【技术实现步骤摘要】
本专利技术涉及船舶与海洋工程，特别涉及基于部分无监督领域自适应的水下目标距离预测方法。
技术介绍
1、近年来，水下目标检测技术在海洋资源开发、海洋科学研究等领域得到了越来越多的重视。传统水下目标检测技术一般采用匹配场处理方法进行目标检测，但传统的匹配场处理方法普遍预测性能较差，因此，现有技术在深度学习技术的基础上，提出了可以从实际接收信号中提取统计特征来构建参数估计模型的水下声源距离预测方法，这种方法相较于传统的匹配场处理方法对环境的适应能力更强，预测性能更稳定，但这种方法非常依赖有标注的训练数据集，若训练数据集太小或无标注则会导致无法使用。
2、针对此问题，现有技术又提出了利用仿真数据与实测数据进行预测的方法，这种方法不依赖于数据标注，但是需要确保仿真数据与实测数据覆盖的距离范围大致保持一致，如果两者覆盖的距离范围差距过大，则会因为负迁移效应导致定位性能大幅下降，这也就极大地制约这种方法在实际场景中的应用。因此，如何缓解因数据距离范围差距过大产生的负迁移效应，并提升水下目标距离预测的预测性能，是本领域技术人员待解决的问题。
技术实现思路
1、本专利技术实施例提供了基于部分无监督领域自适应的水下目标距离预测方法，旨在提升水下目标距离预测的预测性能。
2、本专利技术实施例提供了基于部分无监督领域自适应的水下目标距离预测方法，包括：
3、获取水下目标的实测复声压数据集和仿真复声压数据集，并对所述仿真复声压数据集设置标签，然后基于所述实测复声压数据集和
4、利用所述仿真训练数据集对预先搭建的深度学习模型进行预训练，以构建得到数据预训练模型；
5、结合所述数据预训练模型和域自适应网络构建域自适应模型，并利用所述实测训练数据集和仿真训练数据集对所述域自适应模型进行距离预测训练，以及利用所述实测训练数据集和仿真训练数据集对所述域自适应模型进行域预测训练；
6、分别构建关于距离预测训练的第一损失函数和关于域预测训练的第二损失函数，并对所述第一损失函数和所述第二损失函数进行加权，得到第三损失函数；
7、利用所述第三损失函数对所述域自适应模型进行参数更新，以构建得到水下目标距离预测模型；
8、对指定的水下目标进行复声压数据采集，并通过所述水下目标距离预测模型对采集到的复声压数据进行距离预测。
9、本专利技术实施例首先利用所述仿真训练数据集对深度学习模型进行预训练，构建得到数据预训练模型，其次结合所述数据预训练模型和域自适应网络构建域自适应模型，并利用所述实测训练数据集和仿真训练数据集对所述域自适应模型进行距离预测训练和域预测训练，以此构建关于距离预测训练的第一损失函数和关于域预测训练的第二损失函数，然后通过对所述第一损失函数和所述第二损失函数进行加权得到第三损失函数，再利用所述第三损失函数对所述域自适应模型进行参数更新，构建得到水下目标距离预测模型，最后通过所述水下目标距离预测模型进行距离预测。本专利技术实施例通过对损失函数进行加权，能够使实测数据与距离范围相同的仿真数据分布对齐，以此缓解因数据距离范围差距过大产生的负迁移效应，从而提升了水下目标距离预测的预测性能。
本文档来自技高网...【技术保护点】
1.基于部分无监督领域自适应的水下目标距离预测方法，其特征在于，包括：
2.根据权利要求1所述的基于部分无监督领域自适应的水下目标距离预测方法，其特征在于，所述对所述仿真复声压数据集设置标签，包括：
3.根据权利要求1所述的基于部分无监督领域自适应的水下目标距离预测方法，其特征在于，所述基于所述实测复声压数据集和具有标签的仿真复声压数据集分别建立实测训练数据集和仿真训练数据集，包括：
4.根据权利要求3所述的基于部分无监督领域自适应的水下目标距离预测方法，其特征在于，所述将每一复声压样本的所述信号采样协方差矩阵设置为复声压样本特征提取结果，并基于复声压样本特征提取结果分别建立得到所述实测训练数据集和仿真训练数据集，包括：
5.根据权利要求1所述的基于部分无监督领域自适应的水下目标距离预测方法，其特征在于，所述利用所述仿真训练数据集对预先搭建的深度学习模型进行预训练，以构建得到数据预训练模型，包括：
6.根据权利要求5所述的基于部分无监督领域自适应的水下目标距离预测方法，其特征在于，所述利用所述仿真训练数据集对预先搭建的深
7.根据权利要求1所述的基于部分无监督领域自适应的水下目标距离预测方法，其特征在于，所述结合所述数据预训练模型和域自适应网络构建域自适应模型，并利用所述实测训练数据集和仿真训练数据集对所述域自适应模型进行距离预测训练，以及利用所述实测训练数据集和仿真训练数据集对所述域自适应模型进行域预测训练，包括：
8.根据权利要求7所述的基于部分无监督领域自适应的水下目标距离预测方法，其特征在于，所述结合所述数据预训练模型和域自适应网络构建域自适应模型，并利用所述实测训练数据集和仿真训练数据集对所述域自适应模型进行距离预测训练，以及利用所述实测训练数据集和仿真训练数据集对所述域自适应模型进行域预测训练，还包括：
9.根据权利要求8所述的基于部分无监督领域自适应的水下目标距离预测方法，其特征在于，所述分别构建关于距离预测训练的第一损失函数和关于域预测训练的第二损失函数，并对所述第一损失函数和所述第二损失函数进行加权，得到第三损失函数，包括：
10.根据权利要求9所述的基于部分无监督领域自适应的水下目标距离预测方法，其特征在于，所述利用所述第三损失函数对所述域自适应模型进行参数更新，以构建得到水下目标距离预测模型，包括：
...【技术特征摘要】
1.基于部分无监督领域自适应的水下目标距离预测方法，其特征在于，包括：
2.根据权利要求1所述的基于部分无监督领域自适应的水下目标距离预测方法，其特征在于，所述对所述仿真复声压数据集设置标签，包括：
3.根据权利要求1所述的基于部分无监督领域自适应的水下目标距离预测方法，其特征在于，所述基于所述实测复声压数据集和具有标签的仿真复声压数据集分别建立实测训练数据集和仿真训练数据集，包括：
4.根据权利要求3所述的基于部分无监督领域自适应的水下目标距离预测方法，其特征在于，所述将每一复声压样本的所述信号采样协方差矩阵设置为复声压样本特征提取结果，并基于复声压样本特征提取结果分别建立得到所述实测训练数据集和仿真训练数据集，包括：
5.根据权利要求1所述的基于部分无监督领域自适应的水下目标距离预测方法，其特征在于，所述利用所述仿真训练数据集对预先搭建的深度学习模型进行预训练，以构建得到数据预训练模型，包括：
6.根据权利要求5所述的基于部分无监督领域自适应的水下目标距离预测方法，其特征在于，所述利用所述仿真训练数据集对预先搭建的深度学习模型进行预训练，以构建得到数据预训练模型，还包括：
<...
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。