CN113095381A - 一种基于改进型dbn的水声目标辨识方法及系统 - Google Patents
一种基于改进型dbn的水声目标辨识方法及系统 Download PDFInfo
- Publication number
- CN113095381A CN113095381A CN202110333877.2A CN202110333877A CN113095381A CN 113095381 A CN113095381 A CN 113095381A CN 202110333877 A CN202110333877 A CN 202110333877A CN 113095381 A CN113095381 A CN 113095381A
- Authority
- CN
- China
- Prior art keywords
- layer
- dbn
- network
- improved
- training
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 59
- 230000008569 process Effects 0.000 claims abstract description 19
- 230000005855 radiation Effects 0.000 claims abstract description 19
- 238000001228 spectrum Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 60
- 239000013598 vector Substances 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 22
- 230000000007 visual effect Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000006872 improvement Effects 0.000 description 9
- 230000007123 defense Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/045—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/048—Activation functions
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于改进型DBN的水声目标辨识方法及系统：方法包括获取水声目标实际辐射噪声信号，并经过快速傅里叶变换后得到频谱数据；基于频谱数据通过保存好参数后的改进型DBN网络模型的三层堆叠RBM及全连接层计算得到各类别特征值，将特征值经softmax分类器转换为每类概率；根据类别对应标签值，输出概率值最大的类别标签，并输出类别名称。水声目标辨识方法引入隐含层输出和标签信息的交叉熵，改进DBN网络训练的目标函数，解决无监督预训练过程中的分类信息模糊问题，削弱海洋环境噪声的影响，在辨识速度足够的条件下提高辨识准确率。
Description
技术领域
本发明属于水声目标检测与识别领域，具体涉及一种基于改进型DBN的水声目标辨识方法及系统。
背景技术
近年来，由于计算力的提升及神经网络训练、优化算法的改进，深度学习的方法被广泛应用到水下目标识别中。深度学习在水声目标探测识别中的潜力巨大：与浅层模型相比，深度学习模型可以通过模拟大脑学习过程，刻画水声目标数据丰富的内在信息，最终提升识别精度。因此，为提高国防实力，选择最佳对抗方案快速有效地探测与防御水声目标的进攻，夺取战场先机，开展水声目标智能辨识研究势在必行。
有效的水声对抗技术需要系统的快速反应能力和正确决策能力，也即需要高的辨识速度以及高的辨识准确率。传统的深度置信网络(Deep BeliefNetwork，DBN)分为无监督预训练和有监督反向调参两个阶段，但无监督预训练的过程容易陷入分类信息模糊的僵局，尤其应用于水声目标检测与识别领域，在海洋环境噪声较高且繁杂的背景下，易误将不重要的背景噪声信息作为主要分类目标进行区分。
发明内容
本发明的目的在于通过提出一种基于改进型DBN的水声目标辨识方法及系统，水声目标辨识方法解决无监督预训练过程中的分类信息模糊问题，削弱海洋环境噪声的影响，在辨识速度足够的条件下提高辨识准确率。
为达到上述目的，本发明采用了以下技术方案：
一种基于改进型DBN的水声目标辨识方法，包括以下步骤：
