CN111931820A - 一种基于卷积残差网络的水中目标辐射噪声lofar谱图线谱提取方法 - Google Patents
一种基于卷积残差网络的水中目标辐射噪声lofar谱图线谱提取方法 Download PDFInfo
- Publication number
- CN111931820A CN111931820A CN202010680580.9A CN202010680580A CN111931820A CN 111931820 A CN111931820 A CN 111931820A CN 202010680580 A CN202010680580 A CN 202010680580A CN 111931820 A CN111931820 A CN 111931820A
- Authority
- CN
- China
- Prior art keywords
- convolution
- lofar
- branch
- spectrogram
- lofar spectrogram
- 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.)
- Pending
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 63
- 238000000605 extraction Methods 0.000 title claims abstract description 30
- 230000005855 radiation Effects 0.000 title claims abstract description 26
- 235000006506 Brasenia schreberi Nutrition 0.000 title claims description 5
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 230000003595 spectral effect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000007230 neural mechanism Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- 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
Abstract
本发明公开了一种基于卷积残差网络的水中目标辐射噪声LOFAR谱图线谱提取方法,包括如下步骤:构建LOFAR谱图训练数据集,对水声目标数据进行处理,生成带标签LOFAR谱图样本;针对LOFAR谱图特点,构建卷积残差回归网络模型;基于已有带标签LOFAR谱图数据对卷积残差回归网络模型开展训练;对未知水声目标噪声LOFAR谱图进行线谱提取,基于已经训练的卷积残差回归网络模型对各自对应频段LOFAR谱图进行处理。本发明的有益效果为:本发明使用卷积残差网络算法对高维水中目标辐射噪声LOFAR谱图进行线谱序列提取,具有更强的非线性数据处理能力,与真实LOFAR谱图特征更加适配,能够对线谱序列进行有效提取。该方法应用于仿真水中目标辐射噪声LOFAR谱图线谱特征提取,取得较好的效果。
Description
技术领域
本发明属于水中目标特征提取优化与人工智能技术领域,具体涉及一种基于卷积残差网络的水中目标辐射噪声LOFAR谱图线谱提取方法。
背景技术
被动目标识别技术主要利用声纳接收的被动目标辐射噪声信号和其他传感器信息判别目标类型,可为声纳员提供目标特征信息,是进行综合决策的重要依据。当前,水下目标探测与识别是海军武器装备现代化发展的重要研究方向,也是声纳和武器系统智能化的关键技术之一。
被动目标识别技术的核心是对目标声信号特征的提取和表达,综合目前国内外的研究现状,线谱特征是水声目标噪声中最重要的可鉴别性特征之一,线谱频率和强度能够反映目标本身结构特点,具有较明显的物理含义。因此,线谱特征在目前的被动水声目标识别中得到了广泛应用。传统线谱特征提取一般通过观察LOFAR谱变化趋势并基于信号处理手段提取极值得到。受水声目标的发声机理复杂多样、海洋信道复杂时变空变性、多目标和平台噪声干扰严重等影响,声纳目标噪声信号通常信噪比较低并且受周围环境综合影响大,线谱往往发生扭曲、中断、漂移等现象,在强度较低时线谱还常常被淹没在背景噪声中,严重影响了传统方法对线谱提取的性能。
