CN106529428A - 基于深度学习的水下目标识别方法 - Google Patents

Abstract

本发明涉及一种基于深度学习的水下目标识别方法，主要解决现有的目标识别系统主要依靠浅层模型进行人工特征提取，导致识别精度不高的问题。本发明的具体步骤如下：(1)对原始舰船目标辐射噪声数据分段求取功率谱特征；(2)将功率谱特征分成训练数据集和测试数据集；(3)对训练数据进行ZCA白化预处理；(4)构造并训练栈式自编码网络；(5)微调深度网络模型；(6)对测试数据进行分类识别。海试数据实验表明，本发明利用深度网络学习舰船目标辐射噪声的深层特征进行分类识别，识别率达到94％以上，提高了水下目标识别效果，对未来水下舰船及海洋生物的识别和监视具有重要的实际应用前景。

Description

基于深度学习的水下目标识别方法

技术领域

本发明属于水声信号处理领域，涉及模式识别和人工智能，特别是将深度学习应用于对水下目标辐射噪声的特征提取，可用于被动声呐系统对舰船及其他水下目标的远距离识别。

背景技术

利用舰船目标航行时产生的水下辐射声信号进行被动式的自动目标识别是现代舰艇和智能水中兵器的重要组成部分。然而，一方面由于涉及军事领域，各国研究机构对各自研究成果保密性相对较高，公开文献可见的有效识别手段较少；另一方面由于海洋环境的复杂性和水声信道的特殊性，表现为：水声信道的时空变性、非线性和非高斯性，混响以及环境噪声影响等，要从低信噪比条件下的舰船噪声信号中有效地提取能够表征目标类别的本质特征，本身就是一个技术难题。这些因素导致被动式的水下自动目标分类识别成为受众多学者和研究人员关注却发展相对缓慢的公认难题。

解决好水下被动目标识别研究的关键在于如何有效的从不同角度对目标原始信号进行分析和研究。近年，已涌现出大量的相关学术文献和专利技术。其中，常用的手段主要集中在以下几个方面：基于信号时域波形结构过零点分布、峰间幅值分布、波长差分布和波列面积分布等特征向量进行的目标分类识别。基于传统谱估计、超分辨谱估计以及高阶谱估计技术提取的舰船目标线谱、连续谱、调制包络谱和谱形等特征向量进行的目标分类识别。基于混沌、分形等非线性理论，以时间序列为原始的数据空间，进行相空间重构或分数布朗运动建模，通过计算关连维数、Lyapunov指数或Hurst指数进行的分类识别。基于短时傅里叶变换、Gabor变换、小波变换以及二次型时-频分布包括Cohen类分析、Wigner-Ville分布和Choi-Williams分布等时频分析手段提取的时频域特征进行的目标分类识别等。

上述目标识别方法主要利用经验知识提取目标的特征，它们的性能很大程度上决定于操作者对于样本的认知程度和样本呈现出的关联度，实验参数和模型的选择易受人的主观影响，推广性受到限制。同时，以上方法主要基于浅层模型进行特征提取，难以反映目标最本质的内在联系，导致仅靠浅层模型获取的目标特征已不能满足实际情况下对舰船目标的有效识别。采取深度模型进行特征学习是水下目标识别的一个新方向。

发明内容

要解决的技术问题

本发明的目的在于克服人工提取目标特征的局限性，提出了一种基于深度学习的水下目标识别方法。利用稀疏自编码器学习舰船目标辐射噪声时频谱中的隐含结构，将稀疏自编码级联为栈式自编码神经网络，组合低维特征得到目标的高维表示，再利用softmax分类器对目标进行分类。由于采用深度网络进行无监督学习，它不但能避免人工提取特征的局限性和主观性，还能以更加紧凑的方式表示信号频谱“部分—整体”的关系，对目标特性有更本质的刻画。同时，由于采用softmax分类器进行有监督学习，能够进一步提高识别正确率，达到对真实舰船目标识别概率94％以上。

技术方案

一种基于深度学习的水下目标识别方法，其特征在于步骤如下：

步骤1：对原始舰船目标辐射噪声数据分段求取功率谱特征：

获取原始舰船目标辐射噪声序列，进行分段处理，得到的分段数据为x(n),n＝0,1,2,…,N-1，按照公式对分段数据进行功率谱估计，将相邻4段数据的功率谱进行平均，得到最终的功率谱特征计算结果：