获取水声目标实际辐射噪声信号，并经过快速傅里叶变换后得到频谱数据；
基于频谱数据通过保存好参数后的改进型DBN网络模型的三层堆叠RBM及全连接层计算得到各类别特征值，将特征值经softmax分类器转换为每类概率；
根据类别对应标签值，输出概率值最大的类别标签，并输出类别名称。
作为本发明的进一步改进，所述实际辐射噪声信号是通过声纳采集设备采集到的辐射噪声信号。
作为本发明的进一步改进，计算得到各类别特征值具体步骤为：
将频谱数据通过第一层RBM后得到一阶特征激活值，再将其作为第二层RBM的输入，得到二阶特征激活值，再将其作为第三层RBM的输入，得到三阶特征激活值，再将其输入到全连接层，计算得到各类别特征值。
作为本发明的进一步改进，改进型DBN网络模型的建立包括以下步骤：
选取包含不同类别信号的训练集作为网络输入，采用含有三个RBM的DBN网络；
在DBN网络的每个RBM的隐含层上连接一个全连接层，并加上softmax分类器；且将上一层RBM的隐含层作为下一层RBM的输入，依次堆叠形成改进型DBN网络结构；
应用基于引入标签信息的改进型DBN网络训练算法，更新参数后保存得到改进型DBN网络模型。
作为本发明的进一步改进，基于引入标签信息的改进型DBN网络训练算法的预训练步骤具体如下：
DBN网络由多层RBM堆叠而成，而每个RBM都是基于能量的概率分布模型，对于给定的状态向量h和v，RBM此时的能量函数表示为下式(1)：
其矩阵表示为式(2)：
E(v,h)＝-aTv-bTh-vTWh(2)
有了能量函数后，即可求得可视层的特征向量v和隐含层的特征向量h的联合概率分布，如公式(3)：
式中P(v，h)为函数运算目标，表示可视层和隐含层的联合概率分布，其中Z为归一化因子,W是可视层和隐含层之间的权值矩阵，v和h分别为网络可视层和隐含层神经元的取值向量，c和b分别为网络可视层和隐含层神经元的偏置向量，T表示转置；
对于训练集的m个样本，在训练过程中利用对数似然损失函数L作为其目标函数，计算其极小值，即为改进算法之前的目标函数：
引入标签信息，基于引入标签信息的网络训练目标函数为：
F＝L+J(5)
式中，L为函数(4)，J为引入的交叉熵损失函数，其值如下式(6)；其中μ是性能参数；
式中，m为样本个数，t为分类类别数，分别选取性能参数μ＝1,0.8,0.5,0.3,0，li为样本标签值，yi为从隐含层Hs到分类器softmax的输出向量，计算如下式(7)、式(8)：
Us＝f(WuHs+bu)(7)
式中：f(x)为ELU激活函数，Hs＝(h1,h2,…,hn)，Us＝(u1,u2,…,ut)分别为全连接层输入、输出神经元的激活值；Wu，bu为全连接层的权值和偏置；yi为分类器softmax的输出；将分类器的输出与标签信息的交叉熵添加到原始的目标函数中，以该复合损失函数最小为目标对网络进行训练，得到改进DBN网络训练目标函数为：
利用梯度下降法更新权值：
式(10)为权值更新公式，其中，W为训练过程中的权值矩阵，F为目标损失函数，η为其学习速率；同时，偏置也按照同样的方式更新；
至此第一层RBM训练完毕；将数据输出给第二个隐含层，重复上述步骤，训练第二、三层RBM。
作为本发明的进一步改进，基于引入标签信息的改进型DBN网络训练算法还包括对改进型DBN网络模型进行有监督整体微调步骤，具体包括：
将输入特征向量沿输入端传至输出端；
使用反向传播，计算网络的输出结果与带有标签的正确结果的误差，将误差从输出端反向传播至输入端，以整体修正DBN的参数；
利用sigmoid函数作为BP的网络节点的求值函数。
作为本发明的进一步改进，基于引入标签信息的改进型DBN网络训练算法还包括网络测试步骤，其中得到辨识准确率的具体步骤为：
将输出的概率值最大的类别标签与输入的舰船辐射噪声信号对应的真实标签对比，如一致则说明分类正确；统计正确分类数量和总输入分类数量，用正确分类数量除以总输入分类数量，得到辨识准确率并输出。
一种基于改进型DBN的水声目标辨识系统，包括：
获取模块，用于获取实际辐射噪声信号，并经过快速傅里叶变换后得到频谱数据；
计算模块，用于基于频谱数据通过保存好参数后的改进型DBN网络模型的三层堆叠RBM及全连接层计算得到各类别特征值，将特征值经softmax分类器转换为每类概率；
输出模块，用于根据类别对应标签值，输出概率值最大的类别标签，并输出类别名称。
一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述水声目标辨识方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述水声目标辨识方法的步骤。
