CN109581339B - 一种基于头脑风暴自动调整自编码网络的声呐识别方法 - Google Patents
一种基于头脑风暴自动调整自编码网络的声呐识别方法 Download PDFInfo
- Publication number
- CN109581339B CN109581339B CN201811365987.1A CN201811365987A CN109581339B CN 109581339 B CN109581339 B CN 109581339B CN 201811365987 A CN201811365987 A CN 201811365987A CN 109581339 B CN109581339 B CN 109581339B
- Authority
- CN
- China
- Prior art keywords
- layer
- network
- network model
- nodes
- individual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种基于头脑风暴自动调整自编码网络的声呐识别方法,步骤包括:1)对收集到的声呐数据进行处理,处理成网络能够识别的输入信号,确定待识别样本类的个数以及每一类样本的特征数即样本维度,确定网络的训练样本和测试样本;2)选择深度神经网络作为网络模型;3)对网络模型进行优化及确定;4)对自动编码机进行分层训练;5)对网络模型进行微调;6)判断停止条件,设定最大迭代次数,判断是否满足最大迭代次数;步骤7)待识别样本输入分类,将待识别声呐数据样本输入到已经训练好的网络模型,利用训练好的网络对待识别样本进行分类;8)计算识别率,实现识别。本发明的方法,过程简化,识别准确率明显提高。
Description
技术领域
本发明属于智能控制技术领域,涉及一种基于头脑风暴自动调整自编码网络的声呐识别方法。
背景技术
随着海洋资源的开发及国防科技发展的需要,对水声信号的智能化分析和处理已经成为各国研究的热点,广泛应用于深海勘探、智能鱼雷等,对水下目标自动识别技术的需求愈加迫切。由于海洋环境的复杂性,基于声呐信号的水下信号自动识别和分类又具有挑战性,因此,如何利用现有高维水下可用数据提高检测识别的准确率,不仅具有重要的理论意义,而且是基于现有水下信号获取、传送及处理成本等条件下最现实的选择。
自动编码网络是2007年Bengio Y等人提出的,其原理是通过对输入数据进行逐层特征变换,将原空间的样本特征表示变换为新的特征空间,自动学习分层特征表示,从而有利于类别的可视化功能,对于处理存在较多无标签及高维数据问题有很好的解决能力。
头脑风暴法是1939年美国创造学家A.F奥斯本首次提出的,又称智力激励法。2011年史玉回老师在第二次群智能国际会议(ICSI11)中提出一种新的群智能优化算法——头脑风暴优化算法(BSO),该算法的概念和理论源于对人类头脑风暴法会议过程的模拟,被广泛应用于多个领域,具有非常好的发展前景。
由于海洋环境的复杂,带标签可用样本数据采集困难,存在大量不带标签声呐数据,且目标特征维度增加。而对声呐目标的识别,主要是对目标特征的提取,较优的特征提取才会得到较优的识别效果,而现有的识别方法未能充分利用声呐数据这一特点。因此,对声呐数据的识别的准确性不高。
发明内容
本发明的目的是提供一种基于头脑风暴自动调整自编码网络的声呐识别方法,解决了现有技术中声呐数据的识别的准确性不高、带标签数据样本采集困难的问题。
本发明所采用的技术方案是,一种基于头脑风暴自动调整自编码网络的声呐识别方法,按照以下步骤实施:
步骤1、对收集到的声呐数据进行处理,
处理成网络能够识别的输入信号,确定待识别样本类的个数以及每一类样本的特征数即样本维度,同时确定网络的训练样本和测试样本;
步骤2、选择深度神经网络作为网络模型;
步骤3、对网络模型进行优化及确定,
自编码网络模型主要由自动编码机和分类器两部分组成,其中,输入层个数为待分类物体特征个数,输出层个数为声呐数据中待识别物体类的个数,