其中f＝(f₁,f₂,f₃,…,f_M)表示相应的离散频率点；

步骤2：将功率谱特征分成训练数据集和测试数据集：

将功率谱特征P(f)按照3:1随机选取，划分为训练数据集和测试数据集，将训练数据集的每一帧功率谱特征作为一列，组成训练矩阵P：

其中，Pⁱ(f_j)表示第i个训练数据的第j维功率谱特征；

步骤3：对训练数据进行ZCA白化预处理；

步骤4：构造并训练栈式自编码网络；

步骤5：微调fine-tune深度网络模型：

利用反向传播算法，将栈式自编码网络的所有层当做一个模型，在每次迭代中，优化网络中的所有权重值，得到最终的网络节点参数；

步骤6：对测试数据进行分类识别：

根据训练数据集的特征均值的方差，预处理测试数据，将处理完的数据作为栈式自编码网络的输入，计算最终的分类结果。

步骤3所述的对训练数据进行ZCA白化预处理的具体步骤如下：

第一步：对训练数据进行标准化处理，先计算第k维特征的均值求第k维特征的标准差可按照下式计算标准化处理后的训练数据：

第二步：进行ZCA白化预处理，先计算样本的协方差矩阵对Σ做奇异值分解求得特征向量，按列依照主次顺序排放，组成矩阵U＝[u₁,u₂,…,u_n]，将特征值按对角排列，组成特征值对角矩阵S，可按下式计算最终的ZCA白化结果：

其中，ε作为正则化参数。

步骤4所述的构造并训练栈式自编码网络的具体步骤如下：

第一步：构造栈式自编码网络，利用稀疏自编码器来构造栈式自编码网络，栈式自编码网络的隐层层数为3，隐层的节点数目分别为100-100-50，输入层的节点数与ZCA白化预处理后的训练数据特征维数相同为512，最后，增加一层softmax分类器用于分类输出，总的类别数为3，整个网络的节点数为512-100-100-50-3；

第二步：利用ZCA白化预处理后的训练数据X_ZCA训练栈式自编码网络，首先，按照训练单个稀疏自编码器的方法，利用X_ZCA作为输入，计算第一个隐层的节点参数W^(1,1)和b^(1,1)，具体方法如下：

步骤1)对于包含L个样本的输入数据集X_ZCA，定义稀疏自编码器的整体代价函数

其中，λ为权重衰减参数，设为3e-3，β为控制稀疏性惩罚因子的参数，设为3，KL为相对熵；

步骤2)将W^(1,1)和b^(1,1)随机初始化为一个接近零的值，利用L-BFGS迭代算法对代价函数进行优化，迭代次数设为100，得到满足要求的最优解；

第三步：将第一隐层的激活值作为第二隐层的输入，用同样的方法计算第二隐层的节点参数W^(2,1)和b^(2,1)，以此类推，逐层训练，得到所有隐层的参数；

第四步：将最后的隐层输出作为softmax分类器的输入，由L-BFGS迭代算法迭代100次得到softmax分类器的最优解。

有益效果

本发明提出的一种基于深度学习的水下目标识别方法，与现有技术相比具有以下优点：

第一，与传统的特征提取方法相比，本发明避免了人工提取特征，而是利用稀疏自编码器对输入样本进行学习，通过自编码器的无监督学习能力，自动发掘目标输入样本之间的内在联系，从而学习出更有效的特征。

第二，本发明将稀疏自编码器堆叠，构造栈式自编码网络，利用深度学习对复杂函数的强大表示能力，从低维特征中抽象出高维特征，以更加紧凑的方式表示信号频谱“部分—整体”的关系，对目标特性有更本质的刻画。

第三，本发明利用softmax分类器对预训练后的网络进行有监督的微调，进一步提高了识别率。

附图说明

图1是基于深度学习的水下目标识别方法的总体流程框图

图2是训练数据集的部分示图

图3是预处理后的训练数据的部分示图

图4是栈式自编码网络的省略结构图

图5是第一个隐层的100个隐层节点训练后对应的可视化特征输出示图

图6是第一个隐层某一节点的特征输出示图

具体实施方式

现结合实施例、附图对本发明作进一步描述：

基于深度学习的水下目标识别方法的总体流程如图1所示，具体步骤如下：

(1)对原始舰船目标辐射噪声数据分段求取功率谱特征。

获取原始舰船目标辐射噪声序列，信号的采样频率为4KHz，进行分段处理，得到分段数据x(n),n＝0,1,2,…,N-1，按照公式对分段数据进行功率谱估计，将相邻4段数据的功率谱进行平均，得到最终的功率谱特征计算结果：