本发明与现有技术相比，具有以下明显的优势和有益效果：
本发明针对当前水声目标识别在样本难以获取(小样本)、目标辐射噪声与回波强度大幅降低、同时海洋环境噪声大幅提高、水声探测性能时刻改变的条件下面临的辨识准确度不够的问题，对已经不满足国防需求的传统DBN网络结构进行了改进。引入隐含层输出和标签信息的交叉熵，改进DBN网络训练的目标函数，解决无监督预训练过程中的分类信息模糊问题，削弱海洋环境噪声的影响，在辨识速度足够的条件下提高辨识准确率。
进一步，该方法首先针对样本量较少的问题，输入的训练集和测试集均为进行一次快速傅里叶变换的原始水声信号，减少了原始水声信号中信息的损失；同时对比人工提取特征输入的方式，对先验知识的要求低，且泛化能力较高；并且由于其预处理步骤非常少，辨识时速度快，符合快速防御等国防需求。其次，针对传统DBN网络在无监督预训练的过程中易出现的分类模糊问题，引入隐含层输出和标签信息的交叉熵，改进DBN网络训练的目标函数，在辨识速度足够的条件下提高了辨识准确率。
进一步，为解决无监督预训练过程中的分类信息模糊问题，本发明设计了一种引入标签信息的DBN网络，削弱海洋环境背景噪声的影响，在辨识速度足够的条件下提高了辨识准确率。
附图说明
图1水声目标识别方法流程图；
图2改进型DBN中单个受限玻尔兹曼机的结构示意；
图3改进DBN的网络结构；
图4为一种水声目标辨识系统结构示意图；
图5为电子设备结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。所述实施例仅用于解释本发明，而非对本发明保护范围的限制。
结合图1-水声目标识别方法流程图进行说明，一种基于改进型DBN的水声目标辨识方法，包括如下步骤：
1)确定输入对象和初始DBN网络结构。
深度置信网络的训练集和测试集均来自3类水声目标处于不同航行状态时在相应港口由同一声纳采集设备所采集到的辐射噪声信号进行快速傅里叶变换所得到的频谱数据。本发明针对的3类水声目标类别分别为摩托艇、客轮及滚装船。选取三类训练集作为网络输入，每个样本点数为1250，每类400个样本；测试集每类100个样本。采用含有三个隐含层的DBN网络，设置隐含层神经元数为100，输出层为类别数量3。
2)搭建改进型DBN的结构。
请参阅图2和图3所示，为本发明的DBN网络结构及训练原理示意图。改进型DBN网络在每个受限玻尔兹曼机(RBM)的隐含层连接一个全连接层，加上softmax分类器，如图2所示。同时，将上一层受限玻尔兹曼机的隐含层作为下一层受限玻尔兹曼机的输入，依次堆叠形成改进型DBN网络，如图3所示。
3)基于引入标签信息的原无监督训练步骤。
即有监督训练。DBN由多层受限玻尔兹曼机堆叠而成，而每个受限玻尔兹曼机RBM都是基于能量的概率分布模型。对于给定的状态向量h和v，RBM此时的能量函数可表示为下式(1)：
其矩阵表示为式(2)：
E(v,h)＝-aTv-bTh-vTWh(2)
有了能量函数后，即可求得可视层的特征向量v和隐含层的特征向量h的联合概率分布，如公式(3)：
式中P(v，h)为函数运算目标，表示可视层和隐含层的联合概率分布，其中Z为归一化因子,W是可视层和隐含层之间的权值矩阵，v和h分别为网络可视层和隐含层神经元的取值向量，c和b分别为网络可视层和隐含层神经元的偏置向量，T表示转置。
为便于计算，对于训练集的m个样本，在训练过程中利用对数似然损失函数L作为其目标函数，计算其极小值，即为改进算法之前的目标函数：
由于海洋环境噪声的存在，采用传统DBN进行水声目标识别的过程中易陷入分类信息模糊的问题，为削弱在传统DBN中无监督预训练过程中分类信息模糊的问题，如步骤(2的结构所示，引入标签信息。
本发明提出的基于引入标签信息的网络训练目标函数为：
F＝L+J(5)
式中，L为函数(4)，J为本发明引入的交叉熵损失函数，其值如下式(6)。其中μ是性能参数，其值大小通过经验选取，是一个用于平衡重构误差与交叉熵之间的常数。
式中，m为样本个数，t为分类类别数，分别选取性能参数μ＝1,0.8,0.5,0.3,0，li为样本标签值，yi为从隐含层Hs到分类器softmax的输出向量，可计算如下式(7)、式(8)：
Us＝f(WuHs+bu)(7)
式中：f(x)为ELU激活函数，Hs＝(h1,h2,…,hn)，Us＝(u1,u2,…,ut)分别为全连接层输入、输出神经元的激活值；Wu，bu为全连接层的权值和偏置；yi为分类器softmax的输出；将分类器的输出与标签信息的交叉熵添加到原始的目标函数中，以该复合损失函数最小为目标对网络进行训练，可得，改进DBN网络训练目标函数为：