近年来,以深度学习为代表的人工智能技术飞速发展,而卷积神经网络是最受到关注的深度学习方法之一,在图像信息抽取与识别、视频目标跟踪等方面得到了广泛应用。卷积神经网络最初是受到视觉系统的神经机制的启发,针对二维形状识别而设计的一种多层感知器,可以用来识别位移、缩放及其他形式扭曲不变性的二维图形,其基本结构由卷积层和池化(下采样)层组成。目前,围绕改进卷积策略和加深卷积层数量等研究方向,出现了众多深层卷积神经网络优化方法,如Alexnet网络,牛津大学提出的VGG网络,谷歌提出的Inception模型,微软的卷积残差网络模型等。其中卷积残差网络直接将输入信息绕道传至输出端和卷积特征进行累加,从而构建残差结构,解决了极深层神经网络的训练问题。卷积残差网络自提出以来,以其优异的复杂深度网络构建能力引起了国内外的极大关注,在复杂非线性拟合与分类问题上得到了广泛研究与应用。
发明内容
本发明针对传统方法对水中目标辐射噪声LOFAR谱图弱线谱提取稳定性差的不足,而提供一种基于卷积残差网络的水中目标辐射噪声LOFAR谱图线谱提取方法,首次将深度学习中的卷积残差网络应用于线谱特征提取,通过卷积残差回归网络极深层结构的强大非线性计算能力从LOFAR谱图中抽取出深层次特征,实现线谱序列的宽容性提取。
本发明的目的是通过如下技术方案来完成的。一种基于卷积残差网络的水中目标辐射噪声LOFAR谱图线谱提取方法,该方法包括如下步骤:
(1.1)、构建LOFAR谱图训练数据集,对水声目标数据进行处理,生成带标签LOFAR谱图样本;
(1.2)、针对LOFAR谱图特点,构建卷积残差回归网络模型;
(1.3)、基于已有带标签LOFAR谱图数据对卷积残差回归网络模型开展训练,完成卷积残差回归网络模型;
(1.4)、对未知水声目标噪声LOFAR谱图进行线谱提取,基于已经训练的卷积残差回归网络模型对各自对应频段LOFAR谱图进行处理,得到各频段线谱提取结果并进行综合,得到最终线谱提取结果。
更进一步的,构建LOFAR谱图训练数据集,基本过程如下:
(2.1)对水中目标辐射噪声进行预处理,生成按批次滚动的LOFAR谱图,LOFAR谱图频率分辨率为 0.1Hz,谱图显示批次为150批,按频率将LOFAR谱图切分为150×400尺寸的若干LOFAR谱图子块;
(2.2)每隔50批次数据刷新后生成一批LOFAR谱图样本并存储于4维矩阵中;
(2.3)对LOFAR谱图样本进行线谱序列标注,生成标签,进而对样本进行遴选,剔除难以标注的样本,得到该目标各频段的LOFAR谱图样本集;
(2.4)按以上步骤对其他水声目标数据进行处理,生成更多带标签LOFAR谱图样本。
更进一步的,基于TensorFlow框架构建深层卷积残差回归网络模型,基本过程如下:
(3.1)构建3个基本模块,具体构建方式如下:
(3.1.1)构建基本模块1,在数据输入层之后添加2个并行分支;分支1包括2个卷积层,卷积层1参数为(1×3,128,1),即卷积核尺寸为1×3,卷积核数量为128,卷积步长为1,表示方法下同;卷积层2的参数为(3×1,256,1),分支2为直接分支,仅添加卷积核尺寸为1×1的卷积操作,用于匹配分支1的输出通道数量,即分支2卷积层参数为(1×1,256,1);
(3.1.2)构建基本模块2,在数据输入层之后添加2个并行分支;分支1包括3个卷积层,卷积层参数分别为(1×1,256,1),(3×3,256,1)和(1×1,512,1),分支2为直接分支,仅添加匹配分支1的输出通道数的卷积层,参数为(1×1,512,1);
(3.1.3)构建基本模块3,在数据输入层之后添加2个并行分支;分支1包括4个卷积层,卷积层参数分别为(1×1,512,1),(1×5,512,1),(5×1,512,1)和(1×1,1024,1);分支2为直接分支,仅添加匹配分支1的输出通道数的卷积层,参数为(1×1,1024,1);
(3.2)构建整个卷积残差回归网络,其具体构建方式如下:添加数据输入层,输入数据尺寸为 150×400×1;依次添加卷积-池化-卷积-池化-卷积层,参数分别为(5×5,32,1)、(3×3,2)、(3×3,64,1)、(3×3,2) 和(3×3,128,1);添加3个模块3;添加池化层,参数为(2×2,256,2);添加8个模块2;添加池化层,参数为 (2×2,512,2);添加5个模块2;添加池化层,参数为(2×2,512,2);添加5个模块1;添加池化层,参数为 (2×2,1024,2);添加全局平均池化层;添加Dropout层;添加全连接层,输出线谱提取结果;