其中f＝(f₁,f₂,f₃,…,f_M)表示相应的离散频率点。由于舰船辐射噪声信号的主要频谱成分主要集中在0-2KHz，此处将计算FFT的点数N设为1024，即单边功率谱的特征维数M为512，频谱分辨率为4Hz。

(2)将功率谱特征分成训练数据集和测试数据集。

将所有单边功率谱特征数据按照3:1随机选取，划分为训练数据集和测试数据集，将训练数据集的每一帧功率谱特征作为一列，组成训练矩阵P：

其中，Pⁱ(f_j)表示第i个训练数据的第j维功率谱特征。附图2为矩阵P的部分表示。

(3)对训练数据进行ZCA白化预处理；

第一步，对训练数据进行标准化处理，先计算第k维特征的均值求第k维特征的标准差可按照下式计算标准化处理后的训练数据：

第二步，进行ZCA白化预处理，先计算样本的协方差矩阵对Σ做奇异值分解求得特征向量，按列依照主次顺序排放，而组成矩阵U＝[u₁,u₂,…,u_n]，将特征值按对角排列，组成特征值对角矩阵S，可按下式计算最终的ZCA白化结果：

其中，ε作为正则化参数。附图3为经过预处理后的矩阵X_ZCA的部分表示。

(4)构造并训练栈式自编码网络。

第一步：构造栈式自编码网络，利用稀疏自编码器来构造栈式自编码网络，栈式自编码网络的隐层层数为3，隐层的节点数目分别为100-100-50，输入层的节点数与ZCA白化预处理后的训练数据特征维数相同为512，最后，增加一层softmax分类器用于分类输出，总的类别数为3，整个网络的节点数为512-100-100-50-3。附图4为栈式自编码网络的省略示意图。

第二步，利用ZCA白化预处理后的训练数据X_ZCA训练栈式自编码网络，首先，按照训练单个稀疏自编码器的方法，利用X_ZCA作为输入，计算第一个隐层的节点参数W^(1,1)和b^(1,1)，具体方法如下：

步骤1.对于包含L个样本的输入数据集X_ZCA，定义稀疏自编码器的整体代价函数

其中，λ为权重衰减参数，设为3e-3，β为控制稀疏性惩罚因子的参数，设为3，KL为相对熵。

步骤2.将W^(1,1)和b^(1,1)随机初始化为一个接近零的值，利用L-BFGS迭代算法对代价函数进行优化，迭代次数设为100，得到满足要求的最优解。附图5为第一隐层的100个隐层节点训练后对应的可视化特征输出，分成100列显示。附图6为其中某一节点单独的特征输出，图中的“尖峰”代表节点在不同的频率点上进行线谱检测。

第三步，将第一隐层的激活值作为第二隐层的输入，用同样的方法计算第二隐层的节点参数W^(2,1)和b^(2,1)，以此类推，逐层训练，得到所有隐层的参数。

第四步，将最后的隐层输出作为softmax分类器的输入，由L-BFGS迭代算法迭代100次得到softmax分类器的最优解。

(5)微调深度网络模型。

基于反向传播算法，对预训练后的栈式自编码网络进行微调(fine-tune)，得到最终的网络节点参数。

(6)对测试数据进行分类识别。

根据训练数据集的特征均值的方差，预处理测试数据，将处理完的数据作为栈式自编码网络的输入，计算最终的分类结果。

本发明的效果通过以下实验实例进行说明。实验数据来源于在中国南海进行的某次海上上实验。分别使用A型、B型、C型三种类型的舰船作为目标船，水听器布放深度为50米，每种类型的舰船在不同正横位置按照左右通过的方式航行，数据采集模块采样频率设置为4KHz。下表1给出了通过本发明的方法进行目标识别的识别结果。由表1可以看出，对于三种目标，本发明的方法识别结果达到94％以上。

表1 本发明方法识别结果

采用RBF-SVM和BPNN对实验数据进行目标识别，与本发明的方法进行对比，结果如表2所示。由表2可以看出，本发明采用的方法的识别率要高于当前流行的RBF-SVM和BPNN，识别率分别高4.1％和5.7％。

表2 三种方法识别结果对比

以上实验结果表明，本发明所提出的基于深度学习的水下目标识别方法是有效可行的，能够提高对舰船目标的识别概率，对水下远程探测和识别具有重要的实际意义。

Claims (3)