利用梯度下降法更新权值：
式(10)为权值更新公式，其中，W为训练过程中的权值矩阵，F为目标损失函数，η为其学习速率；同时，偏置也按照同样的方式更新。
至此第一层RBM训练完毕。将数据输出给第二个隐含层，重复上述步骤，训练第二、三层RBM。
4)有监督整体微调过程。
首先，将输入特征向量沿输入端传至输出端；然后使用反向传播，计算网络的输出结果与带有标签的正确结果的误差，将误差从输出端反向传播至输入端，以整体修正DBN的参数。利用sigmoid函数作为BP的网络节点的求值函数。微调后保存训练好的模型。
5)网络测试步骤。
使用测试集来测试上述改进型DBN网络模型的有效性，输入层神经元数为单个样本点数，即为1250，设置DBN的隐含层数量为3，隐含层神经元数皆为100，将数据传给输入层，运行至最后一层得到输出，与水声信号的实际值(实际所属类别)比较，得到辨识准确率。结果表明，使用本发明的改进型DBN网络能有有效提高训练网络的辨识准确率，并且辨识速度足够。也即可以使用保存好参数后的改进型DBN网络模型对新的水声目标辐射噪声信号进行分类识别，即水声目标辨识系统。
其中，详细网络测试步骤为：
将采集到的舰船辐射噪声信号经过快速傅里叶变换(DFT)后得到的频谱数据(测试集)输入保存好参数后的改进型DBN网络，通过第一层RBM后得到隐含层特征向量H0(也即学习到的一阶特征激活值)，再将其作为第二层RBM的输入，即第二层RBM的显层特征向量V1，得到二阶特征H1，重复步骤得到三阶特征激活值H2，将其输入到全连接层，计算得到各类别特征值，再通过softmax分类器将特征值转换为每类概率，每类概率为非负数且相加为1，类别对应标签值。输出概率值最大的类别标签，并与此输入的舰船辐射噪声信号对应的真实标签对比，如一致则说明分类正确。用正确分类数量除以总输入分类数量，得到辨识准确率并显示。
其中，特征向量由激活值组成，激活值计算方式如下：
式(11)为由已知的可视层节点得到的隐含层节点的值，(12)为由隐含层节点得到可视层节点的值。vi和ai分别对应每一个RBM网络中可视层第i个节点的取值和偏置，hj和bj分别对应网络中隐含层第j个节点的取值和偏置，wij为可视节点i和隐藏节点j之间的权值，表示两个神经元之间连接信号的强弱，p(hj＝1)表示隐含层节点hj取值为1的概率，p(vi＝1)表示可视层节点vi取值为1的概率，也即被激活的概率。
本发明针对当前水声目标识别在样本难以获取(小样本)、目标辐射噪声与回波强度大幅降低、同时海洋环境噪声大幅提高、水声探测性能时刻改变的条件下面临的辨识准确度不够的问题，对已经不满足国防需求的传统DBN网络结构进行了改进。首先针对样本量较少，输入的训练集和测试集均为进行一次快速傅里叶变换的原始水声信号，减少了原始水声信号中信息的损失；同时对比人工提取特征输入的方式，对先验知识的要求低，且泛化能力较高；并且由于其预处理步骤非常少，辨识时速度快，符合快速防御等国防需求。其次，针对传统DBN网络在无监督预训练的过程中易出现的分类模糊问题，引入隐含层输出和标签信息的交叉熵，改进DBN网络训练的目标函数，在辨识速度足够的条件下提高了辨识准确率。
本发明的方法具体有益效果是：保存训练好的模型后，将输入的水声目标信息分类所需要的时间极少(1s内)，且与改进前相差无几，但提高了约2％的辨识准确率。在本次水声目标识别的具体实施中，辨识准确率由92.8％提升至95.1％。由此可见，本发明在辨识速度足够快的条件下改善了原无监督预训练过程中的分类模糊问题，同时本发明中改进的目标函数使此改进型DBN网络既能够减少重构误差，又能够不被海洋大幅背景噪声干扰。
特别要注意：本发明只是为了描述方便，采用的是对水声目标辐射噪声信号进行识别，同样该发明也可适用其他信号的识别和分类等，只要采用了本发明的原理进行识别都应该属于本发明的范围。
如图4所示，本发明的另一目的在于提出一种基于改进型DBN的水声目标辨识系统，包括：
获取模块，用于获取实际辐射噪声信号，并经过快速傅里叶变换后得到频谱数据；
计算模块，用于基于频谱数据通过保存好参数后的改进型DBN网络模型的三层堆叠RBM及全连接层计算得到各类别特征值，将特征值经softmax分类器转换为每类概率；
输出模块，用于根据类别对应标签值，输出概率值最大的类别标签，并输出类别名称。
如图5所示，本发明第三个目的是提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述水声目标辨识方法的步骤。