(3.3)在每次卷积操作中,激活函数采用ReLU函数。
更进一步的,对建立的卷积残差回归网络模型进行训练,基本过程如下:
(4.1)记用于训练的某频段水中目标辐射噪声LOFAR谱图样本集为ximg,基于ximg对卷积残差网络进行训练,方法为每次从ximg中随机抽取一个训练数据块并对卷积残差网络进行自下而上的正向计算,每个数据块包含48个样本,以基本模块1为例,设定输入数据为xf,则该模块输出数据为
xout=σReLU(W2(σReLU(W1xf+b1))+b2+Wsxf) (1)
式中,W1为分支1卷积层1权系数矩阵,b1为分支1卷积层1偏置向量,W2为分支1卷积层2权系数矩阵,b2为分支1卷积层2偏置向量,Ws为分支2匹配系数,σReLU为RuLU函数;
按上述方法对卷积残差回归网络进行正向计算,得到卷积残差网络输出结果yC;
(4.2)记ximg数据标签为yS,采用最小均方差方法构建输出结果yC与标签yS之间的损失函数J
式中,m为样本数量;
(4.3)设定迭代训练时的优化器、学习速率、训练次数参数,采用梯度下降算法最小化代价函数J;
(4.4)根据以上步骤对通过反复迭代优化,完成对卷积残差回归网络的训练;
(4.5)按以上方式完成针对其他频段LOFAR谱图线谱提取的卷积残差网络训练。
本发明的有益效果为:本发明使用卷积残差网络算法对高维水中目标辐射噪声LOFAR谱图进行线谱序列提取,与神经网络、支持向量机等传统机器学习方法相比,具有更强的非线性数据处理能力,与真实 LOFAR谱图特征更加适配,能够对线谱序列进行有效提取。该方法应用于仿真水中目标辐射噪声LOFAR 谱图线谱特征提取,取得较好的效果。
附图说明
图1所示为信号处理流程图,其中包括水中目标辐射噪声训练数据集构建、卷积残差回归网络模型构建与训练、LOFAR谱图线谱提取应用三部分,在“具体实现方法”中详细描述了整个信号处理过程。
图2所示为本发明中卷积残差回归网络构建时所用的3种基本模块。图2(a)所示基本模块包含两个相同输出通道数的卷积层,卷积核尺寸分别为1×3和3×1。图2(b)所示的基本模块中前后两卷积层都采用1×1 卷积核,中间卷积层采用3×3卷积核。图2(c)所示的基本模块中起始和终止卷积层都为1×1卷积核,中间两层卷积层分别采用1×5和5×1卷积核。为原始数据直连输入时的权重系数,可以使直接数据通道数和各卷积层输出特征的通道数量相匹配。各卷积层均采用ReLU函数作为激活函数。
图3是本发明的流程示意图。
图4所示为基于某极深层卷积残差回归网络模型对某低信噪比仿真LOFAR谱图进行线谱特征提取的结果,其中图4(a)为送入卷积残差网络模型的LOFAR谱图,图4(b)所示为LOFAR谱图中的真实线谱序列,图4(c)所示为线谱提取结果,其中卷积残差网络模型已基于大量带标签仿真LOFAR谱图数据进行训练。可以看到,提取的线谱序列与真实值非常接近,这说明将卷积残差网络方法用于水声目标噪声LOFAR谱图线谱提取具有较强可行性。
具体实施方式
下面将结合附图和实施例对本发明做详细的介绍:
如图所示,本发明公开了一种基于卷积残差网络的水中目标辐射噪声LOFAR谱图线谱提取方法,该方法包括如下步骤:
(1)构建水中目标辐射噪声LOFAR谱图训练数据集,基本过程如下:
(1.1)对水中目标辐射噪声进行预处理,生成按批次滚动的LOFAR谱图,LOFAR谱图频率分辨率为 0.1Hz,谱图显示批次为150批,按频率将LOFAR谱图切分为150×400尺寸的若干LOFAR谱图子块。
(1.2)每隔50批次数据刷新后生成一批LOFAR谱图样本并存储于4维矩阵中。
(1.3)对LOFAR谱图样本进行线谱序列标注,生成标签,进而对样本进行遴选,剔除难以标注的样本,得到该目标各频段的LOFAR谱图样本集。
(1.4)按以上步骤对其他水声目标数据进行处理,生成更多带标签LOFAR谱图样本。
(2)基于TensorFlow框架构建深层卷积残差回归网络模型,基本过程如下:
(2.1)构建3个基本模块,具体构建方式如下。
(2.1.1)构建基本模块1,在数据输入层之后添加2个并行分支。分支1包括2个卷积层,卷积层1参数为(1×3,128,1),即卷积核尺寸为1×3,卷积核数量为128,卷积步长为1,表示方法下同。卷积层2的参数为(3×1,256,1)。分支2为直接分支,仅添加卷积核尺寸为1×1的卷积操作,用于匹配分支1的输出通道数量,即分支2卷积层参数为(1×1,256,1)。
