CN113253248B - 一种基于迁移学习的小样本垂直阵目标距离估计方法 - Google Patents

一种基于迁移学习的小样本垂直阵目标距离估计方法 Download PDF

Info

Publication number
CN113253248B
CN113253248B CN202110511977.XA CN202110511977A CN113253248B CN 113253248 B CN113253248 B CN 113253248B CN 202110511977 A CN202110511977 A CN 202110511977A CN 113253248 B CN113253248 B CN 113253248B
Authority
CN
China
Prior art keywords
layer
data
sea area
model
small sample
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.)
Active
Application number
CN202110511977.XA
Other languages
English (en)
Other versions
CN113253248A (zh
Inventor
汪勇
姚琦海
杨益新
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 CN202110511977.XA priority Critical patent/CN113253248B/zh
Publication of CN113253248A publication Critical patent/CN113253248A/zh
Application granted granted Critical
Publication of CN113253248B publication Critical patent/CN113253248B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
    • G01S11/14—Systems for determining distance or velocity not using reflection or reradiation using ultrasonic, sonic, or infrasonic waves
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明涉及一种基于迁移学习的小样本垂直阵目标距离估计方法，卷积神经网络是深度神经网络中的一种，并已大量应用于水声目标的分类和定位中。对于不同领域，传统机器学习将其独立训练模型，无法直接应用在其它环境中。为了充分利用已知海域的大量水声数据，并将其迁移到陌生海域中，实现强干扰下目标声源的距离估计，本发明给出了一种基于卷积神经网络的迁移学习模型的声源距离估计方法。以声压场复声压为特征，建立迁移学习模型，利用卷积神经网络训练已知海域的大量样本，建立对应的预训练模型，将小样本水声数据再训练模型，对该小样本海域的其它样本进行距离估计。