对于网络模型的优化主要是对自动编码机结构的优化,既然自动编码机由输入层、隐藏层和输出层组成,因此,自动编码机结构的确定分为输入层节点数、输出层节点数、隐藏层层数及节点数优化三个方面;
步骤4、对自动编码机进行分层训练,
对自动编码机的分层训练分为初始化、编码解码、分层训练的目标函数建立、以及计算梯度变量更新;
步骤5、对网络模型进行微调,
将训练的网络隐藏层输出y即权值阈值作为自动编码机学习到的待分类的物体的特征,用于分类器的输入,并对网络模型进行微调;
步骤6、判断停止条件,
设定最大迭代次数,判断是否满足最大迭代次数,若不满足,重新返回步骤3;若满足,则进入步骤7;
步骤7、待识别样本输入分类,
将待识别声呐数据样本输入到已经训练好的网络模型,利用训练好的网络对待识别样本进行分类;
步骤8、计算识别率,
网络模型总体评价标准能够精确地表示网络识别率,但为更直观的表示网络对待识别样本的分类效果,表达式见式(12):
其中,p为待识别样本总数,ɑ为分类正确的待识别样本,则利用式(12)能够直观的计算出声呐数据最优识别准确率。
本发明的有益效果是,通过对水下声呐数据进行处理分析,充分考虑带标签数据样本采集困难问题,以及处理后数据的高纬度特性,利用自编码网络对高维声呐数据进行特征提取及分类,识别结果优于传统的神经网络(BP)及传统分类方法(SVM);同时考虑到自编码网络的层数及隐藏层节点数对识别精度影响较大,结合头脑风暴优化算法,实现自动调整的自编码网络对声呐目标的识别,使得识别精度达到最优。具体优点包括以下方面:
1)具有较强的智能性,自动调整网络模型,免去了人工手动调整网络参数这一耗时过程,同时节省了计算资源,并使得分类精度达到最优。
2)实用性广泛,针对声呐识别问题具有较优的识别精度,且实现过程简单,广泛应用于水下军事目标监测、渔业资源勘测,海底地形勘探等。
3)具有较强的普适应,不仅在声呐识别方面,还可适用于其他方面,尤其是对无标签大样本数据的分类识别问题,依然能够得到较好的解。
附图说明
图1是本发明方法的总体实现流程简图;
图2是本发明方法中的自编码网络模型简图;
图3是本发明算法中头脑风暴法算法应用流程简图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
参照图1,本发明的声呐识别方法,按照以下步骤实施:
步骤1、对收集到的声呐数据进行处理,
处理成网络能够识别的输入信号,确定待识别样本类的个数以及每一类样本的特征数即样本维度,同时确定网络的训练样本和测试样本,
处理后的声呐数据样本集合为{(x(1),y(1)),...,(x(m),y(m))},或存在未带类别标签的样本集{x(1),...,x(m)},其中,m为待训练样本个数,x(i)为第i个训练样本,其标签为y(i)∈{1,2,...,k},k为声呐数据中待识别物体类的个数。
步骤2、选择深度神经网络作为网络模型,
由于神经网络具有自学习、自联想及较优的容错能力,比传统的识别方法有明显的优势;而又由于浅层神经网络易陷入过拟合、训练速度较慢、梯度消失等问题,因此,采用深度神经网络作为网络模型,
2.1)模型确定为自动编码机,
由于人力、物力以及现有技术的原因,采集到的数据不一定都是带有标签的数据,而对处理后的数据来说样本维度较大,而自动编码机是深度学习的一种常用模型,可以利用大量无标签数据对数据进行特征提取,从而使分类预测更加容易;又由于模型自身特性可以很好的对样本数据进行降维,只提取有用特征能够大大减少待识别物体目标维度,因此,本发明采用自动编码机对声呐数据特征进行提取。
2.2)确定采用softmax分类器,
由于自动编码机不具有分类特性,因此需要将自动编码机与分类器相结合,构架自编码网络模型,并将其应用在声呐目标分类上。
本步骤的分类器采用softmax分类器,当声呐数据训练样本集合为{(x(1),y(1)),...,(x(m),y(m))},利用softmax分类器按下式对待识别物体特征进行分类:
其中,假设向量hθ(x(i))的每一个元素p(y(i)=j|x(i);θ)代表样本待识别物体特征x(i)属于第j类的概率(向量的元素和为1),概率越大,待识别物体特征x(i)属于第j类的概率就越大,θ1,θ2,...,θk为模型参数向量。