本发明第四个目的是提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述水声目标辨识方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于改进型DBN的水声目标辨识方法，其特征在于，包括以下步骤：
获取水声目标实际辐射噪声信号，并经过快速傅里叶变换后得到频谱数据；
基于频谱数据通过保存好参数后的改进型DBN网络模型的三层堆叠RBM及全连接层计算得到各类别特征值，将特征值经softmax分类器转换为每类概率；
根据类别对应标签值，输出概率值最大的类别标签，并输出类别名称。
2.根据权利要求1所述的一种基于改进型DBN的水声目标辨识方法，其特征在于，所述实际辐射噪声信号是通过声纳采集设备采集到的辐射噪声信号。
3.根据权利要求1所述的一种基于改进型DBN的水声目标辨识方法，其特征在于，计算得到各类别特征值具体步骤为：
将频谱数据通过第一层RBM后得到一阶特征激活值，再将其作为第二层RBM的输入，得到二阶特征激活值，再将其作为第三层RBM的输入，得到三阶特征激活值，再将其输入到全连接层，计算得到各类别特征值。
4.根据权利要求1所述的一种基于改进型DBN的水声目标辨识方法，其特征在于，改进型DBN网络模型的建立包括以下步骤：
选取包含不同类别信号的训练集作为网络输入，采用含有三个RBM的DBN网络；
在DBN网络的每个RBM的隐含层上连接一个全连接层，并加上softmax分类器；且将上一层RBM的隐含层作为下一层RBM的输入，依次堆叠形成改进型DBN网络结构；
应用基于引入标签信息的改进型DBN网络训练算法，更新参数后保存得到改进型DBN网络模型。
5.根据权利要求4所述的一种基于改进型DBN的水声目标辨识方法，其特征在于，基于引入标签信息的改进型DBN网络训练算法的预训练步骤具体如下：
DBN网络由多层RBM堆叠而成，而每个RBM都是基于能量的概率分布模型，对于给定的状态向量h和v，RBM此时的能量函数表示为下式(1)：
其矩阵表示为式(2)：
E(v,h)＝-aTv-bTh-vTWh (2)
有了能量函数后，即可求得可视层的特征向量v和隐含层的特征向量h的联合概率分布，如公式(3)：
式中P(v，h)为函数运算目标，表示可视层和隐含层的联合概率分布，其中Z为归一化因子,W是可视层和隐含层之间的权值矩阵，v和h分别为网络可视层和隐含层神经元的取值向量，c和b分别为网络可视层和隐含层神经元的偏置向量，T表示转置；
对于训练集的m个样本，在训练过程中利用对数似然损失函数L作为其目标函数，计算其极小值，即为改进算法之前的目标函数：
引入标签信息，基于引入标签信息的网络训练目标函数为：
F＝L+J (5)
式中，L为函数(4)，J为引入的交叉熵损失函数，其值如下式(6)；其中μ是性能参数；
式中，m为样本个数，t为分类类别数，分别选取性能参数μ，li为样本标签值，yi为从隐含层Hs到分类器softmax的输出向量，计算如下式(7)、式(8)：
Us＝f(WuHs+bu) (7)
式中：f(x)为ELU激活函数，Hs＝(h1,h2,…,hn)，Us＝(u1,u2,…,ut)分别为全连接层输入、输出神经元的激活值；Wu，bu为全连接层的权值和偏置；yi为分类器softmax的输出；将分类器的输出与标签信息的交叉熵添加到原始的目标函数中，以该复合损失函数最小为目标对网络进行训练，得到改进DBN网络训练目标函数为：
利用梯度下降法更新权值：
式(10)为权值更新公式，其中，W为训练过程中的权值矩阵，F为目标损失函数，η为其学习速率；同时，偏置也按照同样的方式更新；
至此第一层RBM训练完毕；将数据输出给第二个隐含层，重复上述步骤，训练第二、三层RBM。
6.根据权利要求4所述的一种基于改进型DBN的水声目标辨识方法，其特征在于，基于引入标签信息的改进型DBN网络训练算法还包括对改进型DBN网络模型进行有监督整体微调步骤，具体包括：
将输入特征向量沿输入端传至输出端；
使用反向传播计算网络的输出结果与带有标签的正确结果的误差，将误差从输出端反向传播至输入端，以整体修正DBN的参数；
利用sigmoid函数作为BP的网络节点的求值函数。
7.根据权利要求4所述的一种基于改进型DBN的水声目标辨识方法，其特征在于，基于引入标签信息的改进型DBN网络训练算法还包括对改进型DBN网络模型进行网络测试步骤，其中得到辨识准确率的具体步骤为：
将输出的概率值最大的类别标签与输入的舰船辐射噪声信号对应的真实标签对比，如一致则说明分类正确；统计正确分类数量和总输入分类数量，用正确分类数量除以总输入分类数量，得到辨识准确率并输出。
