuffleNet V2网络模型的输入，对网络模型进行训练和验证，最终完成水声目标识别。2.如权利要求1所述的一种基于ShuffleNet V2分类网络和梅尔谱特征的水声目标识别方法，其特征在于，所述步骤1中，标签读取具体是读取水声目标文件具体路径名，根据路径名中的目标类别信息来生成几类水声目标对应的标签信息。3.如权利要求1所述的一种基于ShuffleNet V2分类网络和梅尔谱特征的水声目标识别方法，其特征在于，所述步骤1中，对几类水声目标每段目标数据进行分帧，帧重叠25％
‑
75％)，用于增加样本数量。4.如权利要求1所述的一种基于ShuffleNet V2分类网络和梅尔谱特征的水声目标识别方法，其特征在于，所述训练集样本与验证集样本的数量比为7：3。5.如权利要求1所述的一种基于ShuffleNet V2分类网络和梅尔谱特征的水声目标识别方法，其特征在于，所述步骤2中，包括以下子步骤：步骤2.1：对训练集和验证集中的每个样本分帧，将N个采样点作为一个观测单位；相邻2帧之间有一部分帧重叠M，默认M＝1/4*N，再将每一帧信号乘上一个窗函数，默认海宁窗；步骤2.2：假设分帧后的信号为S(n)，n＝0,1
…
,N
‑
1，N为帧的大小，海宁窗表达式：步骤2.3：信号加窗之后，对每帧信号进行傅里叶变换，获得变换后的信号X
a
(k)：式中S'(n)为加窗后的一帧信号，N表示傅里叶变换的点...

【专利技术属性】
技术研发人员：曾向阳，杨爽，王海涛，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：