步骤3、对网络模型进行优化及确定,
如图2所示,自编码网络模型主要由自动编码机和分类器两部分组成,其中,输入层个数为待分类物体特征个数,输出层个数为声呐数据中待识别物体类的个数。
对于网络模型的优化主要是对自动编码机结构的优化,既然自动编码机由输入层、隐藏层和输出层组成,因此,自动编码机结构的确定分为输入层节点数、输出层节点数、隐藏层层数及节点数优化三个方面,具体如下:
3.1)确定输入层节点数,
自动编码机输入层也是网络的输入层,输入层节点数的个数与待识别物体数据维度d有关,是待识别物体特征数的输入;
3.2)确定输出层节点数,
对于自动编码机来说,输出层节点数与输入层节点数个数相同,具有相同维度;而对于整个自编码网络模型,输出层节点数为待识别样本的类的个数k;
3.3)隐藏层层数及节点数优化及确定,
对于自编码网络模型来说,隐藏层层数及节点数根据多次试验依靠人为经验设定,耗时费力,浪费计算资源,但隐藏层层数及节点数的多少影响着网络模型的精度,因此,需要对网络的隐藏层层数及节点数进行优化确定。
本步骤基于头脑风暴算法的基本原理,创新出一种新的基于头脑风暴自动调整的自编码网络算法,实现对自编码网络的隐藏层层数及节点数的确定,省去了繁杂的手动调节步骤,节省了时间,节省了宝贵的计算资源;同时,实现了声呐目标识别精度的提高,以及实现过程的简单化,在声呐目标识别问题中效果显著。
参照图3,该创新的头脑风暴算法优化隐藏层层数及节点数的具体过程是:
3.3.1)初始化,
引入头脑风暴算法,设置种群规模NP,最大迭代次数I,算法参数;
3.3.2)产生可行隐藏层层数及节点数的集合,
为减少模型参数,各隐藏层节点数个数相同;因此,取自编码网络的隐藏层数和隐藏层节点为决策变量,每个个体的维数就是决策变量的个数即L,N的个数,种群中第i个个体pi如式(2)所示:
pi=[Li,Ni] (2)
由于种群规模为NP即随机的产生NP个个体,其中每个个体的产生如式(3)所示:
Li=randint(1,max_L)
Ni=randint(1,max_N)
pi=[Li,Ni] (3)
式中,最大层数max_L=10,最大节点数max_N=300,pi是第i个个体,最小层数及最小节点数均为1;即随机产生NP个个体,每个个体层数值在1到10之间,节点数在1到300之间;
3.3.3)确定个体评价指标,
由于隐藏层层数及节点数共同影响着网络模型的精度,因此对个体的评价指标即是网络模型总的评价标准;
3.3.4)对个体评价与聚类,
将步骤3.3.2)中产生的NP个个体集合分别代入自编码网络模型中,以自编码网络模型的总的评价标准作为个体的评价指标,对种群中每一个个体进行评价。
对个体进行评价后,对个体按目标空间进行聚类,随机选择m个个体作为聚类中心,并计算个体到每个聚类中心的欧氏距离,将其聚到欧氏距离最小的类中,再计算每个类中所有点坐标的平均值,将平均值作为新的聚类中心,并不断迭代,最终得到聚成的m个类;
3.3.5)对种群与聚类中心进行更新,
对隐藏层层数及节点数以很小的概率用任意解替代聚类中心,并以一定规则产生新个体,对新个体的产生采用高斯变异的方式,产生的新个体,见式(4):
3.3.6)判断是否达到迭代次数I,
判断迭代次数t是否达到设定的最大迭代次数I,若否,设置迭代次数t=t+1,返回3.3.4重新进行个体评价与聚类;若是,则进入步骤3.3.7);
3.3.7)输出最优个体,
输出针对该自编码网络模型的最优个体即隐藏层层数及节点数,并将最优隐藏层层数及节点数作为网络模型的最优结构,代入后续的网络训练。
步骤4、对自动编码机进行分层训练
对自动编码机的分层训练分为初始化、编码解码、分层训练的目标函数建立、以及计算梯度变量更新,具体过程是:
4.1)初始化,
初始化自编码网络模型的权值、阈值,并设置迭代次数及权重下降参数;
4.2)编码解码,
对自动编码机的输入层、隐藏层和输出层,运用逐层贪婪的训练法则依次训练每一层网络;因此,从输入层待识别物体特征数据x到隐藏层的数据y进行编码,编码公式见式(5):