8.一种基于改进型DBN的水声目标辨识系统，其特征在于，包括：
获取模块，用于获取实际辐射噪声信号，并经过快速傅里叶变换后得到频谱数据；
计算模块，用于基于频谱数据通过保存好参数后的改进型DBN网络模型的三层堆叠RBM及全连接层计算得到各类别特征值，将特征值经softmax分类器转换为每类概率；
输出模块，用于根据类别对应标签值，输出概率值最大的类别标签，并输出类别名称。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-7任一项所述水声目标辨识方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一项所述水声目标辨识方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110333877.2A CN113095381B (zh) | 2021-03-29 | 2021-03-29 | 一种基于改进型dbn的水声目标辨识方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110333877.2A CN113095381B (zh) | 2021-03-29 | 2021-03-29 | 一种基于改进型dbn的水声目标辨识方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113095381A true CN113095381A (zh) | 2021-07-09 |
| CN113095381B CN113095381B (zh) | 2024-04-05 |
Family
ID=76670398
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110333877.2A Active CN113095381B (zh) | 2021-03-29 | 2021-03-29 | 一种基于改进型dbn的水声目标辨识方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113095381B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116821644A (zh) * | 2023-03-23 | 2023-09-29 | 南京航空航天大学 | 一种飞行数据辨识方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101704925B1 (ko) * | 2015-10-22 | 2017-02-09 | 한양대학교 산학협력단 | Evs 코덱 파라미터를 이용한 심화 신경망 기반의 음성 검출 장치 및 그 방법 |
| CN108805167A (zh) * | 2018-05-04 | 2018-11-13 | 江南大学 | 一种基于Laplace函数约束的稀疏深度置信网络图像分类方法 |
| CN109507655A (zh) * | 2018-12-11 | 2019-03-22 | 西北工业大学 | 基于导向重构与范数约束dbn的sar目标识别算法 |
| CN111709315A (zh) * | 2020-05-27 | 2020-09-25 | 西安交通大学 | 一种基于领域适配的水声目标辐射噪声识别方法 |
| WO2020220439A1 (zh) * | 2019-04-29 | 2020-11-05 | 东北大学 | 基于深度神经网络的高速公路交通流量状态识别方法 |
-
2021
- 2021-03-29 CN CN202110333877.2A patent/CN113095381B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101704925B1 (ko) * | 2015-10-22 | 2017-02-09 | 한양대학교 산학협력단 | Evs 코덱 파라미터를 이용한 심화 신경망 기반의 음성 검출 장치 및 그 방법 |
| CN108805167A (zh) * | 2018-05-04 | 2018-11-13 | 江南大学 | 一种基于Laplace函数约束的稀疏深度置信网络图像分类方法 |
| CN109507655A (zh) * | 2018-12-11 | 2019-03-22 | 西北工业大学 | 基于导向重构与范数约束dbn的sar目标识别算法 |
