CN113221758A - 一种基于gru-nin模型的水声目标识别方法 - Google Patents

一种基于gru-nin模型的水声目标识别方法 Download PDF

Info

Publication number
CN113221758A
CN113221758A CN202110531023.5A CN202110531023A CN113221758A CN 113221758 A CN113221758 A CN 113221758A CN 202110531023 A CN202110531023 A CN 202110531023A CN 113221758 A CN113221758 A CN 113221758A
Authority
CN
China
Prior art keywords
gru
layer
target
model
nin
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
CN202110531023.5A
Other languages
English (en)
Other versions
CN113221758B (zh
Inventor
曾向阳
杨爽
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical 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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202110531023.5A priority Critical patent/CN113221758B/zh
Publication of CN113221758A publication Critical patent/CN113221758A/zh
Application granted granted Critical
Publication of CN113221758B publication Critical patent/CN113221758B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于GRU‑NIN模型的水声目标识别方法，本发明方法基于多层堆叠GRU结构，将多层堆叠GRU结构顶层所有GRU输出的隐含状态作为MLP卷积操作中输入的多通道特征图，通过一层1x1卷积微网络，实现了不同滤波器得到的多通道特征图之间的整合，使网络学习到复杂的跨特征图特征，同时压缩GRU隐含状态维度；MLP卷积层后连接全局平均池化层，计算MLP卷积后特征图的空间平均，然后将输出馈入Softmax层来加强特征图和类别之间的对应关系。在此框架下，本发明模型可以实现水声目标识别的特征提取和分类识别任务。实验结果表明，该模型比多层堆叠GRU模型具有更好的分类识别性能。

Description

一种基于GRU-NIN模型的水声目标识别方法
技术领域
本发明属于目标识别技术领域，具体涉及一种水声目标识别方法。
背景技术
水声目标识别是水声信号处理的重要组成部分，也是水声信息获取和水声信息对抗的重要技术支撑。由于海洋环境复杂，利用目标辐射噪声进行水声目标识别具有很大的挑战性。然而，传统水声目标被动识别系统中，特征提取和分类器通常是两个相对独立的环节，其分步处理方法没有考虑特征提取和分类器的匹配程度。同时，传统的基于机器学习(Machine Learning,ML)的水声目标识别方法多采用手工设计的特征和浅层分类器。这些手工设计的特征依赖于专家知识和先验知识，泛化能力较弱；浅层分类器的线性和非线性拟合能力有限。近年来，随着深度学习(Deep Learning,DL)方法在计算机视觉领域的广泛应用，越来越多的用于水下目标识别的深度学习方法被提出。区别于传统浅层学习方法，深度学习方法通过多层线性和非线性拟合，将样本在原空间的特征表示变换到一个新的特征空间，从而使用于分类的信息更加凸显。同时，深度网络能够从原始数据中自动学习特征表示，避免了依赖手动特征提取，简化了构建水声目标被动识别系统流程。
门控循环单元(Gated Recurrent Unit,GRU)联合网络中网络(Network inNetwork,NIN)常用语目标识别。水声目标辐射噪声数据的时域信号是一个典型的包含幅值和相位信息的序列。GRU是一种典型的门控循环神经网络，具有内部反馈机制，擅长于捕获序列信息。与长短时记忆(Long Short-Term Memory，LSTM)网络相比，GRU网络参数较少，但其识别性能可与LSTM媲美。与标准卷积神经网络(Convolutional Neural Networks,CNN)相比，NIN在每个卷积层之后都采用了一个微网络(MLP卷积层)来增强局部建模。此外，NIN采用了全局平均池化，与全连接层相比，全局平均池化没有参数，不需要优化参数，避免了该层过拟合。而经典的多层堆叠GRU网络模型作为分类器时，会将多层堆叠GRU顶层某一GRU输出的隐含状态作为后续Softmax层的输入来完成分类任务。
发明内容
为了克服现有技术的不足，本发明提供了一种基于GRU-NIN模型的水声目标识别方法，本发明方法基于多层堆叠GRU结构，将多层堆叠GRU结构顶层所有GRU输出的隐含状态作为MLP卷积操作中输入的多通道特征图，通过一层1x1卷积微网络，实现了不同滤波器得到的多通道特征图之间的整合，使网络学习到复杂的跨特征图特征，同时压缩GRU隐含状态维度；MLP卷积层后连接全局平均池化层，计算MLP卷积后特征图的空间平均，然后将输出馈入Softmax层来加强特征图和类别之间的对应关系。在此框架下，本发明模型可以实现水声目标识别的特征提取和分类识别任务。实验结果表明，该模型比多层堆叠GRU模型具有更好的分类识别性能。
本发明解决其技术问题所采用的技术方案包括如下步骤：
步骤1：数据处理；
读取已知标签的水声目标样本，将水声目标样本划分为训练集、验证集和测试集；
步骤2：构建GRU-NIN模型；
所述GRU-NIN模型包括输入层、2个GRU层、一维MLP卷积层、一维全局平均池化层、Softmax输出层和4个Dropout层；所述4个Dropout层分别设置在2个GRU层、一维MLP卷积层、一维全局平均池化层后面；
将水声目标样本首先从输入层依次输入第1个GRU层、第1个Dropout层、第2个GRU层和第2个Dropout层，输出全部隐含状态信息；将全部隐含状态信息作为多通道特征图输入一维MLP卷积层和第3个Dropout层，获取跨特征图特征；再将跨特征图特征输入一维全局平均池化层和第4个Dropout层，计算跨特征图特征的空间平均；最后将跨特征图特征的空间平均输入Softmax层完成目标类别属性判别；
步骤3：采用训练集和验证集数据对GRU-NIN模型进行训练；
对GRU-NIN模型进行随机初始化，采用稀疏分类交叉熵损失函数计算损失，采用Adam算法优化梯度；在训练过程中，首先进行前向传播计算GRU-NIN模型输出，再通过反向梯度传播算法更新网络参数，降低损失函数的损失值不断减小误差，使模型的实际输出逼近期望输出；最后完成对GRU-NIN模型的训练，得到最终的GRU-NIN模型；
步骤4：GRU-NIN模型测试；
使用测试集对最终的GRU-NIN模型进行测试，采用查准率、召回率和F1值三个指标对网络模型进行误差度量；三个指标的定义分别如下：
Figure BDA0003067867650000021
Figure BDA0003067867650000031
Figure BDA0003067867650000032
其中TP为预测是目标i实际也是目标i的目标样本数，FN为预测不是目标i但实际是目标i的目标样本数，FP为预测是目标i实际不是目标i的目标样本数，TN为预测不是目标i实际也不是目标i的目标样本数；P为查准率，即所有预测是目标i的目标中，实际是目标i的比例；R为召回率，即所有实际为目标i的目标中，成功预测为目标i的比例；F1的值与模型性能正相关。
优选地，所述GRU层计算如下：
rt＝σ(WrxXt+Wrhht-1+br)
zt＝σ(WzxXt+Wzhht-1+bz)
Figure BDA0003067867650000033
Figure BDA0003067867650000034
其中，rt和zt分别为t时刻的重置门和更新门，
Figure BDA0003067867650000035
为t时刻的候选隐含状态，ht和ht-1分别为t时刻和t-1时刻输出的隐含状态；σ为sigmoid函数，Xt为输入，Wrx、Wrh、Wzx、Wzh、
Figure BDA0003067867650000036
和
Figure BDA0003067867650000037
均为GRU层中的参数矩阵，br、bz和b均为GRU层中的参数向量，·为矩阵中的点乘运算。
优选地，所述第1个GRU层和第2个GRU层的隐含节点数分别为32和64。
优选地，所述一维MLP卷积层使用ReLU非线性激活函数，卷积核大小为32。
优选地，所述一维MLP卷积层使用单层1x1卷积避免网络过拟合。
优选地，所述4个Dropout层的dropout rate取值均为0.25。
优选地，所述采用Adam算法进行优化时，学习率设为0.0001，训练次数为50次。
本发明的有益效果如下：
本发明提出的GRU-NIN模型引入NIN，在压缩GRU隐含状态维度的同时，对多通道信息进行整合，增强了网络的非线性拟合能力和局部建模能力，在基于多种实测水声目标的分类实验结果表明，本发明模型能够保持较高的正确识别率。
附图说明
图1是本发明GRU-NIN模型原理图。
图2是本发明GRU-NIN模型流程图。
图3是本发明中对比多层堆叠GRU模型流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1所示，一种基于GRU-NIN模型的水声目标识别方法，包括以下步骤：
步骤1：数据处理；
读取已知标签的水声目标样本，对目标样本进行预处理，将水声目标样本划分为训练集、验证集和测试集，
Figure BDA0003067867650000041
步骤2：构建GRU-NIN模型；
所述GRU-NIN模型包括输入层、2个GRU层、一维MLP卷积层、一维全局平均池化层、Softmax输出层和4个Dropout层；所述4个Dropout层分别设置在2个GRU层、一维MLP卷积层、一维全局平均池化层后面；
将水声目标样本首先从输入层依次输入第1个GRU层、第1个Dropout层、第2个GRU层和第2个Dropout层，压缩GRU隐含状态维度，输出全部隐含状态信息；将全部隐含状态信息作为多通道特征图输入一维MLP卷积层和第3个Dropout层，获得更抽象的跨特征图特征，增强了网络的局部建模；再将跨特征图特征输入一维全局平均池化层和第4个Dropout层，计算跨特征图特征的空间平均，对一维特征图取线性平均；最后将跨特征图特征的空间平均输入Softmax层完成目标类别属性判别；
步骤3：采用训练集和验证集数据对GRU-NIN模型进行训练；
对GRU-NIN模型进行随机初始化，采用稀疏分类交叉熵损失函数计算损失，采用Adam算法优化梯度；在训练过程中，首先进行前向传播计算GRU-NIN模型输出，再通过反向梯度传播算法更新网络参数，降低损失函数的损失值不断减小误差，使模型的实际输出逼近期望输出；最后完成对GRU-NIN模型的训练，得到最终的GRU-NIN模型；
步骤4：GRU-NIN模型测试；
使用测试集对最终的GRU-NIN模型进行测试，采用查准率、召回率和F1值三个指标对网络模型进行误差度量；三个指标的定义分别如下：
Figure BDA0003067867650000042
Figure BDA0003067867650000051
Figure BDA0003067867650000052
其中TP为预测是目标i实际也是目标i的目标样本数，FN为预测不是目标i但实际是目标i的目标样本数，FP为预测是目标i实际不是目标i的目标样本数，TN为预测不是目标i实际也不是目标i的目标样本数；P为查准率，即所有预测是目标i的目标中，实际是目标i的比例；R为召回率，即所有实际为目标i的目标中，成功预测为目标i的比例；F1的值与模型性能正相关。
优选地，所述GRU层计算如下：
rt＝σ(WrxXt+Wrhht-1+br)
zt＝σ(WzxXt+Wzhht-1+bz)
Figure BDA0003067867650000053
Figure BDA0003067867650000054
其中，rt和zt分别为t时刻的重置门和更新门，
Figure BDA0003067867650000055
为t时刻的候选隐含状态，ht和ht-1分别为t时刻和t-1时刻输出的隐含状态；σ为sigmoid函数，Xt为输入，Wrx、Wrh、Wzx、Wzh、
Figure BDA0003067867650000056
和
Figure BDA0003067867650000057
均为GRU层中的参数矩阵，br、bz和b均为GRU层中的参数向量，·为矩阵中的点乘运算；zt的取值范围为[0,1]，zt可以同时控制t-1时刻的隐含状态ht-1和t时刻的候选隐含状态
Figure BDA0003067867650000058
完成网络的“遗忘”和“选择记忆”功能。
优选地，所述第1个GRU层和第2个GRU层的隐含节点数分别为32和64。
优选地，所述一维MLP卷积层使用ReLU非线性激活函数，卷积核大小为32。
优选地，所述一维MLP卷积层使用单层1x1卷积避免网络过拟合，1x1卷积对多层堆叠GRU输出的每个时间步的隐含状态特征信息进行滤波，同时卷积后的结果保留了原有时间信息的位置和长度，完成每个时间步上通道信息的整合；该模型通过这种微网络来增强局部建模能力，同时卷积层中加入非线性激活，提升网络的非线性拟合能力。
具体实施例：
本实施例在Python语言TensorFlow2.0环境中编程实现基于GRU-NIN模型的水声目标识别方法。
1、读取3类带标签的水声目标(舰船、商船及某水下目标)，每组15个音频文件，每个音频文件截取5s。首先对水声目标数据进行预处理。对每段目标数据分帧，每帧长为100ms，帧移为0。即每0.1秒的目标数据为一个样本，总计3类目标有2250个样本。水声目标数据被严格的划分为训练集、验证集和测试集。实验中使用总样本的3/5作为训练，1/5作为验证，1/5作为测试。再将3类目标数据进行标准化处理。
2、GRU-NIN模型流程图如图2所示。模型由输入层、2个GRU层、一维MLP卷积层、一维全局平均池化层、Softmax输出层和4个Dropout层构成。其中2个GRU层的隐含节点数分别为32和64。一维MLP卷积层使用ReLU非线性激活函数，其卷积核大小为32。Dropout层应用于每个GRU层、一维MLP卷积层和一维全局平均池化层后，取值为0.25，在提高网络模型泛化能力的同时抑制网络模型的过拟合。后接一维全局平均池化层来计算一维特征图的线性平均。Softmax层作为判别层，输出每个样本的每种目标类型的实际输出(概率)。
3、模型评估。
1)训练：将3类目标训练集和验证集的时域波形作为网络模型的输入，对网络模型进行训练。设置网络模型参数，网络进行随机初始化，采用稀疏分类交叉熵损失函数来计算损失，采用自适应力矩估计(Adam)算法优化梯度，学习率为0.0001，训练次数为50次。网络模型训练完成后，保存训练后的模型，进行后续测试。
2)测试：为了测试网络模型的识别性能，将3类目标测试集的时域波形作为训练好的网络模型的输入，对模型进行进一步分析，获得网络模型的查准率、召回率和F1值。
4、为了证明本发明的有效性，使用多层堆叠GRU模型与提出的网络模型进行对比。多层堆叠GRU模型流程图如图3所示。其中2个GRU层的隐含节点数分别为32和64，2个Dropout层的取值为0.2。2种网络模型的查准率、召回率和F1值如附表1所示。
表1 2种网络模型的查准率、召回率和F1值
Figure BDA0003067867650000071
本发明的GRU-NIN模型将多层堆叠GRU和NIN相结合，对水声目标的一维时域波形进行建模。该网络模型引入NIN，在压缩GRU隐含状态的同时，对多通道信息进行整合，增强了网络的非线性拟合能力和局部建模能力。实验结果表明，该模型比多层堆叠GRU模型具有更好的分类性能，证明了本发明的有效性。

Claims (7)

1.一种基于GRU-NIN模型的水声目标识别方法，其特征在于，包括以下步骤：
步骤1：数据处理；
读取已知标签的水声目标样本，将水声目标样本划分为训练集、验证集和测试集；
步骤2：构建GRU-NIN模型；
所述GRU-NIN模型包括输入层、2个GRU层、一维MLP卷积层、一维全局平均池化层、Softmax输出层和4个Dropout层；所述4个Dropout层分别设置在2个GRU层、一维MLP卷积层、一维全局平均池化层后面；
将水声目标样本首先从输入层依次输入第1个GRU层、第1个Dropout层、第2个GRU层和第2个Dropout层，输出全部隐含状态信息；将全部隐含状态信息作为多通道特征图输入一维MLP卷积层和第3个Dropout层，获取跨特征图特征；再将跨特征图特征输入一维全局平均池化层和第4个Dropout层，计算跨特征图特征的空间平均；最后将跨特征图特征的空间平均输入Softmax层完成目标类别属性判别；
步骤3：采用训练集和验证集数据对GRU-NIN模型进行训练；
对GRU-NIN模型进行随机初始化，采用稀疏分类交叉熵损失函数计算损失，采用Adam算法优化梯度；在训练过程中，首先进行前向传播计算GRU-NIN模型输出，再通过反向梯度传播算法更新网络参数，降低损失函数的损失值不断减小误差，使模型的实际输出逼近期望输出；最后完成对GRU-NIN模型的训练，得到最终的GRU-NIN模型；
步骤4：GRU-NIN模型测试；
使用测试集对最终的GRU-NIN模型进行测试，采用查准率、召回率和F1值三个指标对网络模型进行误差度量；三个指标的定义分别如下：
Figure FDA0003067867640000011
Figure FDA0003067867640000012
Figure FDA0003067867640000013
其中TP为预测是目标i实际也是目标i的目标样本数，FN为预测不是目标i但实际是目标i的目标样本数，FP为预测是目标i实际不是目标i的目标样本数，TN为预测不是目标i实际也不是目标i的目标样本数；P为查准率，即所有预测是目标i的目标中，实际是目标i的比例；R为召回率，即所有实际为目标i的目标中，成功预测为目标i的比例；F1的值与模型性能正相关。
2.根据权利要求1所述的一种基于GRU-NIN模型的水声目标识别方法，其特征在于，所述GRU层计算如下：
rt＝σ(WrxXt+Wrhht-1+br)
zt＝σ(WzxXt+Wzhht-1+bz)
Figure FDA0003067867640000021
Figure FDA0003067867640000022
其中，rt和zt分别为t时刻的重置门和更新门，
Figure FDA0003067867640000023
为t时刻的候选隐含状态，ht和ht-1分别为t时刻和t-1时刻输出的隐含状态；σ为sigmoid函数，Xt为输入，Wrx、Wrh、Wzx、Wzh、
Figure FDA0003067867640000024
和
Figure FDA0003067867640000025
均为GRU层中的参数矩阵，br、bz和b均为GRU层中的参数向量，·为矩阵中的点乘运算。
3.根据权利要求1所述的一种基于GRU-NIN模型的水声目标识别方法，其特征在于，所述第1个GRU层和第2个GRU层的隐含节点数分别为32和64。
4.根据权利要求1所述的一种基于GRU-NIN模型的水声目标识别方法，其特征在于，所述一维MLP卷积层使用ReLU非线性激活函数，卷积核大小为32。
5.根据权利要求1所述的一种基于GRU-NIN模型的水声目标识别方法，其特征在于，所述一维MLP卷积层使用单层1x1卷积避免网络过拟合。
6.根据权利要求1所述的一种基于GRU-NIN模型的水声目标识别方法，其特征在于，所述4个Dropout层的dropout rate取值均为0.25。
7.根据权利要求1所述的一种基于GRU-NIN模型的水声目标识别方法，其特征在于，所述采用Adam算法进行优化时，学习率设为0.0001，训练次数为50次。
CN202110531023.5A 2021-05-16 2021-05-16 一种基于gru-nin模型的水声目标识别方法 Active CN113221758B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110531023.5A CN113221758B (zh) 2021-05-16 2021-05-16 一种基于gru-nin模型的水声目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110531023.5A CN113221758B (zh) 2021-05-16 2021-05-16 一种基于gru-nin模型的水声目标识别方法

Publications (2)

Publication Number Publication Date
CN113221758A true CN113221758A (zh) 2021-08-06
CN113221758B CN113221758B (zh) 2023-07-14

Family

ID=77092085

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110531023.5A Active CN113221758B (zh) 2021-05-16 2021-05-16 一种基于gru-nin模型的水声目标识别方法

Country Status (1)

Country Link
CN (1) CN113221758B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114252560A (zh) * 2021-12-24 2022-03-29 无锡学院 一种基于改进一维卷积神经网络的混合气体识别方法
CN114689047A (zh) * 2022-06-01 2022-07-01 鹏城实验室 基于深度学习的组合导航方法、装置、系统及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106782602A (zh) * 2016-12-01 2017-05-31 南京邮电大学 基于长短时间记忆网络和卷积神经网络的语音情感识别方法
CN108805188A (zh) * 2018-05-29 2018-11-13 徐州工程学院 一种基于特征重标定生成对抗网络的图像分类方法
CN110807365A (zh) * 2019-09-29 2020-02-18 浙江大学 一种基于gru与一维cnn神经网络融合的水下目标识别方法
CN112257648A (zh) * 2020-11-03 2021-01-22 泰山学院 基于改进的循环神经网络的信号分类识别方法
US10963786B1 (en) * 2019-05-07 2021-03-30 Ledgerdomain Inc. Establishing a trained machine learning classifier in a blockchain network