y=Sf(W1x+b) (5)
从隐藏层的数据y重新恢复出输入层数据即输出层数据z进行解码,解码公见式(6):
z=Sg(W2y+d) (6)
式(5)和式(6)中,w1是输入层与隐藏层的权值矩阵,w2是隐藏层和输出层的权值矩阵,b为隐藏层的偏置向量,d为输出层的偏置向量,Sf及Sg均为sigmoid函数,表达式见式(7):
同时为了减少参数,将输入层与隐藏层之间的权值矩阵w1取为隐藏层与输出层的权值矩阵的转置w′2,表达式见式(8):
W1=W′2=W (8)
将隐藏层输出y作为网络学习到的待分类的物体的特征,并将其用于分类器的输入或者自编码网络模型中下层AE的输入;
4.3)建立分层训练的目标函数,
自动编码机的目的是通过编码解码使得自动编码机的输入与输出之间的差异最小化,因此,训练目标表达式见式(9):
自动编码机输出z在声呐数据输入x给定的情况下由w,b,d来调节,而c(x,z)是每个训练样本的训练目标,则分层训练的目标函数变换为式(10):
m为训练样本的数量,利用式(10)计算分层训练的目标函数即输出误差;
4.4)计算梯度变量及更新,
利用反向传播计算梯度变量,对权值阈值进行更新优化。
步骤5、对网络模型进行微调,
将训练的网络隐藏层输出y即权值阈值作为自动编码机学习到的待分类的物体的特征,用于分类器的输入,并对网络模型进行微调,具体过程是:
5.1)确定网络模型总体评价标准,
分层训练的目标函数是针对自动编码机而言的,在加入分类器后利用分类器对权值阈值参数进行微调,分类器目的是对输入的特征进行分类,输出为确定待分类物体的类,因此,分类器的分类效果的评价即为网络模型总体评价标准,对识别精度的评价标准,见式(11):
其中,1{·}表示指示函数,当花括号中的表达式为真即预测结果与实际结果相同,则指示函数值为1,否则为0;同时,为了解决参数冗余所带来的数值问题,引入了权重衰减项,λ为权值衰减系数,
利用式(11)对网络模型进行总体评价,当评价函数值越小,识别精度越高;
5.2)优化权值阈值参数,
与步骤4.4)相同,利用反向传播对权值阈值进行优化,得到网络模型最优的权值阈值。
步骤6、判断停止条件,
设定最大迭代次数(此处迭代次数是对总体流程而言的没有范围,在一定程度内迭代次数越多越能得到更好的结果,但同样时间的开销也增加了),判断是否满足最大迭代次数,若不满足,重新返回步骤3;若满足,则进入步骤7。
步骤7、待识别样本输入分类,
将待识别声呐数据样本输入到已经训练好的网络模型,利用训练好的网络对待识别样本进行分类。
步骤8、计算识别率,
网络模型总体评价标准能够精确地表示网络识别率,但为更直观的表示网络对待识别样本的分类效果,表达式见式(12):
其中,p为待识别样本总数,ɑ为分类正确的待识别样本,则利用式(12)能够直观的计算出声呐数据最优识别准确率。
总之,本发明的声呐识别方法,采用无标签样本对网络进行训练,少量有标签样本进行微调,大大提高了无标签样本的使用率;同时,引入创新的头脑风暴算法对自编码网络模型的参数进行自动调整,大大简化了人工调参的复杂性,并显著提升了识别准确性。
实施例
以从海底金属圆柱体和沙质海底圆柱形岩石中收集的声呐发射数据为例,对本发明的实施过程中涉及的参数设置进行说明。
步骤1、对声呐数据进行处理,确定训练样本及测试样本并进行归一化处理。
步骤2、选定自编码网络模型对声呐样本数据进行识别。
步骤3、确定输入层节点数为60,输出层节点数为样本标签数2,并对创新的头脑风暴算法进行各项初始化及参数的设置,并按照式(2)-式(4)进行头脑风暴算法,输出最优网络模型为:隐藏层层数为4,隐藏层节点数为50。
步骤4和步骤5、按照步骤3给出的网络最优框架,对网络进行初始化及参数设置并按照式(5)-式(11)进行分层训练及微调。
步骤6、设置最大迭代次数为20,并判断是否达到最大迭代次数,若达到最大迭代次数,则代入待识别样本对待识别样本进行识别。
经过基于头脑风暴自动调整的自编码网络能够在较短时间内对待识别物体进行分类,与其他算法相比,有较高的识别精度。同时,不需要手动调节网络模型实现自动化,大大节省了人力物力资源及计算资源,且具有很好的通用性及普适性。