| WO2020220439A1 (zh) * | 2019-04-29 | 2020-11-05 | 东北大学 | 基于深度神经网络的高速公路交通流量状态识别方法 |
| CN111709315A (zh) * | 2020-05-27 | 2020-09-25 | 西安交通大学 | 一种基于领域适配的水声目标辐射噪声识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 叶文强;俞志富;张奎;王虎帮;: "基于DBN的辐射源信号识别算法", 弹箭与制导学报, no. 06 * |
| 杨宏晖等: "用于水声目标特征学习与识别的混合正则化深度置信网络", 西北工业大学学报, no. 02 * |
| 王泓霖;李伟;许强;徐建业;张军;: "基于深度置信网络的高分辨率雷达距离像识别", 计算机应用研究, no. 03 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116821644A (zh) * | 2023-03-23 | 2023-09-29 | 南京航空航天大学 | 一种飞行数据辨识方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113095381B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860677B (zh) | 一种基于部分域对抗的滚动轴承迁移学习故障诊断方法 | |
| CN110516305B (zh) | 基于注意机制元学习模型的小样本下故障智能诊断方法 | |
| CN111709315A (zh) | 一种基于领域适配的水声目标辐射噪声识别方法 | |
| CN111126134B (zh) | 基于非指纹信号消除器的雷达辐射源深度学习识别方法 | |
| CN109655815B (zh) | 基于ssd的声呐目标检测方法 | |
| CN111444790A (zh) | 一种对多功能雷达工作模式序列的脉冲级智能识别方法 | |
| CN113111786B (zh) | 基于小样本训练图卷积网络的水下目标识别方法 | |
| CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
| CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
| CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
| CN115688040A (zh) | 一种机械设备故障诊断方法、装置、设备及可读存储介质 | |
| CN113095381B (zh) | 一种基于改进型dbn的水声目标辨识方法及系统 | |
| CN115705393A (zh) | 一种基于持续学习的雷达辐射源分级识别方法 | |
| CN115761654B (zh) | 一种车辆重识别方法 | |
| CN116977834A (zh) | 一种开放条件下分布内外图像识别方法 | |
| CN116758922A (zh) | 一种用于变压器的声纹监测与诊断方法 | |
| CN115600134A (zh) | 基于域动态对抗自适应的轴承迁移学习故障诊断方法 | |
| CN113627268A (zh) | 模型训练方法、矿井提升机用减速器故障检测方法和装置 | |
| CN112434716B (zh) | 一种基于条件对抗神经网络的水下目标数据扩增方法及系统 | |
| Bach | Improving the classification of propeller ships using LOFAR and triple loss variational auto encoder | |
| CN113657664A (zh) | 一种船舶机舱设备状态预测系统及方法 | |
| 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 | |
| CN113254939A (zh) | 基于多注意力机制和自适应学习的智能合约漏洞检测方法 | |
| CN112347917A (zh) | 一种燃气轮机故障诊断方法、系统、设备及存储介质 | |
| CN112686325B (zh) | 一种基于灰度包络的水下目标搜索方案评估决策方法 |
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 |