1.一种基于深度学习的水下目标识别方法，其特征在于步骤如下：

步骤1：对原始舰船目标辐射噪声数据分段求取功率谱特征：

获取原始舰船目标辐射噪声序列，进行分段处理，得到的分段数据为x(n),n＝0,1,2,…,N-1，按照公式对分段数据进行功率谱估计，将相邻4段数据的功率谱进行平均，得到最终的功率谱特征计算结果：

$P\left(f\right)=\frac{1}{4}\underset{i=1}{\overset{4}{\Σ}}{P}^i\left(f\right)$

其中f＝(f₁,f₂,f₃,…,f_M)表示相应的离散频率点；

步骤2：将功率谱特征分成训练数据集和测试数据集：

将功率谱特征P(f)按照3:1随机选取，划分为训练数据集和测试数据集，将训练数据集的每一帧功率谱特征作为一列，组成训练矩阵P：

其中，Pⁱ(f_j)表示第i个训练数据的第j维功率谱特征；

步骤3：对训练数据进行ZCA白化预处理；

步骤4：构造并训练栈式自编码网络；

步骤5：微调fine-tune深度网络模型：

利用反向传播算法，将栈式自编码网络的所有层当做一个模型，在每次迭代中，优化网络中的所有权重值，得到最终的网络节点参数；

步骤6：对测试数据进行分类识别：

根据训练数据集的特征均值的方差，预处理测试数据，将处理完的数据作为栈式自编码网络的输入，计算最终的分类结果。

2.根据权利要求1所述的一种基于深度学习的水下目标识别方法，其特征在于步骤3所述的对训练数据进行ZCA白化预处理的具体步骤如下：

第一步：对训练数据进行标准化处理，先计算第k维特征的均值求第k维特征的标准差可按照下式计算标准化处理后的训练数据：

第二步：进行ZCA白化预处理，先计算样本的协方差矩阵对∑做奇异值分解求得特征向量，按列依照主次顺序排放，组成矩阵U＝[u₁,u₂,…,u_n]，将特征值按对角排列，组成特征值对角矩阵S，可按下式计算最终的ZCA白化结果：

$X_{ZCA}=\frac{U\·U^T\·X}{\sqrt{S+\mathrm{\ϵ}}}$

其中，ε作为正则化参数。

3.根据权利要求1所述的一种基于深度学习的水下目标识别方法，其特征在于步骤4所述的构造并训练栈式自编码网络的具体步骤如下：

第一步：构造栈式自编码网络，利用稀疏自编码器来构造栈式自编码网络，栈式自编码网络的隐层层数为3，隐层的节点数目分别为100-100-50，输入层的节点数与ZCA白化预处理后的训练数据特征维数相同为512，最后，增加一层softmax分类器用于分类输出，总的类别数为3，整个网络的节点数为512-100-100-50-3；

第二步：利用ZCA白化预处理后的训练数据X_ZCA训练栈式自编码网络，首先，按照训练单个稀疏自编码器的方法，利用X_ZCA作为输入，计算第一个隐层的节点参数W^(1,1)和b^(1,1)，具体方法如下：

步骤1)对于包含L个样本的输入数据集X_ZCA，定义稀疏自编码器的整体代价函数

$J(W,b)=\[\frac{1}{L}\underset{i=1}{\overset{L}{\Σ}}\left(\frac{1}{2}\right|\left|h_{W,b}\right(x^{\left(i\right)}-y^{\left(i\right)}\left)\right|{|}^2)\]+\frac{\mathrm{\λ}}{2}{\left(W^{\left(1\right)}\right)}^2+\mathrm{\β}\underset{j=1}{\overset{s_2}{\Σ}}KL\left(\mathrm{\ρ}\right|\left|{\widehat{\mathrm{\ρ}}}_j\right)$

其中，λ为权重衰减参数，设为3e-3，β为控制稀疏性惩罚因子的参数，设为3，KL为相对熵；

步骤2)将W^(1,1)和b^(1,1)随机初始化为一个接近零的值，利用L-BFGS迭代算法对代价函数进行优化，迭代次数设为100，得到满足要求的最优解；

第三步：将第一隐层的激活值作为第二隐层的输入，用同样的方法计算第二隐层的节点参数W^(2,1)和b^(2,1)，以此类推，逐层训练，得到所有隐层的参数；

第四步：将最后的隐层输出作为softmax分类器的输入，由L-BFGS迭代算法迭代100次得到softmax分类器的最优解。