Claims (3)
1.一种基于头脑风暴自动调整自编码网络的声呐识别方法,其特征在于,按照以下步骤实施:
步骤1、对收集到的声呐数据进行处理,
处理成网络能够识别的输入信号,确定待识别样本类的个数以及每一类样本的特征数即样本维度,同时确定网络的训练样本和测试样本;
步骤2、选择深度神经网络作为网络模型,
具体过程是:
2.1)模型确定为自动编码机,
采用自动编码机对声呐数据特征进行提取;
2.2)确定采用softmax分类器,
分类器采用softmax分类器,当声呐数据训练样本集合为{(x(1),y(1)),...,(x(m),y(m))},利用softmax分类器按下式对待识别物体特征进行分类:
其中,假设向量hθ(x(i))的每一个元素p(y(i)=j|x(i);θ)代表样本待识别物体特征x(i)属于第j类的概率,概率越大,待识别物体特征x(i)属于第j类的概率就越大,θ1,θ2,...,θk为模型参数向量;
步骤3、对网络模型进行优化及确定,
自编码网络模型主要由自动编码机和分类器两部分组成,其中,输入层个数为待分类物体特征个数,输出层个数为声呐数据中待识别物体类的个数,
对于网络模型的优化主要是对自动编码机结构的优化,既然自动编码机由输入层、隐藏层和输出层组成,因此,自动编码机结构的确定分为输入层节点数、输出层节点数、隐藏层层数及节点数优化三个方面,
具体过程是:
3.1)确定输入层节点数,
自动编码机输入层也是网络的输入层,输入层节点数的个数与待识别物体数据维度d有关,是待识别物体特征数的输入;
3.2)确定输出层节点数,
对于自动编码机来说,输出层节点数与输入层节点数个数相同,具有相同维度;而对于整个自编码网络模型,输出层节点数为待识别样本的类的个数k;
3.3)隐藏层层数及节点数优化及确定,
采用一种新的基于头脑风暴自动调整的自编码网络算法,该创新的头脑风暴算法优化隐藏层层数及节点数的具体过程是:
3.3.1)初始化,
引入头脑风暴算法,设置种群规模NP,最大迭代次数I,算法参数;
3.3.2)产生可行隐藏层层数及节点数的集合,
为减少模型参数,各隐藏层节点数个数相同;因此,取自编码网络的隐藏层数和隐藏层节点为决策变量,每个个体的维数就是决策变量的个数即L,N的个数,种群中第i个个体pi如式(2)所示:
pi=[Li,Ni] (2)
由于种群规模为NP即随机的产生NP个个体,其中每个个体的产生如式(3)所示:
Li=randint(1,max_L)
Ni=randint(1,max_N)
pi=[Li,Ni] (3)
式中,最大层数max_L=10,最大节点数max_N=300,pi是第i个个体,最小层数及最小节点数均为1;即随机产生NP个个体,每个个体层数值在1到10之间,节点数在1到300之间;
3.3.3)确定个体评价指标,
由于隐藏层层数及节点数共同影响着网络模型的精度,因此对个体的评价指标即是网络模型总的评价标准;
3.3.4)对个体评价与聚类,
将步骤3.3.2)中产生的NP个个体集合分别代入自编码网络模型中,以自编码网络模型的总的评价标准作为个体的评价指标,对种群中每一个个体进行评价,
对个体进行评价后,对个体按目标空间进行聚类,随机选择m个个体作为聚类中心,并计算个体到每个聚类中心的欧氏距离,将其聚到欧氏距离最小的类中,再计算每个类中所有点坐标的平均值,将平均值作为新的聚类中心,并不断迭代,最终得到聚成的m个类;
3.3.5)对种群与聚类中心进行更新,
对隐藏层层数及节点数以很小的概率用任意解替代聚类中心,并以一定规则产生新个体,对新个体的产生采用高斯变异的方式,产生的新个体,见式(4):
3.3.6)判断是否达到迭代次数I,
判断迭代次数t是否达到设定的最大迭代次数I,若否,设置迭代次数t=t+1,返回3.3.4重新进行个体评价与聚类;若是,则进入步骤3.3.7);
3.3.7)输出最优个体,
输出针对该自编码网络模型的最优个体即隐藏层层数及节点数,并将最优隐藏层层数及节点数作为网络模型的最优结构,代入后续的网络训练;
步骤4、对自动编码机进行分层训练,
对自动编码机的分层训练分为初始化、编码解码、分层训练的目标函数建立、以及计算梯度变量更新;