(2.1.2)构建基本模块2,在数据输入层之后添加2个并行分支。分支1包括3个卷积层,卷积层参数分别为(1×1,256,1),(3×3,256,1)和(1×1,512,1)。分支2为直接分支,仅添加匹配分支1的输出通道数的卷积层,参数为(1×1,512,1)。
(2.1.3)构建基本模块3,在数据输入层之后添加2个并行分支。分支1包括4个卷积层,卷积层参数分别为(1×1,512,1),(1×5,512,1),(5×1,512,1)和(1×1,1024,1)。分支2为直接分支,仅添加匹配分支1的输出通道数的卷积层,参数为(1×1,1024,1)。
(2.2)构建整个卷积残差回归网络,其具体构建方式如下。添加数据输入层,输入数据尺寸为 150×400×1;依次添加卷积-池化-卷积-池化-卷积层,参数分别为(5×5,32,1)、(3×3,2)、(3×3,64,1)、(3×3,2) 和(3×3,128,1);添加3个模块3;添加池化层,参数为(2×2,256,2);添加8个模块2;添加池化层,参数为 (2×2,512,2);添加5个模块2;添加池化层,参数为(2×2,512,2);添加5个模块1;添加池化层,参数为 (2×2,1024,2);添加全局平均池化层;添加Dropout层;添加全连接层,输出线谱提取结果。
(2.3)在每次卷积操作中,激活函数采用ReLU函数。
表1所示为卷积残差回归网络构建方案,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,最终输出特征为1×400尺寸的序列。
表1
(3)对建立的卷积残差回归网络模型进行训练,基本过程如下:
(3.1)记用于训练的某频段水中目标辐射噪声LOFAR谱图样本集为ximg。基于ximg对卷积残差网络进行训练,方法为每次从ximg中随机抽取一个训练数据块并对卷积残差网络进行自下而上的正向计算,每个数据块包含48个样本。以图2(a)所示的基本模块1为例,设定输入数据为xf,则该模块输出数据为
xout=σReLU(W2(σReLU(W1xf+b1))+b2+Wsxf) (1)
式中,W1为分支1卷积层1权系数矩阵,b1为分支1卷积层1偏置向量,W2为分支1卷积层2权系数矩阵,b2为分支1卷积层2偏置向量,Ws为分支2匹配系数,σReLU为RuLU函数;
按上述方法对卷积残差回归网络进行正向计算,得到卷积残差网络输出结果yC。
(3.2)记ximg数据标签为yS,采用最小均方差方法构建输出结果yC与标签yS之间的损失函数J
式中,m为样本数量;
(3.3)设定迭代训练时的优化器、学习速率、训练次数等参数,采用梯度下降算法最小化代价函数J。
(3.4)根据以上步骤对通过反复迭代优化,完成对卷积残差回归网络的训练。
(3.5)按以上方式完成针对其他频段LOFAR谱图线谱提取的卷积残差网络训练。
(4)对未知水声目标噪声LOFAR谱图进行线谱提取,基于已经训练的卷积残差回归网络模型对各自对应频段LOFAR谱图进行处理,得到各频段线谱提取结果并进行综合,得到最终线谱提取结果。
本发明针对水中目标辐射噪声LOFAR谱图信噪比低、弱线谱特征直接提取困难等局限,应用目前的先进智能化信息处理技术,构建具有极深层结构的卷积残差回归网络模型,充分挖掘与学习LOFAR谱图数据线谱特征,建立LOFAR谱图与线谱特征之间的复杂非线性关系,从而实现宽容性线谱提取,是人工智能算法在水声信号处理领域应用的创新方法。
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)
1.一种基于卷积残差网络的水中目标辐射噪声LOFAR谱图线谱提取方法,其特征在于:该方法包括如下步骤:
(1.1)、构建LOFAR谱图训练数据集,对水声目标数据进行处理,生成带标签LOFAR谱图样本;
(1.2)、针对LOFAR谱图特点,构建卷积残差回归网络模型;
(1.3)、基于已有带标签LOFAR谱图数据对卷积残差回归网络模型开展训练,完成卷积残差回归网络模型;
(1.4)、对未知水声目标噪声LOFAR谱图进行线谱提取,基于已经训练的卷积残差回归网络模型对各自对应频段LOFAR谱图进行处理,得到各频段线谱提取结果并进行综合,得到最终线谱提取结果。
2.根据权利要求1所述的基于卷积残差网络的水中目标辐射噪声LOFAR谱图线谱提取方法,其特征在于:构建LOFAR谱图训练数据集,基本过程如下:
(2.1)对水中目标辐射噪声进行预处理,生成按批次滚动的LOFAR谱图,LOFAR谱图频率分辨率为0.1Hz,谱图显示批次为150批,按频率将LOFAR谱图切分为150×400尺寸的若干LOFAR谱图子块;
