CN110287770B - 一种基于卷积神经网络的水中个体目标匹配识别方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的水中个体目标匹配识别方法，首先构建用于水中目标辐射噪声时频图像特征提取的卷积神经网络模型，其次通过S变换预处理生成带标签目标噪声时频图像数据对卷积神经网络模型进行训练和完善，接着基于S变换生成带标签目标噪声时频图像参考数据，通过卷积神经网络处理得到个体目标数值差异性特征模板，最后基于卷积神经网络对未知目标数据进行处理得到数值特征，通过模板匹配方法对个体目标进行识别。本发明与传统基于物理机理的特征提取与识别方法相比，具有更强的非线性数据处理能力，能够更有效识别水中个体目标。

Description

一种基于卷积神经网络的水中个体目标匹配识别方法

技术领域

本发明涉及水声目标分类识别技术以及人工智能技术的领域，具体涉及一种基于卷积神经网络的水中个体目标匹配识别方法。

背景技术

水中目标识别技术是利用声纳接收的水中目标辐射噪声以及其它传感器信息判别目标类型的信息处理技术，可为声纳员提供目标特征信息，判别目标类型，是进行综合决策的重要依据。传统目标识别通常将水中目标分为水面舰艇、潜艇、商船、鱼雷等若干类别，结果更侧重于目标分类，而个体目标识别则需要在分辨目标类型的基础上进一步识别出目标具体型号和舷号，对目标识别的精细程度提出了更高要求。目前，水下目标探测与识别已经成为海军武器装备现代化发展的重要研究方向，也是当今军事技术研究领域的难点之一，其内容涉及声场建模、机器学习、模式识别等多学科交叉应用。

水中个体目标识别的核心研究内容是对个体目标信号声特征的提取和表达。由于不同水中目标结构设计和建造工艺的差异性，不仅不同类别水中目标辐射噪声特征存在差别，不同型号和同型号不同舷号的同类目标也具有各自独有的特性，这就为个体目标的特征提取提供了物理基础。对水中个体目标辐射噪声信号进行处理，通过挖掘和提取固有差异性个体特征，可以实现个体目标识别。

传统声纳目标识别主要通过提取具有可分性的物理特征来实现分类。由于海洋环境的复杂性和水声信道的特殊性，声纳目标信号通常信噪比较低并且受周围环境综合影响大，个体差异性特征往往是多种原始特征按贡献程度和关联性综合后的结果。传统特征提取方法从物理机理与现象出发，通过信号处理与变换提取物理特征，因此难以提取到能刻画清晰个体差异性的声信号特征，存在环境适应性弱，泛化能力差等不足，难以满足实际使用需求和作战要求。

作为近年来人工智能领域的研究热点，深度学习通过将多个隐藏计算层逐层叠加来提高特征的层级抽取能力，通过大量数据训练对神经网络拟合关系进行优化后，可以实现对复杂非线性数据关系的逼近。卷积神经网络是一种经典并且广泛应用的深度学习方法，其基本结构由卷积层和池化层组成，其中卷积层实现对特征的提取，池化层对数据进行降维和压缩。由于卷积神经网络采用了局部连接的结构和权值共享的策略，和全连接网络相比，大幅度降低了网络的复杂度，使得模型易于训练并具有强鲁棒性。目前，卷积神经网络已经成为诸多国内外专家研究的热点，不仅网络结构优化改进方法层出不穷，在图像识别、视频目标检测与跟踪等领域中的应用中表现出了极为优秀的处理性能。

发明内容

本发明的目的在于克服现有技术存在的不足，而提供一种基于卷积神经网络的水中个体目标匹配识别方法。

本发明的目的是通过如下技术方案来完成的：这种基于卷积神经网络的水中个体目标匹配识别方法，主要包括以下步骤：

1)基于TensorFlow框架构建用于特征提取的卷积神经网络模型，其主要由构建3个基本模块、构建整个卷积神经网络构成；

2)对建立的卷积残差网络模型进行训练；

3)基于带标签个体目标辐射噪声参考数据建立个体目标数值特征匹配模板；

4)对未知个体目标辐射噪声数据进行识别。

所述基于TensorFlow框架构建用于特征提取的卷积神经网络模型中的构建3个基本模块部分，其构建步骤如下：

1)构建基本模块1，在数据输入层之后添加4个并行分支，分支1为直接分支，不添加任何操作，分支2包括3个卷积层，卷积层1参数为(1×1,128,1)，即卷积核尺寸为1×1，卷积核数量为128，卷积步长为1，表示方法下同，卷积层2和卷积层3的参数分别为(1×3,128,1)和(3×1,128,1)，分支3包括2个卷积层，参数分别为(1×1,128,1)和(3×3,128,1)，分支4包括1个池化层和1个卷积层，参数分别为(3×3,1)和(1×1,128,1)，其中池化层参数代表其尺寸为3×3，步长为1，表示方法下同，在4个并行分支之后添加网络整合层，将卷积特征在通道数量这个维度进行聚合，得到基本模块1的特征输出；

2)构建基本模块2，在数据输入层之后添加4个并行分支，分支1为直接分支，不添加任何操作，分支2包括3个卷积层，参数分别为(1×1,192,1)、(1×5,192,1)和(5×1,192,1)，分支3包括3个卷积层，参数分别为(1×1,192,1)、(1×3,192,1)和(3×1,192,1)，分支4包括1个池化层和1个卷积层，参数分别为(3×3,1)和(1×1,192,1)，在4个并行分支之后添加网络整合层，将卷积特征在通道数量这个维度进行聚合，得到基本模块2的特征输出；

3)构建基本模块3，在数据输入层之后添加3个并行分支，分支1为直接分支，不添加任何操作，分支2包括3个卷积层，参数分别为(1×1,256,1)、(1×7,256,1)和(7×1,256,1)，分支3在输入端包含2个并行子分支，子分支1包括3个卷积层，参数分别为(1×1,256,1)、(3×3,256,1)和(1×1,256,1)，子分支2包括1个池化层和1个卷积层，参数分别为(3×3,1)和(1×1,256,1)，子分支1和子分支2输出端共同连接1个卷积层，其参数为(1×1,256,1)，在3个并行分支之后添加网络整合层，将卷积特征在通道数量这个维度进行聚合，得到基本模块3的特征输出。

所述基于TensorFlow框架构建用于特征提取的卷积神经网络模型中的构建整个卷积神经网络，其构建步骤如下：

1)添加数据输入层，输入数据尺寸为256×256×1；

2)依次添加卷积-池化-卷积-池化-卷积层，参数分别为(7×7,32,1)、(3×3,2)、(3×3,64,1)、(3×3,4)和(3×3,128,1)；

3)添加基本模块1，添加卷积层，参数为(3×3,512,2)，添加基本模块2，添加卷积层，参数为(3×3,1024,2)，添加基本模块3，添加2个卷积层，参数分别为(3×3,2048,2)和(1×1,128,2)；

4)添加整合层，将卷积操作输出的特征逐个首尾连接，变为一维特征序列。

所述基于TensorFlow框架构建用于特征提取的卷积神经网络模型中在每次卷积操作中设定Dropout系数为0.25，激活函数采用ReLU函数，采用Triplet Loss方式构建损失函数，设定迭代训练时的优化器、学习速率、训练次数等训练参数。

所述对建立的卷积残差网络模型进行训练主要包括以下步骤：

1)记用于训练的水中目标辐射噪声信号库中的带个体信息标签样本为x＝{x₁(t),x₂(t),…,x_n(t),(n∈N^*)}(矩阵中每一行数据对应一个样本)，基于S变换对x进行时频变换预处理，设置时间和频率分辨率均为256，得到时频图像训练样本集x_Train；

2)基于x_img对卷积神经网络进行训练，从训练数据集x_Train中随机选择参考样本x_i，其对应标签为a，特征计算结果为f(x_i)，再随机选取一个标签为a的样本x_j，特征计算结果为f(x_j)，接着随机选择一个标签和a不同的样本x_k，设定其标签为b，特征计算结果为f(x_k)，采用梯度下降算法最小化以下代价函数J_S

其中α为正数；

3)根据上一步骤反复迭代优化，完成对卷积神经网络的训练。

所述基于带标签个体目标辐射噪声参考数据建立个体目标数值特征匹配模板步骤中采用对建立的卷积残差网络模型进行训练的步骤1中的方法对参考个体目标数据进行时频变换预处理，再基于建立的卷积神经网络模型对预处理后的数据进行处理，得到最终的参考个体目标数值特征，将个体目标数值特征加入模板库中完成相应个体目标模板注册。

所述对未知个体目标辐射噪声数据进行识别主要包括以下步骤：

1)用对建立的卷积残差网络模型进行训练的步骤1中的方法对待识别的个体目标数据进行时频变换预处理，再基于建立的卷积神经网络模型对预处理后的数据进行处理，得到待识别的数值特征；

2)将待识别的数值特征与个体目标模板库中的参考个体目标模板逐个计算余弦相似系数，得到相似系数序列S_c，对于待识别的数值特征f(x_N)和某参考模板f(x_R)，两者的余弦相似系数计算方法为

3)设定相似度阈值为Q，计算S_c中同一参考个体目标下的若干相似系数的平均值，得到未知目标与参考模板库中每一个体目标的相似度计算结果，若仅有唯一个体参考目标与未知目标的相似度计算结果大于Q，其余均小于10.5，则将未知目标识别为该参考个体目标，若没有参考目标与未知目标的相似度计算结果大于Q或超过一个参考目标与未知目标的相似度计算结果大于Q，则将该未知目标识别为未知目标。

本发明的有益效果为：本发明针对水中目标辐射噪声数据特点构建具有深层结构的卷积神经网络，通过对目标高维水声信号时频图像进行大量复杂非线性变换，从深层次提取具有个体差异性的数值特征，再通过数值特征模板匹配的方法实现对个体目标的识别，与传统基于物理机理的特征提取与识别方法相比，具有更强的非线性数据处理能力，处理结果具有更高的准确率和鲁棒性，能够更有效识别水中个体目标。

附图说明

图1为本发明的信号处理流程图。

图2为本发明的卷积神经网络构建的基本模块1示意图。

图3为本发明的卷积神经网络构建的基本模块2示意图。

图4为本发明的卷积神经网络构建的基本模块3示意图。

具体实施方式

下面将结合附图对本发明做详细的介绍：

实施例：如附图所示，这种基于卷积神经网络的水中个体目标匹配识别方法，主要包括以下步骤：

1)基于TensorFlow框架构建用于特征提取的卷积神经网络模型，其主要由构建3个基本模块、构建整个卷积神经网络构成，在每次卷积操作中设定Dropout系数为0.25，激活函数采用ReLU函数，采用Triplet Loss方式构建损失函数，设定迭代训练时的优化器、学习速率、训练次数等训练参数；

其中构建3个基本模块主要步骤如下：

步骤一：构建基本模块1，在数据输入层之后添加4个并行分支，分支1为直接分支，不添加任何操作，分支2包括3个卷积层，卷积层1参数为(1×1,128,1)，即卷积核尺寸为1×1，卷积核数量为128，卷积步长为1，表示方法下同，卷积层2和卷积层3的参数分别为(1×3,128,1)和(3×1,128,1)，分支3包括2个卷积层，参数分别为(1×1,128,1)和(3×3,128,1)，分支4包括1个池化层和1个卷积层，参数分别为(3×3,1)和(1×1,128,1)，其中池化层参数代表其尺寸为3×3，步长为1，表示方法下同，在4个并行分支之后添加网络整合层，将卷积特征在通道数量这个维度进行聚合，得到基本模块1的特征输出；

步骤二：构建基本模块2，在数据输入层之后添加4个并行分支，分支1为直接分支，不添加任何操作，分支2包括3个卷积层，参数分别为(1×1,192,1)、(1×5,192,1)和(5×1,192,1)，分支3包括3个卷积层，参数分别为(1×1,192,1)、(1×3,192,1)和(3×1,192,1)，分支4包括1个池化层和1个卷积层，参数分别为(3×3,1)和(1×1,192,1)，在4个并行分支之后添加网络整合层，将卷积特征在通道数量这个维度进行聚合，得到基本模块2的特征输出；

步骤三：构建基本模块3，在数据输入层之后添加3个并行分支，分支1为直接分支，不添加任何操作，分支2包括3个卷积层，参数分别为(1×1,256,1)、(1×7,256,1)和(7×1,256,1)，分支3在输入端包含2个并行子分支，子分支1包括3个卷积层，参数分别为(1×1,256,1)、(3×3,256,1)和(1×1,256,1)，子分支2包括1个池化层和1个卷积层，参数分别为(3×3,1)和(1×1,256,1)，子分支1和子分支2输出端共同连接1个卷积层，其参数为(1×1,256,1)，在3个并行分支之后添加网络整合层，将卷积特征在通道数量这个维度进行聚合，得到基本模块3的特征输出。

构建整个卷积神经网络步骤如下：

步骤一：添加数据输入层，输入数据尺寸为256×256×1；

步骤二：依次添加卷积-池化-卷积-池化-卷积层，参数分别为(7×7,32,1)、(3×3,2)、(3×3,64,1)、(3×3,4)和(3×3,128,1)；

步骤三：添加基本模块1，添加卷积层，参数为(3×3,512,2)，添加基本模块2，添加卷积层，参数为(3×3,1024,2)，添加基本模块3，添加2个卷积层，参数分别为(3×3,2048,2)和(1×1,128,2)；

步骤四：添加整合层，将卷积操作输出的特征逐个首尾连接，变为一维特征序列。

2)对建立的卷积残差网络模型进行训练，其构建步骤如下：

步骤一：记用于训练的水中目标辐射噪声信号库中的带个体信息标签样本为x＝{x₁(t),x₂(t),…,x_n(t),(n∈N^*)}(矩阵中每一行数据对应一个样本)，基于S变换对x进行时频变换预处理，设置时间和频率分辨率均为256，得到时频图像训练样本集x_Train；

步骤二：基于x_img对卷积神经网络进行训练，从训练数据集x_Train中随机选择参考样本x_i，其对应标签为a，特征计算结果为f(x_i)，再随机选取一个标签为a的样本x_j，特征计算结果为f(x_j)，接着随机选择一个标签和a不同的样本x_k，设定其标签为b，特征计算结果为f(x_k)，采用梯度下降算法最小化以下代价函数J_S

其中α为正数；

步骤三：根据上一步骤反复迭代优化，完成对卷积神经网络的训练。

3)基于带标签个体目标辐射噪声参考数据建立个体目标数值特征匹配模板，采用对建立的卷积残差网络模型进行训练的步骤1中的方法对参考个体目标数据进行时频变换预处理，再基于建立的卷积神经网络模型对预处理后的数据进行处理，得到最终的参考个体目标数值特征，将个体目标数值特征加入模板库中完成相应个体目标模板注册；

4)对未知个体目标辐射噪声数据进行识别，主要包括以下步骤：

步骤一：用对建立的卷积残差网络模型进行训练的步骤1中的方法对待识别的个体目标数据进行时频变换预处理，再基于建立的卷积神经网络模型对预处理后的数据进行处理，得到待识别的数值特征；

步骤二：将待识别的数值特征与个体目标模板库中的参考个体目标模板逐个计算余弦相似系数，得到相似系数序列S_c，对于待识别的数值特征f(x_N)和某参考模板f(x_R)，两者的余弦相似系数计算方法为

步骤三：设定相似度阈值为Q，计算S_c中同一参考个体目标下的若干相似系数的平均值，得到未知目标与参考模板库中每一个体目标的相似度计算结果，若仅有唯一个体参考目标与未知目标的相似度计算结果大于Q，其余均小于10.5，则将未知目标识别为该参考个体目标，若没有参考目标与未知目标的相似度计算结果大于Q或超过一个参考目标与未知目标的相似度计算结果大于Q，则将该未知目标识别为未知目标。

如附图1所示，卷积神经网络构建方案包含了多个卷积层、池化层和各基本模块，输入原始时频图像尺寸为256×256×1，在最后一个输出层之后添加整合层，将卷积操作输出的4×4×128个特征逐个首尾连接，变为长度为2048的一维特征序列。

如附图2、附图3、附图4所示，卷积神经网络构建时所用的3种基本模块，各基本模块均包含了多个并行分支结构。为更好实现全局寻优，提高深层神经网络的非线性分析能力和训练效率，在各模块中均设置残差结构，即将输入数据和输出端之间增加直连。同时，对各基本模块配置不同的卷积参数，包括改变卷积核尺寸和数量、卷积运算连接方式等，通过提高卷积过程的变化性，增加网络对不同尺度的适应性，从而提高对数据细节的捕捉，获取更丰富的数据特征。通过各分支结构对输入数据进行处理，可以获取众多卷积特征，最后基于网络整合层将这些卷积特征在通道数量这个维度进行聚合，得到该基本模块的特征输出。各卷积层输出时的激活函数均设置为ReLU函数，卷积和池化步长均设置为1。

本发明方案具体参数描述：

表1卷积神经网络构建方案

可以理解的是，对本领域技术人员来说，对本发明的技术方案及发明构思加以等同替换或改变都应属于本发明所附的权利要求的保护范围。

Claims (4)

1.一种基于卷积神经网络的水中个体目标匹配识别方法，其特征在于：主要包括以下步骤：

1)基于TensorFlow框架构建用于特征提取的卷积神经网络模型，其主要由构建3个基本模块、构建整个卷积神经网络构成；

2)对建立的卷积残差网络模型进行训练；

3)基于带标签个体目标辐射噪声参考数据建立个体目标数值特征匹配模板；

4)对未知个体目标辐射噪声数据进行识别，

所述对建立的卷积残差网络模型进行训练主要包括以下步骤：

1)记用于训练的水中目标辐射噪声信号库中的带个体信息标签样本为x＝{x₁(t),x₂(t),…,x_n(t),(n∈N^*)},矩阵中每一行数据对应一个样本，基于S变换对x进行时频变换预处理，设置时间和频率分辨率均为256，得到时频图像训练样本集x_Train；

2)基于x_img对卷积神经网络进行训练，从训练数据集x_Train中随机选择参考样本x_i，其对应标签为a，特征计算结果为f(x_i)，再随机选取一个标签为a的样本x_j，特征计算结果为f(x_j)，接着随机选择一个标签和a不同的样本x_k，设定其标签为b，特征计算结果为f(x_k)，采用梯度下降算法最小化以下代价函数J_S

其中α为正数；

3)根据上一步骤反复迭代优化，完成对卷积神经网络的训练。

所述基于TensorFlow框架构建用于特征提取的卷积神经网络模型中的构建3个基本模块部分，其构建步骤如下：

1)构建基本模块1，在数据输入层之后添加4个并行分支，分支1为直接分支，不添加任何操作，分支2包括3个卷积层，卷积层1参数为(1×1,128,1)，即卷积核尺寸为1×1，卷积核数量为128，卷积步长为1，表示方法下同，卷积层2和卷积层3的参数分别为(1×3,128,1)和(3×1,128,1)，分支3包括2个卷积层，参数分别为(1×1,128,1)和(3×3,128,1)，分支4包括1个池化层和1个卷积层，参数分别为(3×3,1)和(1×1,128,1)，其中池化层参数代表其尺寸为3×3，步长为1，表示方法下同，在4个并行分支之后添加网络整合层，将卷积特征在通道数量这个维度进行聚合，得到基本模块1的特征输出；

2)构建基本模块2，在数据输入层之后添加4个并行分支，分支1为直接分支，不添加任何操作，分支2包括3个卷积层，参数分别为(1×1,192,1)、(1×5,192,1)和(5×1,192,1)，分支3包括3个卷积层，参数分别为(1×1,192,1)、(1×3,192,1)和(3×1,192,1)，分支4包括1个池化层和1个卷积层，参数分别为(3×3,1)和(1×1,192,1)，在4个并行分支之后添加网络整合层，将卷积特征在通道数量这个维度进行聚合，得到基本模块2的特征输出；

3)构建基本模块3，在数据输入层之后添加3个并行分支，分支1为直接分支，不添加任何操作，分支2包括3个卷积层，参数分别为(1×1,256,1)、(1×7,256,1)和(7×1,256,1)，分支3在输入端包含2个并行子分支，子分支1包括3个卷积层，参数分别为(1×1,256,1)、(3×3,256,1)和(1×1,256,1)，子分支2包括1个池化层和1个卷积层，参数分别为(3×3,1)和(1×1,256,1)，子分支1和子分支2输出端共同连接1个卷积层，其参数为(1×1,256,1)，在3个并行分支之后添加网络整合层，将卷积特征在通道数量这个维度进行聚合，得到基本模块3的特征输出。

2.根据权利要求1所述的基于卷积神经网络的水中个体目标匹配识别方法，其特征在于：所述基于TensorFlow框架构建用于特征提取的卷积神经网络模型中的构建整个卷积神经网络，其构建步骤如下：

1)添加数据输入层，输入数据尺寸为256×256×1；

2)依次添加卷积-池化-卷积-池化-卷积层，参数分别为(7×7,32,1)、(3×3,2)、(3×3,64,1)、(3×3,4)和(3×3,128,1)；

3)添加基本模块1，添加卷积层，参数为(3×3,512,2)，添加基本模块2，添加卷积层，参数为(3×3,1024,2)，添加基本模块3，添加2个卷积层，参数分别为(3×3,2048,2)和(1×1,128,2)；

4)添加整合层，将卷积操作输出的特征逐个首尾连接，变为一维特征序列。

3.根据权利要求1所述的基于卷积神经网络的水中个体目标匹配识别方法，其特征在于：所述基于带标签个体目标辐射噪声参考数据建立个体目标数值特征匹配模板步骤中采用对建立的卷积残差网络模型进行训练的步骤1中的方法对参考个体目标数据进行时频变换预处理，再基于建立的卷积神经网络模型对预处理后的数据进行处理，得到最终的参考个体目标数值特征，将个体目标数值特征加入模板库中完成相应个体目标模板注册。

4.根据权利要求1所述的基于卷积神经网络的水中个体目标匹配识别方法，其特征在于：所述对未知个体目标辐射噪声数据进行识别主要包括以下步骤：

1)用对建立的卷积残差网络模型进行训练的步骤1中的方法对待识别的个体目标数据进行时频变换预处理，再基于建立的卷积神经网络模型对预处理后的数据进行处理，得到待识别的数值特征；

2)将待识别的数值特征与个体目标模板库中的参考个体目标模板逐个计算余弦相似系数，得到相似系数序列S_c，对于待识别的数值特征f(x_N)和某参考模板f(x_R)，两者的余弦相似系数计算方法为

3)设定相似度阈值为Q，计算S_c中同一参考个体目标下的若干相似系数的平均值，得到未知目标与参考模板库中每一个体目标的相似度计算结果，若仅有唯一个体参考目标与未知目标的相似度计算结果大于Q，其余均小于10.5，则将未知目标识别为该参考个体目标，若没有参考目标与未知目标的相似度计算结果大于Q或超过一个参考目标与未知目标的相似度计算结果大于Q，则将该未知目标识别为未知目标。

Images