步骤5、对网络模型进行微调,
将训练的网络隐藏层输出y即权值阈值作为自动编码机学习到的待分类的物体的特征,用于分类器的输入,并对网络模型进行微调;
步骤6、判断停止条件,
设定最大迭代次数,判断是否满足最大迭代次数,若不满足,返回步骤3;若满足,则进入步骤7;
步骤7、待识别样本输入分类,
将待识别声呐数据样本输入到已经训练好的网络模型,利用训练好的网络对待识别样本进行分类;
步骤8、计算识别率,
网络模型总体评价标准能够精确地表示网络识别率,但为更直观的表示网络对待识别样本的分类效果,表达式见式(12):
其中,p为待识别样本总数,ɑ为分类正确的待识别样本,则利用式(12)能够直观的计算出声呐数据最优识别准确率。
2.根据权利要求1所述的基于头脑风暴自动调整自编码网络的声呐识别方法,其特征在于,所述的步骤4中,具体过程是:
4.1)初始化,
初始化自编码网络模型的权值、阈值,并设置迭代次数及权重下降参数;
4.2)编码解码,
对自动编码机的输入层、隐藏层和输出层,运用逐层贪婪的训练法则依次训练每一层网络;因此,从输入层待识别物体特征数据x到隐藏层的数据y进行编码,编码公式见式(5):
y=Sf(W1x+b) (5)
从隐藏层的数据y重新恢复出输入层数据即输出层数据z进行解码,解码公见式(6):
z=Sg(W2y+d) (6)
式(5)和式(6)中,w1是输入层与隐藏层的权值矩阵,w2是隐藏层和输出层的权值矩阵,b为隐藏层的偏置向量,d为输出层的偏置向量,Sf及Sg均为sigmoid函数,表达式见式(7):
同时为了减少参数,将输入层与隐藏层之间的权值矩阵w1取为隐藏层与输出层的权值矩阵的转置w'2,表达式见式(8):
W1=W’2=W (8)
将隐藏层输出y作为网络学习到的待分类的物体的特征,并将其用于分类器的输入或者自编码网络模型中下层AE的输入;
4.3)建立分层训练的目标函数,
自动编码机的目的是通过编码解码使得自动编码机的输入与输出之间的差异最小化,因此,训练目标表达式见式(9):
自动编码机输出z在声呐数据输入x给定的情况下由w,b,d来调节,而c(x,z)是每个训练样本的训练目标,则分层训练的目标函数变换为式(10):
m为训练样本的数量,利用式(10)计算分层训练的目标函数即输出误差;
4.4)计算梯度变量及更新,
利用反向传播计算梯度变量,对权值阈值进行更新优化。
3.根据权利要求2所述的基于头脑风暴自动调整自编码网络的声呐识别方法,其特征在于,所述的步骤5中,具体过程是:
5.1)确定网络模型总体评价标准,
分层训练的目标函数是针对自动编码机而言的,在加入分类器后利用分类器对权值阈值参数进行微调,分类器目的是对输入的特征进行分类,输出为确定待分类物体的类,因此,分类器的分类效果的评价即为网络模型总体评价标准,对识别精度的评价标准,见式(11):
其中,1{·}表示指示函数,当花括号中的表达式为真即预测结果与实际结果相同,则指示函数值为1,否则为0;同时,为了解决参数冗余所带来的数值问题,引入了权重衰减项,λ为权值衰减系数,
利用式(11)对网络模型进行总体评价,当评价函数值越小,识别精度越高;
5.2)优化权值阈值参数,
与步骤4.4)相同,利用反向传播对权值阈值进行优化,得到网络模型最优的权值阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811365987.1A CN109581339B (zh) | 2018-11-16 | 2018-11-16 | 一种基于头脑风暴自动调整自编码网络的声呐识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811365987.1A CN109581339B (zh) | 2018-11-16 | 2018-11-16 | 一种基于头脑风暴自动调整自编码网络的声呐识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109581339A CN109581339A (zh) | 2019-04-05 |
