一种适用于动态环境水声目标识别的SE_ResNet_17方法技术

本发明专利技术提出一种适用于动态环境水声目标识别的SE_ResNet_17方法，SE_ResNet_17模型首先利用残差网络提取水声信号特征，残差网络消除优化过程中的梯度消失现象，经分析残差网络的输出，进一步找到对识别任务有效的特征数据所在的通道，对通道进行加权，提高水声识别的正确率。正确率。正确率。

【技术实现步骤摘要】
一种适用于动态环境水声目标识别的SE_ResNet_17方法


[0001]本专利技术属于水声识别
，特别涉及一种适用于动态环境水声目标识别的SE_ResNet_17方法。

技术介绍

[0002]水中目标识别是被动声纳系统中最重要的功能需求之一，然而由于水下噪声环境随着不同的海域而变化，即使同一个海域会随着时间的变化，水温的变化以及水下深度的变化，形成不同的声场环境，水声目标识别的准确度一直很难得到稳定效果。不稳定的识别结果很难应用于重要的水下识别任务，目前主要的方法是依靠人类特有的听觉感知系统培养声纳员，人工完成水下一些重要的识别任务。深度学习模仿人类的神经网络机制，建立较完善的自适应网络结构，可以在复杂多变的环境中识别出具有明显不变性和差异性的特征，近年来广泛应用于水声识别领域。
[0003]水中目标识别方法中，原始数据在不同的卷积核中表征的抽象特征不一样。所以增加卷积的层数可以提取出更多的特征。因此出现很多深层神经网络用于水下目标识别。然而，在网络层数不断加深过程中，会出现随着层数的加深训练集和测试集的识别率同时下降的现象，这本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于动态环境水声目标识别的SE_ResNet_17方法，其特征在于，包括以下步骤：步骤1：采集两组不同声场环境下，不同类型的水声目标数据集，分别用数据集1和数据集2表示；采集好后对两组数据集采用同样的预处理，进行样本归一化；步骤2：将样本送入SE_ResNet_17模型中，训练出稳定的识别模型。2.如权利要求1所述的一种适用于动态环境水声目标识别的SE_ResNet_17方法，其特征在于，所述步骤1中对数据集进行预处理，包括以下子步骤：步骤1.1：对数据集的时域信号进行分帧，n个特征点为一帧，帧间无重叠；步骤1.2：将步骤1.1中的分帧后的时域信号进行加窗处理，得到相同长度的多组样本，分析所有的样本特征点，如果样本中的最大特征点小于0.1，剔除小值帧样本；步骤1.3：对剔除小值帧样本后的所有样本进行归一化。3.如权利要求1所述的一种适用于动态环境水声目标识别的SE_ResNet_17方法，其特征在于，所述步骤2中，包括以下子步骤：步骤2.1：对输入信号的时域波形选取合适的卷积尺寸，对有效目标特征进行卷积与最大池化方法，得到特征数据；步骤2.2：得到的数据作为残差网络的原始数据，经过两个残差模块，每个残差模块包含两次卷积操作，得到多个通道的特征数据；步骤2.3：对残差模块输出的每个通道数据进行处理，得出通道中的特征数据在识别任务中的权值，然后利用权值对残差网络的输出数据进行加权操作。4.如权利要求3所述的一种适用于动态环境水声目标识别的SE_ResNet_17方法，其特征在于，所述步骤2.1中，选取卷积核大小选取1
×
64，步长为1，通道数从1变为16。5.如权利要求3所述的一种适用于动态环境水声目标识别的SE_ResNet_17方法，其特征在于，所述步骤2.1中，最大池化的核大小为2，步长为2，得到的数据大小减半通道数不变。6.如权利要求3所述的一种适用于动态环境水声目标识别的SE_ResNet...

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