构建水声目标识别模型的方法和装置制造方法及图纸

本发明专利技术实施例公开了一种构建水声目标识别模型的方法和装置。该构建水声目标识别模型的方法包括：选择水声数据样本，并将水声数据样本分为训练样本和测试样本；通过训练样本训练稠密连接网络，得到训练后的稠密连接网络；将测试样本输入训练后的稠密连接网络，得到收敛的稠密连接网络。通过本发明专利技术，解决了相关技术中水声样本不足的问题，达到了避免复杂繁重的特征工程，并且极大地加强了特征重用，在一定程度上缓解了水声样本不足的技术效果。定程度上缓解了水声样本不足的技术效果。定程度上缓解了水声样本不足的技术效果。

【技术实现步骤摘要】
构建水声目标识别模型的方法和装置


[0001]本专利技术涉及计算机技术应用领域，尤其涉及一种构建水声目标识别模型的方法和装置。

技术介绍

[0002]水声目标识别是一项利用目标辐射噪声信号对目标进行分类的技术，基于传统统计模型的分类识别方法主要由预处理、特征提取与选择、分类器三步组成，常见的特征有功率谱、听觉谱、噪声包络信号识别(Detection of Envelope Modulation On Noise，简称DEMON)谱、低频分析记录(Low Frequency Analysis Recording,简称LOFAR)谱、小波特征、响度特征、梅尔倒谱系数(Mel
‑
Frequency Cepstral Coefficients，简称MFCC)特征、感知线性预测(Perceptual Linear Predictive，简称PLP)特征等，能否提取到可靠的特征将会直接影响到水声目标的识别率。在大数据时代的背景下，人工神经网络的结构和算法不断优化，并在计算机图像识别领域取得了巨大的成功，同时，随着计算机硬件技术的飞速发展，神经网络的计算速度也获得了极大提高，从而进一步推动了神经网络的发展。如何利用深度神经网络完成水声目标识别任务也受到了越来越多的关注。深度神经网络可以直接从原始波形信号中自动提取特征，避免了复杂的特征提取和选择工作，而且利用神经网络也可以获得更高的识别率。
[0003]在实际工程应用中，水声数据获取困难且保密性较强，真实的水声目标数据非常稀少，用于训练目标识别模型的高质量水声样本进一步缩小。
[0004]针对目前相关技术中水声样本不足的问题，目前尚未得到有效的解决。