CN109581339B true CN109581339B (zh) | 2023-04-07 |
Family
ID=65922578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811365987.1A Active CN109581339B (zh) | 2018-11-16 | 2018-11-16 | 一种基于头脑风暴自动调整自编码网络的声呐识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109581339B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428817B (zh) * | 2020-04-22 | 2023-06-02 | 浙江工业大学 | 一种面向无线电信号识别对抗攻击的防御方法 |
CN112465042B (zh) * | 2020-12-02 | 2023-10-24 | 中国联合网络通信集团有限公司 | 一种分类网络模型的生成方法及装置 |
CN112487816B (zh) * | 2020-12-14 | 2024-02-13 | 安徽大学 | 一种基于网络分类的命名实体识别方法 |
CN114938232B (zh) * | 2022-06-15 | 2023-04-07 | 北京邮电大学 | 基于lstm的同时同频全双工数字域自干扰抑制方法 |
CN116108353B (zh) * | 2023-04-12 | 2023-06-16 | 厦门大学 | 一种基于数据分组的小样本深度学习水声目标识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04158294A (ja) * | 1990-10-22 | 1992-06-01 | Nippon Telegr & Teleph Corp <Ntt> | 超音波式対象物判別装置および超音波式対象物判別方法および超音波式対象物判別装置におけるニユーラルネツトワーク形成方法 |
CN104037757A (zh) * | 2014-05-20 | 2014-09-10 | 西安理工大学 | 一种基于头脑风暴的火电厂经济环境调度方法 |
CN107194433A (zh) * | 2017-06-14 | 2017-09-22 | 电子科技大学 | 一种基于深度自编码网络的雷达一维距离像目标识别方法 |
CN107396375A (zh) * | 2017-07-24 | 2017-11-24 | 哈尔滨工程大学 | 基于量子头脑风暴的异构传感器网络最佳目标覆盖方法 |
-
2018
- 2018-11-16 CN CN201811365987.1A patent/CN109581339B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04158294A (ja) * | 1990-10-22 | 1992-06-01 | Nippon Telegr & Teleph Corp <Ntt> | 超音波式対象物判別装置および超音波式対象物判別方法および超音波式対象物判別装置におけるニユーラルネツトワーク形成方法 |
CN104037757A (zh) * | 2014-05-20 | 2014-09-10 | 西安理工大学 | 一种基于头脑风暴的火电厂经济环境调度方法 |
CN107194433A (zh) * | 2017-06-14 | 2017-09-22 | 电子科技大学 | 一种基于深度自编码网络的雷达一维距离像目标识别方法 |
CN107396375A (zh) * | 2017-07-24 | 2017-11-24 | 哈尔滨工程大学 | 基于量子头脑风暴的异构传感器网络最佳目标覆盖方法 |
Non-Patent Citations (2)
Title |
---|
求解非线性方程的智能优化算法;张娜;《中国优秀硕士学论文全文数据库电子期刊》;20130930;第9页第1段-第13页第10段 * |