Description

一种基于迁移学习的小样本垂直阵目标距离估计方法
技术领域
本发明属于阵列信号处理、机器学习和水声测量等领域，涉及一种基于迁移学习的小样本垂直阵目标距离估计方法，利用基于卷积神经网络的迁移学习模型，实现在小样本和强干扰下的声源距离估计。
背景技术
水下目标定位是水声信号处理领域的热点，其中被动定位技术凭借其优良的隐蔽性，在军事和民用领域中有着广泛的应用。传统的被动定位方法大多为基于水声模型的匹配场处理(Matched Field Processing，MFP)。Bucker提出了线性匹配场处理器，并建立实际环境模型，通过计算距离-深度的模糊函数实现被动定位(Bucker,Homer P.Use ofcalculated sound fields and matched-field detection to locate sound sourcesin shallow water[J].The Journal of the Acoustical Society of America,1976,59(2):368-373.)。匹配场处理方法基于水声信道特性将声传播模型和阵列信号相结合，实现对水下目标深度和距离的估计。但此类模型驱动方法的定位性能严重依赖海深、声速剖面等参数，在强干扰和环境失配的场景中，该类方法的准确度会受到严重影响。在机器学习技术迅速发展的背景下，以神经网络为代表的数据驱动方法在水声被动定位领域得到了广泛的应用。
数据驱动的神经网络模型不依赖海洋环境参数，而基于声传播模型的匹配场处理方法会受到强干扰和环境失配的严重影响。Niu建立前馈神经网络、支持向量机模型，结合海试实测数据对多种机器学习算法的定位性能进行了验证(Niu H,Reeves E,GerstoftP.Source localization in an ocean waveguide using supervised machine learning[J].The Journal of the Acoustical Society of America,2017,142(3):1176-1188.)。姚琦海等人建立经优化的广义回归神经网络模型，在浅海强干扰的环境中，有效实现水下目标距离估计(姚琦海,汪勇,黎佳艺,杨益新.基于GRNN的强干扰下垂直阵被动定位方法研究[J].应用声学,2021(已录用).)。以上研究利用卷积神经网络、支持向量机等模型对水下单目标进行了位置估计，取得了不错的效果。
迁移学习是对不同但相关领域问题利用已存有的知识进行求解的一种机器学习方法，即迁移已有的知识来解决目标领域中仅存在少量有标签样本数据甚至没有的学习问题。在图像处理领域，迁移学习已有大量的应用，Zhu将图像上的标签信息作为图像与文本之间知识迁移的桥梁，有助于提高图像分类的效果(Zhu Y,Chen Y,Lu Z,Pan SJ,Xue GR,Yu Y,Yang Q.Heterogeneous transfer learning for image classification.In:Burgard W,Roth D,eds.Proc.of the AAAI.AAAI Press,2011.1304-1309.)。
相较而言，迁移学习在水声定位领域的应用有待于进一步的研究。对无环境参数的陌生海域，既没有足够的水声数据，也没有环境模型产生大量拷贝场数据，无法训练出准确的深度神经网络，而迁移学习可以作为学习框架，将已有的知识应用到新的环境中，因此，迁移学习在水声被动定位领域的应用有着较大的研究意义。深度迁移网络通过分享预训练神经网络模型中的一些参数和再训练其它参数，将预训练模型的预测能力迁移应用在新的环境中。本研究充分利用了已知海域的大量水声数据，建立对应的预训练模型，将迁移学习应用在仅有少量水声数据的海域目标测距上。在实际浅海中，往往存在着强度较大的水面干扰声源，比如大型的船舶，对水下目标声源的定位造成了很大的考验。
综上所述，对于无环境参数和存在着强度较大的水面干扰声源的陌生海域，一种仅有小样本水声数据且有强干扰的声源距离估计方法是必不可少的。
发明内容
要解决的技术问题
为了避免现有技术的不足之处，本发明提出一种基于迁移学习的小样本垂直阵目标距离估计方法，以声压场复声压为特征，建立迁移学习模型，利用卷积神经网络训练已知海域的大量样本，建立对应的预训练模型，将小样本水声数据再训练模型，对该小样本海域的其它样本进行距离估计。
技术方案
一种基于迁移学习的小样本垂直阵目标距离估计方法，其特征在于步骤如下：
步骤1：对预选海域和探测海域的L个阵元的阵列接收的频域复声压进行范数归一化操作：
Figure BDA0003060739780000031
其中，f表示频率，pl(f)表示第l个水听器接收到的声压，网络输入归一化后复声压
Figure BDA0003060739780000032
的实部和虚部，从/>
Figure BDA0003060739780000033
中提取得到/>
Figure BDA0003060739780000034
Figure BDA0003060739780000035
网络输入特征
Figure BDA0003060739780000036
的维度为L×2F，其中F为频率数，Re表示实部，Im表示虚部；
以预选海域得到水声数据
Figure BDA0003060739780000037
作为T1数据集；在探测海域得到小样本水声数据/>
Figure BDA0003060739780000038
和测试数据/>
Figure BDA0003060739780000039
分别作为T2和T3数据集；
步骤2：建立测距的卷积神经网络的回归模型，包含输入层、3个卷积层，3个池化层、全连接层和输出层；
输入层尺寸由输入特征
Figure BDA00030607397800000310
大小决定，各个卷积层后即为一个池化层，3个卷积层中卷积滤波器大小分别为5×5、3×3和3×3，数量分别为128、128和256，池化层大小为2×2，输出层即回归层仅设置一个输出神经元，输出距离值；
步骤3：将含有预选海域大量水声数据的T1数据集作为测距的卷积神经网络的回归模型的输入训练集，得到基于卷积神经网络的预训练模型；
步骤4：将预训练模型的卷积层和池化层的权重保留，调整全连接层和输出层的权重，再训练由迁移层和调整层组成的网络，设置含有探测海域小样本水声数据的T2数据集为训练集，输入小样本水声数据
Figure BDA0003060739780000041
经再训练，得到迁移学习模型；
步骤5：迁移学习模型，输入探测海域测试数据
Figure BDA0003060739780000042
对T3测试集进行距离估计。
所述步骤2的优化算法设置为sgdm，初始学习率为0.0001，批训练样本数量为128。
有益效果
本发明提出的一种基于迁移学习的小样本垂直阵目标距离估计方法，卷积神经网络是深度神经网络中的一种，并已大量应用于水声目标的分类和定位中。对于不同领域，传统机器学习将其独立训练模型，无法直接应用在其它环境中。为了充分利用已知海域的大量水声数据，并将其迁移到陌生海域中，实现强干扰下目标声源的距离估计，本发明给出了一种基于卷积神经网络的迁移学习模型的声源距离估计方法。以声压场复声压为特征，建立迁移学习模型，利用卷积神经网络训练已知海域的大量样本，建立对应的预训练模型，将小样本水声数据再训练模型，对该小样本海域的其它样本进行距离估计。
附图说明
图1：迁移学习模型
图2：基于迁移学习的小样本垂直阵目标距离估计方法总体流程框图
图3：SWellEX-96实验浅海环境参数模型
图4：SWellEX-96实验航次地图及数据集分布图
(a)S5，(b)S59
图5：无强干扰下迁移学习模型距离估计结果图
(a)浅源，(b)深源
图6：强干扰下迁移学习模型距离估计结果图
(a)浅源，(b)深源
图7：无强干扰下MFP方法的距离估计结果
(a)浅源，(b)深源
图8；强干扰下MFP方法的距离估计结果
(a)浅源，(b)深源
图9：无强干扰下训练集T1传统CNN估计结果
(a)浅源，(b)深源
图10：无强干扰下训练集T2传统CNN估计结果
(a)浅源，(b)深源
图11：无强干扰下T1和T2混合训练集传统CNN估计结果
(a)浅源，(b)深源
图12：强干扰下T1训练集下传统CNN估计结果
(a)浅源，(b)深源
图13：强干扰下T2训练集下传统CNN估计结果
(a)浅源，(b)深源
图14：强干扰下T1和T2混合训练集下传统CNN估计结果
(a)浅源，(b)深源
具体实施方式
现结合实施例、附图对本发明作进一步描述：
卷积神经网络是深度神经网络中的一种，并已大量应用于水声目标的分类和定位中。对于不同领域，传统机器学习将其独立训练模型，无法直接应用在其它环境中。为了充分利用已知海域的大量水声数据，并将其迁移到陌生海域中，实现强干扰下目标声源的距离估计，本发明给出了一种基于卷积神经网络的迁移学习模型的声源距离估计方法。以声压场复声压为特征，建立迁移学习模型，利用卷积神经网络训练已知海域的大量样本，建立对应的预训练模型，将小样本水声数据再训练模型，对该小样本海域的其它样本进行距离估计。
本发明解决其技术问题所采用的技术方案包括以下步骤：
1)对L个阵元的阵列接收的频域复声压进行范数归一化操作：
Figure BDA0003060739780000061
其中，f表示频率，pl(f)表示第l个水听器接收到的声压，网络输入归一化后复声压
Figure BDA0003060739780000062
的实部和虚部，从/>
Figure BDA0003060739780000063
中提取得到/>
Figure BDA0003060739780000064
Figure BDA0003060739780000065
网络输入特征
Figure BDA0003060739780000066
的维度为L×2F，其中F为频率数，Re表示实部，Im表示虚部。经归一化，在预选海域得到大量水声数据/>
Figure BDA0003060739780000067
作为T1数据集；在探测海域得到小样本水声数据
Figure BDA0003060739780000068
和测试数据/>
Figure BDA0003060739780000069
分别作为T2和T3数据集。
2)本研究采用卷积神经网络的回归模型实现测距，网络包含输入层、3个卷积层，3个池化层、全连接层和输出层。输入层尺寸由输入特征
Figure BDA00030607397800000610
大小决定，各个卷积层后即为一个池化层，3个卷积层中卷积滤波器大小分别为5×5、3×3和3×3，数量分别为128、128和256，池化层大小为2×2，输出层(回归层)仅设置一个输出神经元，输出距离值。配置训练参数，优化算法设置为sgdm，初始学习率为0.0001，批训练样本数量为128，图1为卷积神经网络模型图。
3)在预训练中，训练集为含有预选海域大量水声数据的T1数据集，输入预选海域中采集得到的
Figure BDA0003060739780000071
经训练，得到基于卷积神经网络的预训练模型。
4)将预训练模型的卷积层和池化层的权重保留，调整全连接层和输出层的权重，再训练由迁移层和调整层组成的网络，设置含有探测海域小样本水声数据的T2数据集为训练集，输入小样本水声数据
Figure BDA0003060739780000072
经再训练，得到迁移学习模型。
5)利用该迁移学习模型，输入探测海域测试数据
Figure BDA0003060739780000073
对T3测试集进行距离估计。
具体实施流程
迁移学习模型可以充分利用预选海域的大量水声数据和探测海域的小样本水声数据，参照图2，总体流程其搭建和训练具体分为以下步骤：
(1)采集预选海域的大量水声数据和探测海域的小样本水声数据，对采集到的时域声压，利用fft提取频域复声压，并进行范数归一化处理。
(2)搭建传统卷积神经网络，利用该网络预训练含有预选海域大量水声数据的T1数据集，输入其归一化后复声压的实部和虚部
Figure BDA0003060739780000074
输出采用卷积神经网络的回归层，得到预训练模型。
(3)在传统卷积神经网络的基础上搭建迁移学习模型，将预训练模型的卷积层和池化层的权重保留，即冻结其卷积层和池化层，作为迁移层；调整全连接层和输出层的权重，作为调整层，并由迁移层和调整层搭建成新的网络。
(4)利用新搭建的网络，再训练仅有探测海域小样本水声数据的T2数据集，输入对应归一化后复声压的实部和虚部
Figure BDA0003060739780000075
从而全连接层和输出层得到新的权重。
(5)将训练得到的迁移学习模型应用到探测海域的距离估计，T3测试集同样输入归一化后复声压的实部和虚部
Figure BDA0003060739780000076
统计输出距离的估计值，并分析模型的估计性能。
本研究利用美国海洋物理实验室1996年5月在距Point Loma约12km处进行的一次浅海实验(SWellEX-96实验)研究小样本下的垂直阵定位问题。SWellEX-96实验共包含S5和S59两个航次，图3为海试环境参数，图4为该实验S5和S59航次地图，图中蓝线表示目标声源轨迹，红线表示干扰声源(水面舰船)轨迹。本研究将该实验中S5和S59的垂直阵接收的数据用于网络的训练和测试，分别用于研究无强干扰和有强干扰条件下的距离估计。实验船一共同时拖曳了深(54m)和浅(9m)两个声源，两个声源分别发射在49～400Hz和109～385Hz之间多个频点的CW信号，且两个声源发射CW信号的频点不重合，实验船速度约为2.5m/s，S5和S59航次分别采集了65min和75min数据。实验使用共有22个水听器的垂直阵，采样频率为1.5kHz，布放的深度为94.125～212.25m之间，在实验中有一个水听器出现故障，因此仅可使用其它21个水听器的测量数据。在S59实验中，干扰信号由水面舰船发出，频段为62～401Hz(MUARRY J,ENSBERG D.The swellex-96experiment[dB/OL].(1996-05-31)[2019-10-15].http://www.swellex96.ucsd.edu/)。
本研究先使用SWellEX-96实验中的S5数据，研究无强干扰条件下的距离估计，该实验共75min，利用fft提取其中对应频率的复声压，由于实验中两个声源发射CW信号的频点不重合，所以，通过提取不同频点的复声压可分别对两个声源研究。本文对浅(9m)声源和深(54m)声源进行距离估计，{109 198 385}和{112 235 388}Hz三个频点(SWellEX-96实验中发射声源级最大的一组频点中取得)分别作为宽带浅源和深源的频率，将前30min的数据作为预训练中的训练集，共1800组数据，设为T1数据集，后15min中，每5s提取一组数据作为小样本训练集，共180组数据，设为T2数据集，每19s提取一组数据作为测试集，共48组数据，设为T3数据集，其中，T1和T2数据集的间距为4.5km。
本研究再使用SWellEX-96实验中在强干扰下的S59数据，研究在强干扰条件下的距离估计，该实验共65min，利用fft提取其中对应频率的复声压，本研究提取{109 198385}和{112 235 388}Hz的1s快拍数据，分别用于对浅源和深源的测距。将实验前18.75min的数据作为预训练中的训练集，共1125组数据，设为T1数据集；实验后18min中，每8s提取一组数据作为小样本训练集，共207组数据，设为T2数据集；每19s提取一组数据作为测试集(为避免测试集泄露，去除其中与小样本数据集重合的样本点)，共76组数据，设为T3数据集，其中，T1和T2数据集的间距为4.2km。
依照本发明的步骤对各数据集进行处理和训练，得到迁移学习模型，由该模型对测试集进行估计，可得到以下结果，由图5可得到，在有无强干扰下，通过迁移学习方法，对浅源和深源均可以实现有效地距离估计。由图6可得到，在有强干扰下，由于存在运动中的干扰源，相比无强干扰环境，强干扰下深源和浅源的距离估计结果均较差，但仍可得到较好的距离估计。
为验证迁移学习模型的优越性，利用匹配场处理方法和多种数据集下的传统卷积神经网络方法与之对比。
在匹配场处理方法中，设置海域的搜素距离范围是0～5km，间隔为10m；深度范围1～200m，间隔为1m，利用上述参数计算拷贝场。测试海域为浅海，且为距离不相关的波导环境，声源发射信号为低频，因此使用基于简正波模型的Kraken程序进行仿真，声压场的互谱密度矩阵由S5和S59实验T3数据集中3个1s的快拍数据计算得到，基于Bartlett算法估计出水下目标声源的空间位置，图7为无强干扰下匹配场处理方法下的距离估计结果，可得到，在无强干扰下，由于简正波模型在距离为0～2km的条件下不适用，该部分测试集的估计准确度较低，而其它测试集的估计性能较好，但仍有一定的误差，相对深源，浅源的估计结果较好。图8为强干扰下匹配场处理方法下的距离估计结果，可得到，在强干扰下，MFP方法已不适用。
在多种数据集下的传统卷积神经网络方法，网络搭建和迁移学习方法中一致。在研究无强干扰下S5数据的小样本场景中，利用传统卷积神经网络训练，当训练集分别为T1数据集、T2数据集和T1/T2数据集时，图9、图10和图11分别为在无强干扰下三种训练集的T3数据集估计结果，可得到，在无强干扰的环境中，训练集为T1时，无法实现有效距离估计；训练集为T2时，可以在一定程度上实现距离估计，但误差较大；训练集为T1和T2的混合数据集时，可以较好实现距离估计，但仍有一定的误差。图12、图12和图13分别为在强干扰下三种训练集的T3数据集估计结果，在研究强干扰下S59数据的小样本场景中，经传统卷积神经网络训练可得到以下结果，可得到，传统卷积神经网络在强干扰和小样本场景中三种训练集下无法得到有效的距离估计。
将平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)作为衡量指标。
Figure BDA0003060739780000101
其中，Rgi为神经网络预测数据，Rti为实际数据。
表1和表2分别列出了无强干扰和强干扰下各个方法距离估计结果的MAPE。由横向对比可得，浅源和深源在迁移学习下的MAPE均远小于传统CNN和MFP，迁移学习的估计性能明显优于传统CNN和MFP；在各个传统CNN方法下训练集为T2数据集时，其MAPE最小，由此可见，训练集位置接近测试集时，估计性能较好，若T2数据集样本数较多，通过传统卷积神经网络理论上也可得到较好的估计，但在小样本场景中，通过传统卷积神经网络无法得到有效的估计；数据集为T1/T2的传统CNN方法的数据量和迁移学习方法一致，但它是在大范围地训练和估计，而迁移学习模型是在已经训练出的相近模型权重的条件下，对小样本海域再训练，即在充分利用了相近海域水声数据的基础上，对包含测试集的小样本海域实现小范围地重点训练和精确估计，所以，相比数据集为T1/T2的传统CNN方法，迁移学习方法估计结果较好。由纵向对比可得，相比深源，浅源的估计性能普遍较好，这是某些时间深源的信号缺失造成的。
表1无强干扰下浅源和深源在不同方法下距离估计结果的MAPE
Figure BDA0003060739780000111
表2强干扰下浅源和深源在不同方法下距离估计结果的MAPE
Figure BDA0003060739780000112

Claims (2)

1.一种基于迁移学习的小样本垂直阵目标距离估计方法，其特征在于步骤如下：
步骤1：对预选海域和探测海域的L个阵元的阵列接收的频域复声压进行范数归一化操作：
Figure FDA0003060739770000011
其中，f表示频率，pl(f)表示第l个水听器接收到的声压，网络输入归一化后复声压
Figure FDA0003060739770000012
的实部和虚部，从/>
Figure FDA0003060739770000013
中提取得到/>
Figure FDA0003060739770000014
Figure FDA0003060739770000015
网络输入特征
Figure FDA0003060739770000016
的维度为L×2F，其中F为频率数，Re表示实部，Im表示虚部；
以预选海域得到水声数据
Figure FDA0003060739770000017
作为T1数据集；在探测海域得到小样本水声数据/>
Figure FDA0003060739770000018
和测试数据/>
Figure FDA0003060739770000019
分别作为T2和T3数据集；
步骤2：建立测距的卷积神经网络的回归模型，包含输入层、3个卷积层，3个池化层、全连接层和输出层；
输入层尺寸由输入特征
Figure FDA00030607397700000110
大小决定，各个卷积层后即为一个池化层，3个卷积层中卷积滤波器大小分别为5×5、3×3和3×3，数量分别为128、128和256，池化层大小为2×2，输出层即回归层仅设置一个输出神经元，输出距离值；
步骤3：将含有预选海域大量水声数据的T1数据集作为测距的卷积神经网络的回归模型的输入训练集，得到基于卷积神经网络的预训练模型；
步骤4：将预训练模型的卷积层和池化层的权重保留，调整全连接层和输出层的权重，再训练由迁移层和调整层组成的网络，设置含有探测海域小样本水声数据的T2数据集为训练集，输入小样本水声数据
Figure FDA00030607397700000111
经再训练，得到迁移学习模型；
步骤5：迁移学习模型，输入探测海域测试数据
Figure FDA0003060739770000021
对T3测试集进行距离估计。
2.根据权利要求1所述的基于迁移学习的小样本垂直阵目标距离估计方法，其特征在于：所述步骤2的优化算法设置为sgdm，初始学习率为0.0001，批训练样本数量为128。
CN202110511977.XA 2021-05-11 2021-05-11 一种基于迁移学习的小样本垂直阵目标距离估计方法 Active CN113253248B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110511977.XA CN113253248B (zh) 2021-05-11 2021-05-11 一种基于迁移学习的小样本垂直阵目标距离估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110511977.XA CN113253248B (zh) 2021-05-11 2021-05-11 一种基于迁移学习的小样本垂直阵目标距离估计方法