(2.2)每隔50批次数据刷新后生成一批LOFAR谱图样本并存储于4维矩阵中;
(2.3)对LOFAR谱图样本进行线谱序列标注,生成标签,进而对样本进行遴选,剔除难以标注的样本,得到该目标各频段的LOFAR谱图样本集;
(2.4)按以上步骤对其他水声目标数据进行处理,生成更多带标签LOFAR谱图样本。
3.根据权利要求1所述的基于卷积残差网络的水中目标辐射噪声LOFAR谱图线谱提取方法,其特征在于:基于TensorFlow框架构建深层卷积残差回归网络模型,基本过程如下:
(3.1)构建3个基本模块,具体构建方式如下:
(3.1.1)构建基本模块1,在数据输入层之后添加2个并行分支;分支1包括2个卷积层,卷积层1参数为(1×3,128,1),即卷积核尺寸为1×3,卷积核数量为128,卷积步长为1,表示方法下同;卷积层2的参数为(3×1,256,1),分支2为直接分支,仅添加卷积核尺寸为1×1的卷积操作,用于匹配分支1的输出通道数量,即分支2卷积层参数为(1×1,256,1);
(3.1.2)构建基本模块2,在数据输入层之后添加2个并行分支;分支1包括3个卷积层,卷积层参数分别为(1×1,256,1),(3×3,256,1)和(1×1,512,1),分支2为直接分支,仅添加匹配分支1的输出通道数的卷积层,参数为(1×1,512,1);
(3.1.3)构建基本模块3,在数据输入层之后添加2个并行分支;分支1包括4个卷积层,卷积层参数分别为(1×1,512,1),(1×5,512,1),(5×1,512,1)和(1×1,1024,1);分支2为直接分支,仅添加匹配分支1的输出通道数的卷积层,参数为(1×1,1024,1);
(3.2)构建整个卷积残差回归网络,其具体构建方式如下:添加数据输入层,输入数据尺寸为150×400×1;依次添加卷积-池化-卷积-池化-卷积层,参数分别为(5×5,32,1)、(3×3,2)、(3×3,64,1)、(3×3,2)和(3×3,128,1);添加3个模块3;添加池化层,参数为(2×2,256,2);添加8个模块2;添加池化层,参数为(2×2,512,2);添加5个模块2;添加池化层,参数为(2×2,512,2);添加5个模块1;添加池化层,参数为(2×2,1024,2);添加全局平均池化层;添加Dropout层;添加全连接层,输出线谱提取结果;
(3.3)在每次卷积操作中,激活函数采用ReLU函数。
4.根据权利要求1所述的基于卷积残差网络的水中目标辐射噪声LOFAR谱图线谱提取方法,其特征在于:对建立的卷积残差回归网络模型进行训练,基本过程如下:
(4.1)记用于训练的某频段水中目标辐射噪声LOFAR谱图样本集为ximg,基于ximg对卷积残差网络进行训练,方法为每次从ximg中随机抽取一个训练数据块并对卷积残差网络进行自下而上的正向计算,每个数据块包含48个样本,以基本模块1为例,设定输入数据为xf,则该模块输出数据为
xout=σReLU(W2(σReLU(W1xf+b1))+b2+Wsxf) (1)
式中,W1为分支1卷积层1权系数矩阵,b1为分支1卷积层1偏置向量,W2为分支1卷积层2权系数矩阵,b2为分支1卷积层2偏置向量,Ws为分支2匹配系数,σReLU为RuLU函数;
按上述方法对卷积残差回归网络进行正向计算,得到卷积残差网络输出结果yC;
(4.2)记ximg数据标签为yS,采用最小均方差方法构建输出结果yC与标签yS之间的损失函数J
式中,m为样本数量;
(4.3)设定迭代训练时的优化器、学习速率、训练次数参数,采用梯度下降算法最小化代价函数J;
(4.4)根据以上步骤对通过反复迭代优化,完成对卷积残差回归网络的训练;
(4.5)按以上方式完成针对其他频段LOFAR谱图线谱提取的卷积残差网络训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010680580.9A CN111931820A (zh) | 2020-07-15 | 2020-07-15 | 一种基于卷积残差网络的水中目标辐射噪声lofar谱图线谱提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010680580.9A CN111931820A (zh) | 2020-07-15 | 2020-07-15 | 一种基于卷积残差网络的水中目标辐射噪声lofar谱图线谱提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111931820A true CN111931820A (zh) | 2020-11-13 |