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106782602A (zh) * 2016-12-01 2017-05-31 南京邮电大学 基于长短时间记忆网络和卷积神经网络的语音情感识别方法
CN108805188A (zh) * 2018-05-29 2018-11-13 徐州工程学院 一种基于特征重标定生成对抗网络的图像分类方法
US10963786B1 (en) * 2019-05-07 2021-03-30 Ledgerdomain Inc. Establishing a trained machine learning classifier in a blockchain network
CN110807365A (zh) * 2019-09-29 2020-02-18 浙江大学 一种基于gru与一维cnn神经网络融合的水下目标识别方法
CN112257648A (zh) * 2020-11-03 2021-01-22 泰山学院 基于改进的循环神经网络的信号分类识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MIN LIN 等: "Network In Network", 《ARXIV》 *
SUN X 等: "Underwater Acoustic Target Recognition Based on ReLU Gated Recurrent Unit", 《ICRAI 2020》 *
刘家麒 等: "基于注意力机制和双向GRU模型的雷达HRRP目标识别", 《雷达学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114252560A (zh) * 2021-12-24 2022-03-29 无锡学院 一种基于改进一维卷积神经网络的混合气体识别方法
CN114689047A (zh) * 2022-06-01 2022-07-01 鹏城实验室 基于深度学习的组合导航方法、装置、系统及存储介质
CN114689047B (zh) * 2022-06-01 2022-09-13 鹏城实验室 基于深度学习的组合导航方法、装置、系统及存储介质

Also Published As

Publication number Publication date
CN113221758B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN109934293B (zh) 图像识别方法、装置、介质及混淆感知卷积神经网络
CN110245608B (zh) 一种基于半张量积神经网络的水下目标识别方法
CN111709315A (zh) 一种基于领域适配的水声目标辐射噪声识别方法
CN106796580B (zh) 用于处理多个异步事件驱动的样本的方法、装置和介质
CN111353373B (zh) 一种相关对齐域适应故障诊断方法
CN109063724B (zh) 一种增强型生成式对抗网络以及目标样本识别方法
CN110414554A (zh) 一种基于多模型改进的Stacking集成学习鱼类识别方法
CN110534101B (zh) 一种基于多模融合深度特征的移动设备源识别方法及系统
CN109670580A (zh) 一种基于时间序列的数据修复方法
CN104866810A (zh) 一种深度卷积神经网络的人脸识别方法
CN111368671A (zh) 基于深度学习的sar图像舰船目标检测识别一体化方法
CN113221758A (zh) 一种基于gru-nin模型的水声目标识别方法
CN110490265B (zh) 一种基于双路卷积和特征融合的图像隐写分析方法
CN110690930B (zh) 信源数量检测方法及装置
Zilvan et al. Denoising convolutional variational autoencoders-based feature learning for automatic detection of plant diseases
CN110705600A (zh) 一种基于互相关熵的多深度学习模型融合方法、终端设备及可读存储介质
CN112418175A (zh) 基于域迁移的滚动轴承故障诊断方法、系统及存储介质
CN116388933A (zh) 基于深度学习的通信信号盲识别系统
CN113239809A (zh) 基于多尺度稀疏sru分类模型的水声目标识别方法
CN117523394A (zh) 一种基于聚合特征增强网络的sar船舰检测方法
CN108694375B (zh) 一种可用于多电子鼻平台的图像化白酒识别方法
CN117310668A (zh) 融合注意力机制与深度残差收缩网络的水声目标识别方法
CN115294441B (zh) 一种由注意力融合三特征的机器人场景识别与解析方法
CN117011219A (zh) 物品质量检测方法、装置、设备、存储介质和程序产品
CN107229944B (zh) 基于认知信息粒子的半监督主动识别方法

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