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】
本专利技术属于水声工程、声纳技术、人工智能等领域,涉及一种声纳及声纳信号处理方法,具体来说涉及一种不均衡水下目标分类方法。
技术介绍
1、对舰艇、渔船、商船等被动声呐目标或海底沉船、管道、礁石、船只等主动声呐目标进行分类识别对于水下安全、海洋环境治理等具有重要作用。然而,由于海洋环境复杂多变,且水下目标辐射噪声或主动目标回波受多目标强干扰影响,信噪比低,水下目标识别一直是国际公认的难题。传统的水下目标分类识别方法基于水下目标辐射噪声模型、声散射模型等,利用专家经验提取手工设计的特征,再通过分类器对水下目标进行分类识别,具有较好的可解释性,但受时变海洋环境影响较大。近年来,随着深度学习技术的发展,卷积神经网络等复杂网络模型也被逐渐应用到水下目标分类识别中,利用深度学习强大的非线性特征抽象表征能力自动挖掘水下目标特征,取得了一定的效果。
2、由于水下目标特殊性,某些高价值水下目标样本获取难度较大,水下目标样本是个典型的不均衡数据,如渔船、商船等民用船只辐射噪声样本数量较大,高价值军用船只辐射噪声样本数量极少;海底礁石、管道、沉船等的主动目标回波样本数量较大,水下高威胁目标回波样本数量极少。深度学习网络模型在不均衡数据上进行训练时,模型会倾向于由数量较多的类别主导,对数量较少的类别分类性能大大下降。
3、现有的解决不均衡数据分类问题的方法可分为一步法和两步法,一步法主要通过重采样、重加权等策略来对不均衡数据进行重新平衡。两步法将特征表征学习和分类器学习分开,在第一阶段利用不均衡数据进行特征表征学习,第二阶段采用
技术实现思路
1、本专利技术的目的在于提供一种不均衡水下目标分类方法,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、一种不均衡水下目标分类方法,包括以下步骤:
4、采集水下目标样本,构建不均衡水下目标数据集,进行预处理,划分训练集与测试集;
5、构建水下目标分类模型,模型的骨干网络为f,分类器为cls。
6、在训练集上开展第一阶段训练;
7、在训练集上开展第二阶段训练,利用重加权和特征对齐策略对模型参数进行微调;
8、在测试集上进行测试。
9、优选地,所述水下目标样本数据集中,任一水下目标样本为被动目标辐射噪声特征或者主动目标回波特征,所述被动目标辐射噪声特征为lofar谱、demon谱、功率谱或梅尔倒谱,主动目标回波特征为时频谱或回波亮点。
10、优选地,所述水下目标深度学习分类网络模型由resnet、inception或者transformmer构造得到。
11、优选地,第一阶段训练采用交叉熵损失函数对分类模型进行训练。
12、优选地,第二阶段训练的损失函数l2(x,y)由两个部分构成,第一部分l21(x,y)采用损失函数重加权策略对不均衡的类别分布进行重平衡,第二部分l22(x,y)通过特征对齐策略减小第一阶段训练与第二阶段训练的训练数据特征分布差异;损失函数l2(x,y)的表达式为:
13、l2(x,y)=l21(x,y)+γl22(x,y)
14、其中,l21(x,y)=-ωl0,ω为重加权权重,l0为常规的损失函数,γ为超参数,用于控制特征对齐所占的比重;
15、优选地,所述重加权使用类别均衡重加权方法或者代价敏感重加权方法;
16、类别均衡重加权方法对损失函数的加权值
17、代价敏感重加权方法对损失函数的加权值
18、其中,β为超参数,ni表示当前样本所属的类别i的样本数量,nmin=min(n1,n2,...,nc)。
19、优选地,所述特征对齐策略所使用的损失函数为均方根误差损失函数、kl散度损失函数或者中心损失函数。
20、优选地,采用均方根误差损失函数时,l22(x,y)=||f1(x)-f2(x)||2,f1(x)为第一阶段训练完成后的骨干网络,f2(x)为第二阶段训练中的骨干网络。
21、优选地,采用kl散度损失函数时,l22(x,y)=dkl(p1||p2),pi,i=1,2为第i阶段训练的骨干网络输出特征经过softmax层的值,dkl()表示kl散度。