目标空间聚类的差分头脑风暴优化算法;吴亚丽等;《控制理论与应用》;20171231;第34卷(第12期);第1583-1593段 * |
Also Published As
Publication number | Publication date |
---|---|
CN109581339A (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109581339B (zh) | 一种基于头脑风暴自动调整自编码网络的声呐识别方法 | |
CN111814871B (zh) | 一种基于可靠权重最优传输的图像分类方法 | |
CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
CN109142171B (zh) | 基于特征扩张的融合神经网络的城市pm10浓度预测方法 | |
CN111428789A (zh) | 一种基于深度学习的网络流量异常检测方法 | |
CN112069310B (zh) | 基于主动学习策略的文本分类方法及系统 | |
CN108229550B (zh) | 一种基于多粒度级联森林网络的云图分类方法 | |
CN101893704A (zh) | 一种基于粗糙集的雷达辐射源信号识别方法 | |
Kuang et al. | An enhanced extreme learning machine for dissolved oxygen prediction in wireless sensor networks | |
CN115099296A (zh) | 基于深度学习算法的海浪高度预测方法 | |
CN115659254A (zh) | 一种双模态特征融合的配电网电能质量扰动分析方法 | |
CN113780003A (zh) | 时空数据变分编解码跨模态增强方法 | |
CN116561562B (zh) | 一种基于波导奇异点的声源深度最优化获取方法 | |
CN114037001A (zh) | 基于wgan-gp-c和度量学习的机械泵小样本故障诊断方法 | |
CN115705393A (zh) | 一种基于持续学习的雷达辐射源分级识别方法 | |
Hu et al. | Evaluation method of wushu teaching quality based on fuzzy clustering | |
Han et al. | A Hybrid BPNN-GARF-SVR PredictionModel Based on EEMD for Ship Motion. | |
CN116343825A (zh) | 一种基于样本映射的少样本水声目标识别方法 | |
CN116680639A (zh) | 一种基于深度学习的深海潜水器传感器数据的异常检测方法 | |
CN114818789A (zh) | 一种基于数据增强的船舶辐射噪声识别方法 | |
Bi et al. | Multi-indicator Water Time Series Imputation with Autoregressive Generative Adversarial Networks | |
Haiyang et al. | An improved Canopy-FFCM clustering algorithm for ocean data analysis | |
Cheng et al. | A novel class-imbalanced ship motion data-based cross-scale model for sea state estimation | |
CN117611957B (zh) | 基于统一正负伪标签的无监督视觉表征学习方法及系统 | |
CN115293297B (zh) | 一种意图驱动的船舶轨迹预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |