CN111008674A - 一种基于快速循环单元的水下目标探测方法 - Google Patents

一种基于快速循环单元的水下目标探测方法 Download PDF

Info

Publication number
CN111008674A
CN111008674A CN201911351335.7A CN201911351335A CN111008674A CN 111008674 A CN111008674 A CN 111008674A CN 201911351335 A CN201911351335 A CN 201911351335A CN 111008674 A CN111008674 A CN 111008674A
Authority
CN
China
Prior art keywords
output
gate
neural network
matrix
unit
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.)
Granted
Application number
CN201911351335.7A
Other languages
English (en)
Other versions
CN111008674B (zh
Inventor
王红滨
王勇军
何鸣
张耘
王念滨
周连科
张毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201911351335.7A priority Critical patent/CN111008674B/zh
Publication of CN111008674A publication Critical patent/CN111008674A/zh
Application granted granted Critical
Publication of CN111008674B publication Critical patent/CN111008674B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

一种基于快速循环单元的水下目标探测方法,涉及水下声纹特征提取技术领域,针对现有技术中的水下目标探测技术存在探测精度低的问题,本发明在对水声信号样本分帧后的片段完成特征提取和特征选择后,将这些特征按时间顺序排列,从而得到由特征组成的时序数据,并利用循环神经网络对时序数据进行处理,以此提高了水下目标探测的准确率并减少了误报率。

Description

一种基于快速循环单元的水下目标探测方法
技术领域
本发明涉及水下声纹特征提取技术领域,具体为一种基于特征通道的水声信号特征选择与联合方法。
背景技术
海洋科技是海洋开发过程中的第一生产力,也是挖掘海洋经济的重要手段,海洋高新技术时全球学者公认的新科技革命中最重要的领域之一,海洋科技的涵盖面极广,包含多种学科和多种技术,例如海洋学科包括海洋基础科学、海洋物理科学、海洋化学科学、海底地质学、海洋气候学和海洋生物学等;与海洋有关的技术包括海洋测量、海洋水声、海洋能源开发、海洋运输和海洋结构等等,其中海洋水声中水下目标的探测和跟踪由于同时具有商业和军事上的重要价值而被越来越多的专家学者以及生产技术人员重视,而现有技术中的水下目标探测技术存在探测精度低、误报率高的问题。
发明内容
本发明的目的是:针对现有技术中的水下目标探测技术存在探测精度低的问题,提出一种基于快速循环单元的水下目标探测方法。
本发明为了解决上述技术问题采取的技术方案是:
一种基于快速循环单元的水下目标探测方法,包括以下步骤:
步骤一:获取目标噪声样本,构建样本数据集;
步骤二:对目标噪声样本进行分帧和打标签处理;
步骤三:设定超参数,构建循环神经网络模型,并利用样本数据集训练构建好的循环神经网络模型,所述超参数包含卷积层中卷积核的尺寸、数量和步长,以及循环单元和全连接层中神经元的数量;
步骤四:利用构建好的循环神经网络模型中的卷积层对噪声样本进行特征提取;
步骤五:对特征提取后的样本进行特征图通道的加权过滤操作,所述加权过滤操作如下:首先通过对卷积层输出的特征矩阵进行逐通道全局卷积操作并经过多个全连接层来获得每个特征通道的权重,然后对每个特征通道进行加权过滤操作;
步骤六:利用循环神经网络模型对每一帧的特征在时序维度进行特征联合;
步骤七:通过全连接层进行二分类得到探测结果;
所述循环神经网络模型由快速循环单元构成,所述快速循环单元由遗忘门、更新门和输出门组成,每个门结构包括多个神经元,当前输入经过神经元和相应的激活函数来计算对应门结构的输出;
其中,遗忘门用于修改前一时刻输出的循环单元内部状态Ct-1;
更新门用于向循环单元内部状态中添加当前输入的信息,并结合遗忘门得到当前时刻的内部状态Ct,
输出门用于根据当前时刻的输入信息和内部状态得到输出,同样利用一组神经元和激活函数进行计算,输出门的输出与Ct相乘得到当前时刻的输出ht。
进一步的,所述步骤五中加权过滤操作的详细步骤为:
步骤五一:输入矩阵经过卷积操作后得到n*c的特征矩阵,c为通道数,n为一种超参数;
步骤五二:按通道进行全局卷积操作,输出一个1*c的张量;
步骤五三:全局卷积的输出张量通过全连接层将多个特征通道进行联系;
步骤五四:利用Relu与Tanh函数的复合函数对全连接层的输出进行激活;
步骤五五:通过矩阵乘法操作为每个特征通道进行加权。
进一步的,所述步骤五中加权过滤操作的详细步骤为:
步骤五一:输入矩阵经过卷积操作后得到n*c的特征矩阵,c为通道数,n为一种超参数;
步骤五二:按通道进行全局卷积操作,输出一个1*c的张量;
步骤五三:全局卷积的输出张量通过全连接层将多个特征通道进行联系;
步骤五四:利用Relu与Tanh函数的复合函数对全连接层的输出进行激活;
步骤五五:通过矩阵乘法操作为每个特征通道进行加权。
进一步的,所述内部状态Ct的更新公式为:
ft=σ(wfxt+bf)
ut=Tanh(wuxt+bu)
ct=ft⊙ct-1+(1-ft)⊙ut
上式中,wf和wg分别为遗忘门和更新门神经元的参数矩阵,bf和bu为偏置矩阵,ft为遗忘门的输出,gt为更新门的输出。
进一步的,所述当前时刻的输出ht的公式为:
ot=σ(woxt+bo)
ht=ot⊙Tanh(ct)
上式中,wo为输出门神经元的参数矩阵,bo为偏置矩阵,ot为输出门的输出。
本发明的有益效果是:
本发明在对水声信号样本分帧后的片段完成特征提取和特征选择后,将这些特征按时间顺序排列,从而得到由特征组成的时序数据,并利用循环神经网络对时序数据进行处理,以此提高了水下目标探测的准确率并减少了误报率。
附图说明
图1为整体结构示意图;
图2为加权过滤层结构示意图;
图3为快速循环单元结构示意图;
图4为水听器探测边界示意图;
图5为循环单元结构分析图;
图6为水下目标探测模型时序展开示意图;
图7为多水听器数据合并图;
图8水声样本生成示意图。
具体实施方式
具体实施方式一:参照图1和图2具体说明本实施方式,本实施方式所述的一种基于快速循环单元的水下目标探测方法,包括以下步骤:
步骤一:获取目标噪声样本,构建样本数据集;
步骤二:对目标噪声样本进行分帧和打标签处理;
步骤三:设定超参数,构建循环神经网络模型,并利用样本数据集训练构建好的循环神经网络模型,所述超参数包含卷积层中卷积核的尺寸、数量和步长,以及循环单元和全连接层中神经元的数量;
步骤四:利用构建好的循环神经网络模型中的卷积层对噪声样本进行特征提取;
步骤五:对特征提取后的样本进行特征图通道的加权过滤操作,所述加权过滤操作如下:首先通过对卷积层输出的特征矩阵进行逐通道全局卷积操作并经过多个全连接层来获得每个特征通道的权重,然后对每个特征通道进行加权过滤操作;
步骤六:利用循环神经网络模型对每一帧的特征在时序维度进行特征联合;
步骤七:通过全连接层进行二分类得到探测结果;
所述循环神经网络模型由快速循环单元构成,所述快速循环单元由遗忘门、更新门和输出门组成,每个门结构包括多个神经元,当前输入经过神经元和相应的激活函数来计算对应门结构的输出;
其中,遗忘门用于修改前一时刻输出的循环单元内部状态Ct-1;
更新门用于向循环单元内部状态中添加当前输入的信息,并结合遗忘门得到当前时刻的内部状态Ct,
输出门用于根据当前时刻的输入信息和内部状态得到输出,同样利用一组神经元和激活函数进行计算,输出门的输出与Ct相乘得到当前时刻的输出ht。
一、水声信号时序特征联合方法概述
由于水声信号的特征处于一个动态的变化过程,因此在特征提取前对水声信号进行了分帧处理,每一帧的特征可以视为稳定特征。可以知道,提取到的特征沿着时间轴存在着某种变化规律,因此在时序的角度对这些特征进行联合,从而得到特征的变化规律,并根据这种变化规律获得水下目标探测的结果。
在将长水声信号样本进行分帧后对这些片段进行特征提取和特征选择,对于这些片段的特征,当探测目标在声呐等设备的信号接收范围外时的特征应该与环境噪声类似,而在探测目标进入信号接收范围时的特征应发生变化,根据这种不同即可判断出是否发现目标。然而实际上声呐等设备的信号接收范围的边界并不容易界定,这个边界同样存在一个范围且会受时间、环境等诸多因素的影响而发生变化,如图4所示。
当目标进入可探测边界时,这一段的水声信号特征可以认为处于一种较为混沌的状态,简单来说若目标在探测边界外水声信号片段特征表示为0,目标越过探测边界后水声信号片段特征表示为1,则当目标在探测边界中时水声信号片段特征会处以一种0、1同时存在的状态,且目标在探测边界外时少数情况下水声信号特征也会表现为特征1。由此可见,若仅仅根据水声信号分帧后的片段进行水下目标探测会造成探测结果不准确且会出现误报的情况。
根据以上分析,在对水声信号样本分帧后的片段完成特征提取和特征选择后,需要将这些特征按时间顺序排列,从而得到由特征组成的时序数据。循环神经网络对于时序数据的处理比较擅长,因此发明提出了一种基于快速循环单元的水下目标探测方法,以此来提高水下目标探测的准确率并减少误报率。
二、基于快速循环单元(FRU)的时序特征联合方法
在深度学习算法中,对于序列数据的处理比较擅长的是循环神经网络,通过将序列数据按顺序输入到网络中,对于每次输入而言其输出是结合前面输入的信息和当前信息所得到的,可以认为循环神经网络的输出是根据输入的序列数据的特征随时间变化的规律而得到。根据循环神经网络的特点,本章选择采用循环神经网络来进行时序特征联合,并通过全连接层来对最终的探测结果进行决策。
三、循环神经网络研究与分析
循环神经网络通过在时间跨度上将人工神经网络进行展开,目的是解决输入样本是序列的问题,比如自然语言处理、语音识别和生成等任务。基础的神经网络仅在不同层之间建立连接,而循环神经网络在此基础上将每一层的神经元与同层的其他神经元通过连接建立联系,这种在同一层建立的连接就是用来进行时间维度的隐含层状态传递,使得每一时间步长的输出与前面时间步长的输入产生联系,从而在时序角度进行建模。
循环神经网络通常是由循环单元构成,由循环单元处理每个时刻的输入xt并结合前一时刻的隐含层状态ht-1,从而得到当前时刻的隐含层状态ht,最后将ht传递给下一个时刻,t时刻隐含层状态ht的计算公式如下:
ht=σ(Uxt+Wht-1+b) (1)
式中U和W均为权重矩阵,b为偏置值,σ是用于调节输出值的激活函数。若目标函数采用交叉熵损失函数:
Figure BDA0002334739620000051
其中|V|为样本空间大小,ytj
Figure BDA0002334739620000052
分别为标签和模型输出。采用梯度下降算法对模型参数进行调整进行误差的反向传播过程中,由于求导的链式法则而出现连乘操作,误差传播的越远则连乘次数越多,从而导致了梯度消失和梯度爆炸问题,具体的求导过程本文不做赘述,最终使得循环神经网络难以对长序列进行建模且训练时间过长。
为了解决上述问题,很多循环单元结构被提出,其中的代表主要有长短时记忆单元(Long Short-Term Memory,LSTM)和门控循环单元(Gate Recurrent Unit,GRU)。LSTM和GRU同样有着传统循环神经网络的链式结构,但在循环单元内部利用一条贯穿整个链式结构的“传送带”进行“细胞状态”的传递,同时也承担着误差的反向传播。这种做法虽然没有彻底的解决梯度消失和梯度爆炸的问题,但效果显著,极大地增强了其对长序列问题的处理能力,但是同时也带来了大量计算无法并发进行而导致的模型训练时间变长的问题。
根据上述的研究和分析,本文提出一种基于LSTM和GRU结构的循环单元结构优化方法,用于改善其无法并发计算的问题,同时提出一种基于残差连接思想的跨步长连接结构来缓解梯度消失和梯度爆炸的问题。
四、快速循环单元(FRU)
LSTM和GRU虽然通过一条贯穿整个链式结构的“传送带”来增加了误差传播范围,但循环单元内用于操作“细胞状态”ct-1的更新门和遗忘门的计算依赖于ct-1,使得每个时刻门计算必须等待前一时刻所有计算完成,从而很大程度上增加了模型的训练时间。针对这个问题,本节针对这两种门结构进行了优化,但由于循环神经网络的根本特性,只能在保证模型性能的前提下减少每个时刻对前一时刻输出的依赖,提高计算的并发性。优化后的循环单元结构如图3所示。
快速循环单元结构如下:
t时刻的输入经过神经单元后分为三路:
第一路与sigmoid函数结合后得到输出值a,输出值a为0到1之间,然后输出值a分为两个支路,一条支路和前一个时间步信息相乘得到结果b,另一条支路经过1-sigmoid函数输出值后得到结果c;
第二路与tanh激活函数结合后的输出值与sigmoid函数1-输出值后的结果c相乘后与sigmoid函数和前一个时间步信息相乘的结果b相加后得到结果d,结果d一边作为输出的t时刻更新的值,另一边与tanh激活函数结合后得到结果e;
第三路与第二路中与tanh激活函数结合后得到结果e相乘后作为状态信息输出。
本发明循环单元结构与LSTM和GRU主要的区别在于消除了循环单元内门结构的输入计算对“细胞状态”Ct-1的依赖,门结构的输入计算完全由当前输入决定。本发明所提出的结构是基于空间换时间的思想,修改后的循环单元内部的门结构输入的计算可以并发进行,只需要等待“细胞状态”Ct从开始时刻向后传递即可利用Ct-1来计算Ct,从而节省模型的计算时间。本发明循环单元对细胞状态的更新公式为:
ft=σ(Ufxt+bf) (3)
gt=Tanh(Wxt+bg) (4)
Ct=ft⊙Ct-1+(1-ft)⊙gt (5)
式中Uf和W为权重矩阵,bf和bg为偏置矩阵,ft为遗忘门的输入,gt为更新门的输入。从上面的公式可以看出,相对于LSTM和GRU来说,循环单元内全部时刻的ft和gt能够并发计算。计算当前时刻t的隐藏状态ht的公式为:
ot=σ(Uoxt+bo) (6)
ht=ot⊙Tanh(Ct) (7)
式中Uo为权重矩阵,bo为偏置矩阵,ot为输出门的输入。
根据前面的研究可以看出,本发明提出的循环单元结构基于空间换时间的思想加速了模型的计算速度,但相对于LSTM等结构来说,由于更新门、遗忘门和输出门输入除“细胞状态”Ct-1外的计算只考虑了当前的输入而没有联系前面时刻得状态,因此对于输入数据中时序特征的利用不够充分,可能会导致模型性能有所下降。下面根据传统的循环神经网络来对本文提出的循环单元的性能进行分析。
循环神经网络由快速循环单元构成,快速循环单元由遗忘门、更新门和输出门组成,每个门结构包括多个神经元,当前输入经过神经元和相应的激活函数来计算对应门结构的输出;
其中,遗忘门用于修改前一时刻输出的循环单元内部状态Ct-1;
更新门用于向循环单元内部状态中添加当前输入的信息,并结合遗忘门得到当前时刻的内部状态Ct,
输出门用于根据当前时刻的输入信息和内部状态得到输出,同样利用一组神经元和激活函数进行计算,输出门的输出与Ct相乘得到当前时刻的输出ht。
就是内部状态Ct-1先根据遗忘门的输出删减信息,然后根据更新门的输出添加信息,从而得到新的内部状态Ct,最后将Ct传递给下一时刻,并根据Ct和输出门的输出计算当前时刻循环单元的输出。
传统的循环神经网络在处理序列数据时具有十分不错的性能,其结构如图5(a)所示,只是由于在误差的反向传播过程中因求导的链式法则会导致梯度消失和梯度爆炸的问题,从而使得模型无法解决长序列问题。而LSTM等结构的提出就是为了增强循环神经网络对长序列的处理能力,其核心是一条贯穿整个链式结构来传送“细胞状态”的传送带结构。如图5(b)所示,其中虚线框所包含的部分为传统的循环神经网络结构,实线框部分是LSTM核心的传送带结构,其他部分则是根据LSTM优化而来的各种门结构。由此可见,本文的循环单元至少可以保证在不弱于传统循环神经网络性能的前提下增强模型对于长序列问题的处理能力。
五、面向水下目标探测的自适应快速循环神经网络
图2是本发明神经网络的总体结构,其中自适应卷积层和特征选择层的详细结构请参见第三章的内容,循环单元的详细结构请参见图3。由于模型中存在循环单元,因此图中所展示的结构能够在时序角度持续展开,且每个时刻共享参数。水下探测模型能够接收当前时刻的输入xt和前一时刻的细胞状态Ct-1并输出当前时刻的探测结果ot,其展开后的结构如图6所示,也正是由于这种特点,模型能够不断的接收输入从而不断的输出探测结果,且根据循环单元的特性,距离较远的信息会在不断探测的过程中被逐渐更新取代,而不会影响当前的探测结果。
水下探测模型由四个模块组成:第一个模块是进行特征提取自适应卷积层,由三个常规卷积层构成;第二个模块则是进行特征选择的网络层,由全局卷积层和三个全连接层构成;第三个模块则是进行时序特征联合的循环网络层,核心结构为循环神经单元;第四个模块是进行分类决策的三个全连接层。
水生场是一种三维结构,若仅使用单个水听器收集水声信号,就无法从多个角度来获得目标特征,因此在水下目标探测领域中一个主要的技术手段就是进行分布式探测,其原理与人耳的双耳效应类似,通过采用信号的多点收集方式来获取不同角度和传播路径的目标辐射噪声,并将这些数据进行联合来获取水下目标辐射噪声的更多特征,从而达到探测、定位或跟踪的目的,正如人耳的听声辨位。
本发明使用的水声信号数据集在收集过程中,采用的实验方案就是使用多个水听器进行分布式的水声信号录制,通过将这些水听器的数据按照时间对齐的方式进行合并,如图7所示,一个水听器的数据作为一个通道,使得一维单通道形式水声数据转换成一维多通道形式,因此本发明的水下目标探测模型的输入层同样为一维多通道的结构,而为了适应输入层的结构,输入层之后的卷积层中卷积核的通道也要与输入层相同。
由于本发明的水下目标探测模型采用有监督学习的方式来训练,在利用原始数据集构建训练集和测试集的过程中需要进行打标签的工作,这些标签将作为模型的输出,最后通过目标函数来评估模型预测的输出与实际标签之间的误差,并将误差进行反向传播以通过梯度下降算法调整模型中的参数,从而达到模型参数优化的目的。对于目标探测来说,其结果分为无目标和发现目标两种状态,因此本文的标签采用0和1分别代表这两种状态。打标签操作与水声信号分帧操作同时完成,每一片段均有对应的标签,多个片段组合成一个样本,且由于所收集到长音频数据对应目标的运动状态为朝着水听器方向由远及近进行航行,因此一段长音频可以划分为多个样本,具体形式如图8所示。
图8中可以看出,相邻的样本之间会有部分重叠,这样做一方面是为了增加样本数量,另一方面是训练后的模型在实际使用过程中,水声信号片段会持续不断的输入到模型中,每次输入均对应由一个输出。
需要注意的是,具体实施方式仅仅是对本发明技术方案的解释和说明,不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的,仍应落入本发明的保护范围内。

Claims (5)

1.一种基于快速循环单元的水下目标探测方法,其特征在于包括以下步骤:
步骤一:获取目标噪声样本,构建样本数据集;
步骤二:对目标噪声样本进行分帧和打标签处理;
步骤三:设定超参数,构建循环神经网络模型,并利用样本数据集训练构建好的循环神经网络模型,所述超参数包含卷积层中卷积核的尺寸、数量和步长,以及循环单元和全连接层中神经元的数量;
步骤四:利用构建好的循环神经网络模型中的卷积层对噪声样本进行特征提取;
步骤五:对特征提取后的样本进行特征图通道的加权过滤操作,所述加权过滤操作如下:首先通过对卷积层输出的特征矩阵进行逐通道全局卷积操作并经过多个全连接层来获得每个特征通道的权重,然后对每个特征通道进行加权过滤操作;
步骤六:利用循环神经网络模型对每一帧的特征在时序维度进行特征联合;
步骤七:通过全连接层进行二分类得到探测结果;
所述循环神经网络模型由快速循环单元构成,所述快速循环单元由遗忘门、更新门和输出门组成,每个门结构包括多个神经元,当前输入经过神经元和相应的激活函数来计算对应门结构的输出;
其中,遗忘门用于修改前一时刻输出的循环单元内部状态Ct-1;
更新门用于向循环单元内部状态中添加当前输入的信息,并结合遗忘门得到当前时刻的内部状态Ct,
输出门用于根据当前时刻的输入信息和内部状态得到输出,同样利用一组神经元和激活函数进行计算,输出门的输出与Ct相乘得到当前时刻的输出ht。
2.根据权利要求1所述的一种基于快速循环单元的水下目标探测方法,其特征在于:所述步骤五中加权过滤操作的详细步骤为:
步骤五一:输入矩阵经过卷积操作后得到n*c的特征矩阵,c为通道数,n为一种超参数;
步骤五二:按通道进行全局卷积操作,输出一个1*c的张量;
步骤五三:全局卷积的输出张量通过全连接层将多个特征通道进行联系;
步骤五四:利用Relu与Tanh函数的复合函数对全连接层的输出进行激活;
步骤五五:通过矩阵乘法操作为每个特征通道进行加权。
3.根据权利要求2所述的一种基于快速循环单元的水下目标探测方法,其特征在于:所述步骤五四中利用Relu与Tanh函数的复合函数对全连接层的输出进行激活,其函数式为:
Relu(x)=max(0,x)
Figure FDA0002334739610000021
Activation(x)=α*Tanh(β*Relu(x))
其中,x表示特征图加权过滤层中全连接层的输出,α和β为参数。
4.根据权利要求3所述的一种基于快速循环单元的水下目标探测方法,其特征在于:所述内部状态Ct的更新公式为:
ft=σ(wfxt+bf)
ut=Tanh(wuxt+bu)
ct=ft⊙ct-1+(1-ft)⊙ut
上式中,wf和wg分别为遗忘门和更新门神经元的参数矩阵,bf和bu为偏置矩阵,ft为遗忘门的输出,gt为更新门的输出。
5.根据权利要求4所述的一种基于快速循环单元的水下目标探测方法,其特征在于:所述当前时刻的输出ht的公式为:
ot=σ(woxt+bo)
ht=ot⊙Tanh(ct)
上式中,wo为输出门神经元的参数矩阵,bo为偏置矩阵,ot为输出门的输出。
CN201911351335.7A 2019-12-24 2019-12-24 一种基于快速循环单元的水下目标探测方法 Active CN111008674B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911351335.7A CN111008674B (zh) 2019-12-24 2019-12-24 一种基于快速循环单元的水下目标探测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911351335.7A CN111008674B (zh) 2019-12-24 2019-12-24 一种基于快速循环单元的水下目标探测方法

Publications (2)

Publication Number Publication Date
CN111008674A true CN111008674A (zh) 2020-04-14
CN111008674B CN111008674B (zh) 2022-05-03

Family

ID=70117231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911351335.7A Active CN111008674B (zh) 2019-12-24 2019-12-24 一种基于快速循环单元的水下目标探测方法

Country Status (1)

Country Link
CN (1) CN111008674B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108170529A (zh) * 2017-12-26 2018-06-15 北京工业大学 一种基于长短期记忆网络的云数据中心负载预测方法
CN108254741A (zh) * 2018-01-16 2018-07-06 中国人民解放军海军航空大学 基于循环神经网络的目标航迹预测方法
CN109190666A (zh) * 2018-07-30 2019-01-11 北京信息科技大学 基于改进的深度神经网络的花卉图像分类方法
CN109376720A (zh) * 2018-12-19 2019-02-22 杭州电子科技大学 基于关节点时空简单循环网络和注意力机制的动作分类方法
CN109661361A (zh) * 2016-09-09 2019-04-19 宝洁公司 用于创建成品的轨道系统
US20190122101A1 (en) * 2017-10-20 2019-04-25 Asapp, Inc. Fast neural network implementations by increasing parallelism of cell computations
CN109993280A (zh) * 2019-03-27 2019-07-09 东南大学 一种基于深度学习的水下声源定位方法
CN110322900A (zh) * 2019-06-25 2019-10-11 深圳市壹鸽科技有限公司 一种语音信号特征融合的方法
CN110443448A (zh) * 2019-07-01 2019-11-12 华中科技大学 一种基于双向lstm的飞机机位分类预测方法和系统
CN110491415A (zh) * 2019-09-23 2019-11-22 河南工业大学 一种基于卷积神经网络和简单循环单元的语音情感识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109661361A (zh) * 2016-09-09 2019-04-19 宝洁公司 用于创建成品的轨道系统
US20190122101A1 (en) * 2017-10-20 2019-04-25 Asapp, Inc. Fast neural network implementations by increasing parallelism of cell computations
CN108170529A (zh) * 2017-12-26 2018-06-15 北京工业大学 一种基于长短期记忆网络的云数据中心负载预测方法
CN108254741A (zh) * 2018-01-16 2018-07-06 中国人民解放军海军航空大学 基于循环神经网络的目标航迹预测方法
CN109190666A (zh) * 2018-07-30 2019-01-11 北京信息科技大学 基于改进的深度神经网络的花卉图像分类方法
CN109376720A (zh) * 2018-12-19 2019-02-22 杭州电子科技大学 基于关节点时空简单循环网络和注意力机制的动作分类方法
CN109993280A (zh) * 2019-03-27 2019-07-09 东南大学 一种基于深度学习的水下声源定位方法
CN110322900A (zh) * 2019-06-25 2019-10-11 深圳市壹鸽科技有限公司 一种语音信号特征融合的方法
CN110443448A (zh) * 2019-07-01 2019-11-12 华中科技大学 一种基于双向lstm的飞机机位分类预测方法和系统
CN110491415A (zh) * 2019-09-23 2019-11-22 河南工业大学 一种基于卷积神经网络和简单循环单元的语音情感识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
TAO L 等: "simple recurrent units for highly parallelizable recurrence", 《ARXIV.ORG/1709.02755.PDF》 *
Z WEI 等: "A Method of Underwater Acoustic Signal Classification Based on Deep Neural Network", 《2018 5TH INTERNATIONAL CONFERENCE ON INFORMATION SCIENCE AND CONTROL ENGINEERING》 *
王念滨 等: "基于卷积神经网络的水下目标特征提取方法", 《系统工程与电子技术》 *
程锦盛: "基于深度学习方法的水下目标识别技术研究", 《中国优秀硕士学位论文全文数据库 社会科学Ⅰ辑》 *
顾正浩: "面向水下目标识别的卷积神经网络优化方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Also Published As

Publication number Publication date
CN111008674B (zh) 2022-05-03

Similar Documents

Publication Publication Date Title
CN109993280B (zh) 一种基于深度学习的水下声源定位方法
CN110807365A (zh) 一种基于gru与一维cnn神经网络融合的水下目标识别方法
Ibrahim et al. Automatic classification of grouper species by their sounds using deep neural networks
Adavanne et al. Multichannel sound event detection using 3D convolutional neural networks for learning inter-channel features
CN108596327B (zh) 一种基于深度学习的地震速度谱人工智能拾取方法
US20180247199A1 (en) Method and apparatus for multi-dimensional sequence prediction
CN109471074B (zh) 基于奇异值分解与一维cnn网络的雷达辐射源识别方法
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
Ding et al. Adaptive multi-scale detection of acoustic events
Postaire et al. A fast algorithm for nonparametric probability density estimation
CN112766308A (zh) 一种远洋船舶分类方法
Belghith et al. Acoustic diversity classifier for automated marine big data analysis
CN106526565A (zh) 一种基于支持向量机的单比特空间谱估计方法
Mustika et al. Comparison of keras optimizers for earthquake signal classification based on deep neural networks
Tuncer et al. A novel spiral pattern and 2D M4 pooling based environmental sound classification method
Hamza et al. Intelligent Slime Mould Optimization with Deep Learning Enabled Traffic Prediction in Smart Cities.
CN111008674B (zh) 一种基于快速循环单元的水下目标探测方法
Badran et al. Wind ambiguity removal by the use of neural network techniques
CN117390506A (zh) 一种基于网格编码与TextRCNN的船舶路径分类方法
Hou et al. SEA-net: sequence attention network for seismic event detection and phase arrival picking
CN116343825A (zh) 一种基于样本映射的少样本水声目标识别方法
CN115329821A (zh) 一种基于配对编码网络和对比学习的舰船噪声识别方法
CN114818789A (zh) 一种基于数据增强的船舶辐射噪声识别方法
Heghedus PhD forum: Forecasting public transit using neural network models
Hachicha Belghith et al. Acoustic Diversity Classification Using Machine Learning Techniques: Towards Automated Marine Big Data Analysis

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