System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于水中目标识别与人工智能,具体涉及一种联合物理和数值特征的端到端水声目标分类识别方法。
技术介绍
1、水声目标分类识别是声纳设备的重要功能,也是长期以来制约声纳能力提升的难点之一,其核心问题在于目标可分性特征构造与提取。传统的水声目标分类识别主要通过构造物理特征实现识别。由于声纳接收到的水声目标噪声通常十分复杂,使得物理特征构造技术要求高。同时,复杂环境等情况下,利用信号处理手段精准提取已掌握物理特征的难度大。
2、当前,深度学习等人工智能技术快速发展,对人类社会产生了重要影响,在图像识别、自然语言处理等领域得到了大量应用。在水声领域,也有不少学者开展了基于深度学习的水中目标识别技术研究,但主要是利用深度网络构造端到端的识别模型。鉴于典型传统物理特征可有效表征目标特性信息且在实际场景下表现出一定可用性,而具备复杂深层结构的深度学习方法则具有强大非线性映射关系学习能力,因此可用来实现物理特征精准估计。同时,深度学习还通过带标签高维原始数据学习,自主挖掘可分性数值特征,通过多维物理和数值特征联合利用,有望实现优势互补,提升目标分类识别能力。
技术实现思路
1、本专利技术的目的在于提供一种联合物理和数值特征的端到端水声目标分类识别方法,以解决
技术介绍
中提出的问题。
2、为实现上述目的,本专利技术提供技术方案如下:
3、一种联合物理和数值特征的端到端水声目标分类识别方法,包括:
4、利用多尺度的二维卷积算子构造水声目标分类识别网络
5、构建以lofar谱图为输入的物理特征提取网络模块和数值特征提取网络模块,
6、添加特征拼接层拼接提取的物理特征、数值特征,
7、通过添加依次设置的多层感知机网络模块和分类器进行拼接特征的水声目标分类识别;
8、构造水声目标分类识别网络模型的多模块加权训练损失函数;
9、设置水声目标分类识别网络模型的多阶段训练策略,并利用带标签水声目标辐射噪声数据构建的训练集对水声目标分类识别网络模型展开训练;
10、利用训练后的水声目标分类识别网络模型对未知水声目标噪声数据进行水声目标分类识别。
11、优选地,所述构建物理特征提取网络模块和数值特征提取网络模块包括:
12、构建多尺度多通道特征提取的残差卷积块和减小特征尺度的基本卷积块,并将各卷积块的输入通道数量设置为可设置参数;其中的各卷积块内均设置有layernorm层和gelu激活函数;
13、利用残差卷积块和基本卷积块的组合,构造对应的特征提取网络模块。
14、优选地,所述残差卷积块包括至少两个并行分支,其中一分支为直连层,其他分支均由layernorm层、gelu激活函数及若干卷积层串联而成;并行分支的输出特征间通过特征拼接层拼接。
15、优选地,所述基本卷积块包括三个并行分支,其中两分支均由layernorm层、gelu激活函数及若干卷积层串联而成,另一分支由步长s×s的卷积层和gelu激活函数串联而成,s≠1;并行分支间的输出特征间通过特征拼接层拼接。
16、优选地,所述数值特征提取网络单元包括依次设置的卷积层、池化层、由残差卷积块和基本卷积块组成的线性卷积块组合、全局平均池化层、两个全连接层,
17、所述线性卷积块组合包括多个串行的卷积链,任一卷积链包括由若干相同的残差卷积块串联而成的前置链、由一个或多个相同的基本卷积块串联而成的后置链。
18、优选地,所述多层感知机网络模块包括若干串联的全连接层,第一个全连接层的输入通道数量为lofar谱图频点数量的2倍,最后一全连接层的输出通道数量为水声目标类型数量。
19、优选地,所述构造水声目标分类识别网络模型的多模块加权训练损失函数包括:
20、针对线谱特征提取网络模块输出的线谱特征序列pline,结合线谱特征标签lline,基于均方误差方法构造损失函数jphy;
21、针对数值特征提取网络模块输出的数值特征序列pnum,结合水声目标类别标签lclass,基于度量学习方法构造损失函数jnum;
22、针对分类器输出的分类识别结果pclass,结合水声目标类别标签lclass,基于交叉熵方法构造损失函数jr;
23、构造水声目标分类识别网络模型的损失函数j=βjr+γjnum+μjphy,其中β、γ、μ均为加权系数,用于在模型不同训练阶段进行调节。
24、优选地,所述设置水声目标分类识别网络模型的多阶段训练策略包括:
25、在第一训练阶段设置β=γ=0.01、μ=1;
26、在第二训练阶段设置β=μ=0.01、γ=1;
27、在第三训练阶段设置γ=μ=β=1;
28、在第四训练阶段设置γ=μ=0.2、β=1。
29、优选地,所述利用带标签的水声目标辐射噪声数据构建的训练集包括:
30、基于lofar分析方法对任一带标签的水声目标辐射噪声数据进行预处理,得到对应的lofar谱图,将lofar谱图作为训练样本以构建训练集;对lofar谱图的线谱频率和幅度进行人工标注,得到线谱序列标签。
31、与现有技术相比,本专利技术的有益效果为:
32、将综合利用物理和数值特征实现端到端的水声目标分类识别,通过构造不同深度学习网络模块提取可分性物理和数值特征,一方面加强了弱目标典型物理特征提取精度,另一方面从高维原始数据中挖掘得到了新的可用数值特征信息,并基于联合应用实现目标分类目标识别;与现有水声目标识别方法相比,本专利技术提出的方法的特征挖掘与利用能力更强,能够提升目标识别泛化能力。
本文档来自技高网...【技术保护点】
1.一种联合物理和数值特征的端到端水声目标分类识别方法,其特征在于,包括:
2.如权利要求1所述的一种联合物理和数值特征的端到端水声目标分类识别方法,其特征在于,所述构建物理特征提取网络模块和数值特征提取网络模块包括:
3.如权利要求2所述的一种联合物理和数值特征的端到端水声目标分类识别方法,其特征在于,所述残差卷积块包括至少两个并行分支,其中一分支为直连层,其他分支均由LayerNorm层、GELU激活函数及若干卷积层串联而成;并行分支的输出特征间通过特征拼接层拼接。
4.如权利要求2所述的一种联合物理和数值特征的端到端水声目标分类识别方法,其特征在于,所述基本卷积块包括三个并行分支,其中两分支均由LayerNorm层、GELU激活函数及若干卷积层串联而成,另一分支由步长s×s的卷积层和GELU激活函数串联而成,s≠1;并行分支间的输出特征间通过特征拼接层拼接。
5.如权利要求2所述的一种联合物理和数值特征的端到端水声目标分类识别方法,其特征在于,所述数值特征提取网络单元、物理特征提取网络模块均包括依次设置的卷积层、池化层、由残差
6.如权利要求5所述的一种联合物理和数值特征的端到端水声目标分类识别方法,其特征在于,所述多层感知机网络模块包括若干串联的全连接层,第一个全连接层的输入通道数量为LOFAR谱图频点数量的2倍,最后一全连接层的输出通道数量为水声目标类型数量。
7.如权利要求1所述的一种联合物理和数值特征的端到端水声目标分类识别方法,其特征在于,所述构造水声目标分类识别网络模型的多模块加权训练损失函数包括:
8.如权利要求7所述的一种联合物理和数值特征的端到端水声目标分类识别方法,其特征在于,所述设置水声目标分类识别网络模型的多阶段训练策略包括:
9.如权利要求8所述的一种联合物理和数值特征的端到端水声目标分类识别方法,其特征在于,所述利用带标签的水声目标辐射噪声数据构建的训练集包括:
...【技术特征摘要】
1.一种联合物理和数值特征的端到端水声目标分类识别方法,其特征在于,包括:
2.如权利要求1所述的一种联合物理和数值特征的端到端水声目标分类识别方法,其特征在于,所述构建物理特征提取网络模块和数值特征提取网络模块包括:
3.如权利要求2所述的一种联合物理和数值特征的端到端水声目标分类识别方法,其特征在于,所述残差卷积块包括至少两个并行分支,其中一分支为直连层,其他分支均由layernorm层、gelu激活函数及若干卷积层串联而成;并行分支的输出特征间通过特征拼接层拼接。
4.如权利要求2所述的一种联合物理和数值特征的端到端水声目标分类识别方法,其特征在于,所述基本卷积块包括三个并行分支,其中两分支均由layernorm层、gelu激活函数及若干卷积层串联而成,另一分支由步长s×s的卷积层和gelu激活函数串联而成,s≠1;并行分支间的输出特征间通过特征拼接层拼接。
5.如权利要求2所述的一种联合物理和数值特征的端到端水声目标分类识别方...
【专利技术属性】
技术研发人员:陈越超,王方勇,罗兆瑞,孙微,王庆,
申请(专利权)人:中国船舶集团有限公司第七一五研究所,
类型:发明
国别省市:
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。