Publications (2)

Publication Number Publication Date
CN113253248A CN113253248A (zh) 2021-08-13
CN113253248B true CN113253248B (zh) 2023-06-30

Family

ID=77222725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110511977.XA Active CN113253248B (zh) 2021-05-11 2021-05-11 一种基于迁移学习的小样本垂直阵目标距离估计方法

Country Status (1)

Country Link
CN (1) CN113253248B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114280541B (zh) * 2021-12-15 2022-11-22 中国科学院声学研究所 一种基于深海分布式垂直线列阵的目标被动定位方法
CN116108353B (zh) * 2023-04-12 2023-06-16 厦门大学 一种基于数据分组的小样本深度学习水声目标识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111983619A (zh) * 2020-08-07 2020-11-24 西北工业大学 一种基于迁移学习的水声目标前向散射声扰动定位方法
AU2020103613A4 (en) * 2020-11-23 2021-02-04 Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences Cnn and transfer learning based disease intelligent identification method and system

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111983619A (zh) * 2020-08-07 2020-11-24 西北工业大学 一种基于迁移学习的水声目标前向散射声扰动定位方法
AU2020103613A4 (en) * 2020-11-23 2021-02-04 Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences Cnn and transfer learning based disease intelligent identification method and system

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
多源域混淆的双流深度迁移学习;闫美阳;李原;;中国图象图形学报(第12期);全文 *

Also Published As

Publication number Publication date
CN113253248A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
Khishe et al. Passive sonar target classification using multi-layer perceptron trained by salp swarm algorithm
CN109993280B (zh) 一种基于深度学习的水下声源定位方法
CN113253248B (zh) 一种基于迁移学习的小样本垂直阵目标距离估计方法
CN109782231B (zh) 一种基于多任务学习的端到端声源定位方法及系统
RU2681242C1 (ru) Интеллектуальная система обнаружения и классификации морских целей
Shen et al. Matched-field geoacoustic inversion based on radial basis function neural network
CN113472390B (zh) 一种基于深度学习的跳频信号参数估计方法
Van Komen et al. Seabed type and source parameters predictions using ship spectrograms in convolutional neural networks
CN112990082B (zh) 一种水声脉冲信号的检测识别方法
CN113109794B (zh) 一种强噪声环境下基于深度神经网络的深海声源定深方法
Kubicek et al. Sonar target representation using two-dimensional Gabor wavelet features
Liu et al. Deep-learning geoacoustic inversion using multi-range vertical array data in shallow water
Van Komen et al. A CNN for range and seabed estimation on normalized and extracted time-series impulses
Goldwater et al. Machine-learning-based simultaneous detection and ranging of impulsive baleen whale vocalizations using a single hydrophone
CN117784250A (zh) 一种基于模型无关元学习算法的海底声学参数反演方法
CN113111923A (zh) 一种基于一维迁移学习卷积神经网络集成模型的供水管网泄漏检测与定位方法
Guo et al. Target depth estimation by deep neural network based on acoustic interference structure in deep water
Forman et al. Validating deep learning seabed classification via acoustic similarity
CN113109795B (zh) 一种基于深度神经网络的深海直达声区目标深度估计方法
Liu et al. Implementation of Bartlett matched-field processing using interpretable complex convolutional neural network
CN115796039A (zh) 基于简正波相位与多任务神经网络水下声源距离估计方法
RU2726992C1 (ru) Система обнаружения и классификации морских целей с использованием математической модели определения типа цели
Qasaymeh et al. Joint Time Delay and Frequency Estimation Based on Deep Learning
CN111965601A (zh) 一种基于核极限学习机的水下声源被动定位方法
CN114909610A (zh) 一种水下油气管道泄漏检测与定位的方法及控制系统

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