Family
ID=73312443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010680580.9A Pending CN111931820A (zh) | 2020-07-15 | 2020-07-15 | 一种基于卷积残差网络的水中目标辐射噪声lofar谱图线谱提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931820A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836569A (zh) * | 2020-12-15 | 2021-05-25 | 泰山学院 | 基于序列卷积网络的水声通信信号识别方法、系统及设备 |
CN113205050A (zh) * | 2021-05-09 | 2021-08-03 | 西北工业大学 | 一种基于gru-ae网络的舰船辐射噪声线谱提取方法 |
CN113627073A (zh) * | 2021-07-01 | 2021-11-09 | 武汉大学 | 一种基于改进的Unet++网络的水下航行器流场结果预测方法 |
CN113673323A (zh) * | 2021-07-13 | 2021-11-19 | 中国船舶重工集团公司第七一五研究所 | 一种基于多深度学习模型联合判决体制的水中目标识别方法 |
CN115512204A (zh) * | 2022-09-28 | 2022-12-23 | 中国舰船研究设计中心 | 一种基于U-net网络的线谱干扰自动检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109269547A (zh) * | 2018-07-12 | 2019-01-25 | 哈尔滨工程大学 | 基于线谱的水下目标舰船检测方法 |
CN110287770A (zh) * | 2019-05-10 | 2019-09-27 | 中国船舶重工集团公司第七一五研究所 | 一种基于卷积神经网络的水中个体目标匹配识别方法 |
-
2020
- 2020-07-15 CN CN202010680580.9A patent/CN111931820A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109269547A (zh) * | 2018-07-12 | 2019-01-25 | 哈尔滨工程大学 | 基于线谱的水下目标舰船检测方法 |
CN110287770A (zh) * | 2019-05-10 | 2019-09-27 | 中国船舶重工集团公司第七一五研究所 | 一种基于卷积神经网络的水中个体目标匹配识别方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836569A (zh) * | 2020-12-15 | 2021-05-25 | 泰山学院 | 基于序列卷积网络的水声通信信号识别方法、系统及设备 |
CN112836569B (zh) * | 2020-12-15 | 2023-01-03 | 泰山学院 | 基于序列卷积网络的水声通信信号识别方法、系统及设备 |
CN113205050A (zh) * | 2021-05-09 | 2021-08-03 | 西北工业大学 | 一种基于gru-ae网络的舰船辐射噪声线谱提取方法 |
CN113205050B (zh) * | 2021-05-09 | 2023-05-26 | 西北工业大学 | 一种基于gru-ae网络的舰船辐射噪声线谱提取方法 |
CN113627073A (zh) * | 2021-07-01 | 2021-11-09 | 武汉大学 | 一种基于改进的Unet++网络的水下航行器流场结果预测方法 |
CN113627073B (zh) * | 2021-07-01 | 2023-09-19 | 武汉大学 | 一种基于改进的Unet++网络的水下航行器流场结果预测方法 |
CN113673323A (zh) * | 2021-07-13 | 2021-11-19 | 中国船舶重工集团公司第七一五研究所 | 一种基于多深度学习模型联合判决体制的水中目标识别方法 |