技术实现思路

[0005]本专利技术实施例提供了一种构建水声目标识别模型的方法和装置，以至少解决相关技术中水声样本不足的问题。
[0006]根据本专利技术实施例的一个方面，提供了一种构建水声目标识别模型的方法，包括：选择水声数据样本，并将水声数据样本分为训练样本和测试样本；通过训练样本训练稠密连接网络，得到训练后的稠密连接网络；将测试样本输入训练后的稠密连接网络，得到收敛的稠密连接网络。
[0007]可选的，选择水声数据样本，并将水声数据样本分为训练样本和测试样本包括：选择至少三类水声目标作为水声数据样本；依据预设比例将水声数据样本进行分类，得到训练样本和测试样本。
[0008]可选的，该方法还包括：构建稠密连接网络，其中，稠密连接网络包括：Steam模块、密集连接模块、Transition Layer模块和分类模块。
[0009]进一步地，可选的，该方法还包括：确定网络的超参数，其中，超参数包括损失函数，学习率、迭代次数及批大小；损失函数包括：交叉熵损失函数。
[0010]可选的，通过训练样本训练稠密连接网络，得到训练后的稠密连接网络包括：通过
输入训练样本对稠密连接网络进行训练，得到训练样本对应的标签以及训练后的稠密连接网络。
[0011]进一步地，可选的，将测试样本输入训练后的稠密连接网络，得到收敛的稠密连接网络包括：将测试样本输入训练后的稠密连接网络对测试样本中的数据进行识别，得到识别结果；依据识别结果判定训练后的稠密连接网络是否收敛；在判定结果为是的情况下，得到收敛的稠密连接网络。
[0012]根据本专利技术实施例的另一个方面，提供了一种构建水声目标识别模型的装置，包括：选择模块，用于选择水声数据样本，并将水声数据样本分为训练样本和测试样本；训练模块，用于通过训练样本训练稠密连接网络，得到训练后的稠密连接网络；识别模块，用于将测试样本输入训练后的稠密连接网络，得到收敛的稠密连接网络。
[0013]可选的，选择模块包括：选择单元，用于选择至少三类水声目标作为水声数据样本；分类单元，用于依据预设比例将水声数据样本进行分类，得到训练样本和测试样本。
[0014]可选的，该装置还包括：构建模块，用于构建稠密连接网络，其中，稠密连接网络包括：Steam模块、密集连接模块、Transition Layer模块和分类模块。
[0015]进一步地，可选的，该装置还包括：参数确定模块，用于确定网络的超参数，其中，超参数包括损失函数，学习率、迭代次数及批大小；损失函数包括：交叉熵损失函数。
[0016]本专利技术实施例中，基于选择水声数据样本，并将水声数据样本分为训练样本和测试样本；通过训练样本训练稠密连接网络，得到训练后的稠密连接网络；将测试样本输入训练后的稠密连接网络，得到收敛的稠密连接网络。也就是说，本专利技术实施例能够解决了水声样本不足的问题，从而避免复杂繁重的特征工程，并且极大地加强了特征重用，在一定程度上缓解了水声样本不足的技术效果。
附图说明
[0017]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0018]图1为本专利技术实施例提供的一种水声目标识别方法的流程示意图；
[0019]图2为本专利技术实施例提供的一种构建水声目标识别模型的方法中Dense Block结构的示意图；
[0020]图3为本专利技术实施例提供的一种构建水声目标识别模型的装置的示意图。
具体实施方式
[0021]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0022]需要说明的是，本专利技术的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于限定特定顺序。
[0023]根据本专利技术实施例的一个方面，提供了一种构建水声目标识别模型的方法，图1为
本专利技术实施例提供的一种构建水声目标识别模型的方法的流程示意图。如图1所示，本申请实施例提供构建水声目标识别模型的方法包括：
[0024]步骤S102，选择水声数据样本，并将水声数据样本分为训练样本和测试样本；
[0025]可选的，步骤S102中选择水声数据样本，并将水声数据样本分为训练样本和测试样本包括：选择至少三类水声目标作为水声数据样本；依据预设比例将水声数据样本进行分类，得到训练样本和测试样本。
[0026]具体的，本申请实施例提供构建水声目标识别模型的方法采用的数据集为湖试数据集，该数据集是在丹江口湖上采集所得，湖试数据集共分为4类，是4种不同型号船只的辐射噪声，分别为铁皮船、曙航号、国泰号和新世纪号，利用两个8阵元线阵进行全天候数据采集。取每类目标的15个声音样本，每个样本时长为5s，对数据进行分帧后，随机选取其中的80％作为训练样本集，其余20％作为测试样本集。
[0027]可选的，本申请实施例提供构建水声目标识别模型的方法还本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种构建水声目标识别模型的方法，其特征在于，包括：选择水声数据样本，并将所述水声数据样本分为训练样本和测试样本；通过所述训练样本训练稠密连接网络，得到训练后的所述稠密连接网络；将所述测试样本输入训练后的所述稠密连接网络，得到收敛的所述稠密连接网络。2.根据权利要求1所述的方法，其特征在于，所述选择水声数据样本，并将所述水声数据样本分为训练样本和测试样本包括：选择至少三类水声目标作为所述水声数据样本；依据预设比例将所述水声数据样本进行分类，得到所述训练样本和所述测试样本。3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：构建所述稠密连接网络，其中，所述稠密连接网络包括：Steam模块、密集连接模块、Transition Layer模块和分类模块。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：确定网络的超参数，其中，所述超参数包括损失函数，学习率、迭代次数及批大小；所述损失函数包括：交叉熵损失函数。5.根据权利要求4所述的方法，其特征在于，所述通过所述训练样本训练稠密连接网络，得到训练后的所述稠密连接网络包括：通过输入所述训练样本对所述稠密连接网络进行训练，得到所述训练样本对应的标签以及训练后的所述稠密连接网络。6.根据权利要求5所述的方法，其特征在于，所述将所述测试样本输入训练后的所述稠密连接网络...

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