22、优选地,采用中心损失函数时,l22(x,y)=||f2(x)-μ||,μ为输入样本所属类别的中心。
23、与现有技术相比,本专利技术的有益效果为:
24、(1)本专利技术提供的一种不均衡水下目标分类方法,采用两步法,在第一阶段进行特征表征学习,第二阶段通过损失函数重加权和特征对齐策略对模型参数进行微调,解决了两阶段训练数据分布不一致导致直接将第一阶段骨干网络用于第二阶段对分类性能的限制,进一步提升了在不均衡水下目标数据集上的分类性能。
25、(2)本专利技术可方便地与其他两步法相结合,简单灵活,易于实现。
本文档来自技高网...【技术保护点】
1.一种不均衡水下目标分类方法,其特征在于,包括以下步骤:
2.如权利要求1所述的一种不均衡水下目标分类方法,其特征在于,任一水下目标样本为被动目标辐射噪声特征或者主动目标回波特征,所述被动目标辐射噪声特征为LOFAR谱、DEMON谱、功率谱或梅尔倒谱,主动目标回波特征为时频谱或回波亮点。
3.如权利要求1所述的一种不均衡水下目标分类方法,其特征在于,所述水下目标深度学习分类网络模型由Resnet、Inception或者Transformmer构造得到。
4.如权利要求1所述的一种不均衡水下目标分类方法,其特征在于,第一阶段训练采用交叉熵损失函数对分类模型进行训练。
5.如权利要求1所述的一种不均衡水下目标分类方法,其特征在于,第二阶段训练的损失函数L2(x,y)由两个部分构成,第一部分L21(x,y)采用损失函数重加权策略对不均衡的类别分布进行重平衡,第二部分L22(x,y)通过特征对齐策略减小第一阶段训练与第二阶段训练的训练数据特征分布差异;损失函数L2(x,y)的表达式为:
6.如权利要求5所述的一种不均衡水下目标
7.如权利要求1所述的一种不均衡水下目标分类方法,其特征在于,所述特征对齐策略所使用的损失函数为均方根误差损失函数、KL散度损失函数或者中心损失函数。
8.如权利要求7所述的一种不均衡水下目标分类方法,其特征在于,采用均方根误差损失函数时,L22(x,y)=||F1(x)-F2(x)||2,F1(x)为第一阶段训练完成后的骨干网络,F2(x)为第二阶段训练中的骨干网络。
9.如权利要求7所述的一种不均衡水下目标分类方法,其特征在于,采用KL散度损失函数时,L22(x,y)=DKL(p1||p2),pi,i=1,2为第i阶段训练的骨干网络输出特征经过softmax层的值,DKL()表示KL散度。
10.如权利要求7所述的一种不均衡水下目标分类方法,其特征在于,采用中心损失函数时,L22(x,y)=||F2(x)-μ||,μ为输入样本所属类别的中心。
...【技术特征摘要】
1.一种不均衡水下目标分类方法,其特征在于,包括以下步骤:
2.如权利要求1所述的一种不均衡水下目标分类方法,其特征在于,任一水下目标样本为被动目标辐射噪声特征或者主动目标回波特征,所述被动目标辐射噪声特征为lofar谱、demon谱、功率谱或梅尔倒谱,主动目标回波特征为时频谱或回波亮点。
3.如权利要求1所述的一种不均衡水下目标分类方法,其特征在于,所述水下目标深度学习分类网络模型由resnet、inception或者transformmer构造得到。
4.如权利要求1所述的一种不均衡水下目标分类方法,其特征在于,第一阶段训练采用交叉熵损失函数对分类模型进行训练。
5.如权利要求1所述的一种不均衡水下目标分类方法,其特征在于,第二阶段训练的损失函数l2(x,y)由两个部分构成,第一部分l21(x,y)采用损失函数重加权策略对不均衡的类别分布进行重平衡,第二部分l22(x,y)通过特征对齐策略减小第一阶段训练与第二阶段训练的训练数据特征分布差异;损失函数l2(x,y)的表达式为:...
【专利技术属性】
技术研发人员:王青翠,王方勇,杜栓平,张伟,刘卓然,
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。