CN113673323B (zh) * | 2021-07-13 | 2023-10-27 | 中国船舶重工集团公司第七一五研究所 | 一种基于多深度学习模型联合判决体制的水中目标识别方法 |
CN115512204A (zh) * | 2022-09-28 | 2022-12-23 | 中国舰船研究设计中心 | 一种基于U-net网络的线谱干扰自动检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111931820A (zh) | 一种基于卷积残差网络的水中目标辐射噪声lofar谱图线谱提取方法 | |
CN106910176B (zh) | 一种基于深度学习的人脸图像去遮挡方法 | |
CN109993280A (zh) | 一种基于深度学习的水下声源定位方法 | |
CN109931506A (zh) | 管道泄露检测方法及装置 | |
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 | |
CN110163108A (zh) | 基于双路径特征融合网络的鲁棒声呐目标检测方法 | |
CN109655815B (zh) | 基于ssd的声呐目标检测方法 | |
CN110287770B (zh) | 一种基于卷积神经网络的水中个体目标匹配识别方法 | |
CN115602152B (zh) | 一种基于多阶段注意力网络的语音增强方法 | |
Sun et al. | Underwater single-channel acoustic signal multitarget recognition using convolutional neural networks | |
CN109269547A (zh) | 基于线谱的水下目标舰船检测方法 | |
Xie et al. | Adaptive ship-radiated noise recognition with learnable fine-grained wavelet transform | |
Li et al. | Data augmentation method for underwater acoustic target recognition based on underwater acoustic channel modeling and transfer learning | |
Wang et al. | Self-supervised acoustic representation learning via acoustic-embedding memory unit modified space autoencoder for underwater target recognition | |
CN113435276A (zh) | 一种基于对抗残差网络的水声目标识别方法 | |
CN111539434B (zh) | 基于相似度的红外弱小目标检测方法 | |
CN112465923A (zh) | 一种基于条件生成式对抗网络的水下气泡图像生成方法 | |
CN116593980B (zh) | 雷达目标识别模型训练方法、雷达目标识别方法及装置 | |
CN111724410A (zh) | 一种基于残余注意力的目标跟踪方法 | |
Zhao et al. | A target detection algorithm for remote sensing images based on a combination of feature fusion and improved anchor | |
Zhang et al. | MSLEFC: A low-frequency focused underwater acoustic signal classification and analysis system | |
CN115273814A (zh) | 伪语音检测方法、装置、计算机设备和存储介质 | |
CN115272865A (zh) | 一种基于自适应激活函数和注意力机制的目标检测方法 | |
CN113673323A (zh) | 一种基于多深度学习模型联合判决体制的水中目标识别方法 | |
Su et al. | An Identification Method of Apple Leaf Disease Based on Transfer Learning |
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 |