CN113688571B - 一种基于卷积相似度的水声环境参数分类方法 - Google Patents

一种基于卷积相似度的水声环境参数分类方法 Download PDF

Info

Publication number
CN113688571B
CN113688571B CN202110983334.5A CN202110983334A CN113688571B CN 113688571 B CN113688571 B CN 113688571B CN 202110983334 A CN202110983334 A CN 202110983334A CN 113688571 B CN113688571 B CN 113688571B
Authority
CN
China
Prior art keywords
underwater sound
convolution
matrix
network model
similarity
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
CN202110983334.5A
Other languages
English (en)
Other versions
CN113688571A (zh
Inventor
王红滨
王鹏鸣
张政超
何鸣
王勇
周连科
王念滨
孙彧
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 CN202110983334.5A priority Critical patent/CN113688571B/zh
Publication of CN113688571A publication Critical patent/CN113688571A/zh
Application granted granted Critical
Publication of CN113688571B publication Critical patent/CN113688571B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Biomedical Technology (AREA)
  • Computational Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

一种基于卷积相似度的水声环境参数分类方法，涉及水声环境参数反演领域。本发明是为了解决目前水声环境参数分类方法无法在保证网络性能的同时降低网络训练时间与网络参数规模，进而导致水声环境参数分类方法不适合低算力、低容量设备的问题。本发明包括：将待分类的水声信息矩阵输入到训练好的水声环境参数分类网络中获得分类好的水声环境参数；训练好的水声环境参数分类网络包括：利用水声信息矩阵训练超网络获取训练好的超网络和每个卷积输出的水声特征矩阵；对特征矩阵进行降维、拼接、利用高斯核卷积操作获得一维特征向量；获取特征矩阵相似度系数；对训练好的超网络裁剪，获取训练好的水声环境参数分类网络。本发明用于水声环境参数分类。

Description

一种基于卷积相似度的水声环境参数分类方法
技术领域
本发明涉及水声环境参数反演领域，特别涉及一种基于卷积相似度的水声环境参数分类方法。
背景技术
随着神经网络的不断发展，人们尝试利用深度学习方法来反演水声环境参数并且取得了很大的进步。所谓水声环境参数反演通常就是在水中布放水听器或者水听器阵对要反演的水域进行声场观测，然后对水听器接收到的声信号进行分析处理来估计感兴趣的水声环境参数，如温度、密度、深度等。用深度学习方法来反演水声环境参数是一个比较方便、高效的途径，因为这种方法一般只需要靠放一个或几个发射声源和接收声基阵就可以同时反演出大范围的水声环境参数，并且可以对水声环境长时间连续监测，与那些逐点测量水声环境参数的方法相比，优势不言而喻。但是，目前深度学习的相关研究已经证明，卷积神经网络的训练过程会消耗大量的时间，是因为一些可以被替代的卷积占用了大量的网络参数，使得网络结构存在大量冗余。所以，能否尽快确定卷积核之间的关系、进而寻找到最优子网络从而降低网络的参数规模进而减少训练时间是目前本领域研究的重点。
目前，主要采用优化神经网络结构的方法降低网络的参数规模。基于梯度下降算法的结构优化，即对卷积添加权重参数，并在训练过程中调整权重，最终总结出在训练过程中起到重要作用的卷积，同时删除作用较小的卷积。该方法可以在保证网络效果的同时有效的降低网络参数规模，但需要极长的训练时间与极高的硬件支持条件，同时消耗时间与算力所优化出的子网络不具备在不同数据环境下的泛化能力。自2018年Google提出较为完善的AutoML技术理念之后，目前以AutoML为基础进行研究的大多是具有财力与硬件支持的科技巨头和知名研究机构。因此目前的水声环境参数分类方法无法在保证网络性能的同时降低网络训练时间与网络参数规模，进而导致目前的水声环境参数分类方法并不适用于低算力、低容量的设备。
发明内容
本发明目的是为了解决目前的水声环境参数分类方法无法在保证网络性能的同时降低网络训练时间与网络参数规模，进而导致目前的水声环境参数分类方法并不适用于低算力、低容量的设备的问题，而提出了一种基于卷积相似度的水声环境参数分类方法。
一种基于卷积相似度的水声环境参数分类方法具体过程为：
将待分类的水声信息矩阵输入到训练好的水声环境参数分类神经网络模型中获得分类好的水声环境参数；
所述训练好的水声环境参数分类神经网络模型通过以下方式获得：
步骤一、获取水声信息矩阵，建立超网络模型并利用获取的水声信息矩阵训练超网络模型获取训练好的超网络模型α和每个卷积输出的水声特征矩阵；
所述水声信息矩阵包括：干端信号矩阵、湿端信号矩阵；
所述干端水声信号矩阵是母船发射的所有信号拼接成的矩阵；
所述湿端信号矩阵：接收信号船只将接收的所有声信号转换为电信号，所有电信号拼接成的矩阵即为湿端信号矩阵；
所述超网络模型包括：卷积层、累加层、池化层、线性分类器；
其中，每个卷积层包括多个卷积；
所述累加层的数量比卷积层的数量少1；
所述每个卷积输出的水声特征矩阵为超网络训练结束前准确率最高的一次迭代获得的模型中每个卷积输出的水声特征矩阵；
步骤二、对步骤一获取的每个水声特征矩阵进行降维，并对降维后的每个卷积层内的每个卷积输出的水声特征矩阵进行横向拼接处理获得二维水声特征矩阵(M1,IC×M2)；
其中，IC为输入通道数量，M1是水声特征矩阵的行数、M2水声特征矩阵的列数；
步骤三、对步骤一训练好的超网络模型α中不同卷积层内不同规格的卷积创建规格为(M1,M2)的高斯核，利用高斯核对步骤二获得的二维水声特征矩阵进行卷积操作获得一维水声特征向量；
步骤四、利用步骤三获得的一维水声特征向量获取每个卷积层中的每两个水声特征矩阵的相似度系数；
步骤五、根据步骤四获得的水声特征矩阵的相似度系数对训练好的超网络模型α进行裁剪，获取训练好的水声环境参数分类神经网络模型。
本发明的有益效果为：
本发明将深度学习技术与水声参数反演领域相结合，对水声环境参数进行分类。本发明绕过以反向梯度传播为导向的优化方法，提出了一种衡量同一卷积层内不同卷积之间的feature map相似性的新方法，本发明找出同一卷积层内的冗余卷积，从而指导网络结构的优化。本发明可以在保证网络性能的同时有效降低网络的参数规模，同时不需要长时间的迭代训练及高规格的硬件支持,因此更适合低算力、低容量的设备。实验表明，在保证正确率不变或上升的情况下，本发明可以有效降低网络参数规模达到60％以上，有效降低网络训练时间达到25％以上。该方法应用在深度越深、宽度越宽的神经网络中，参数规模和训练时间上的优化效果会越明显。
附图说明
图1为优化方法总体流程；
图2为超网络结构图；
图3为特征图处理流程图；
图4为相似度系数变化折线图；
图5为第10层卷积的权重相似度系数热力图。
具体实施方式
具体实施方式一：本实施方式一种基于卷积相似度的水声环境参数分类方法具体过程为：将待分类的水声信息矩阵数据输入到训练好的水声环境参数分类神经网络模型中获得分类好的水声环境参数；
所述训练好的水声环境参数分类神经网络模型通过以下方式获得(如图1)：
步骤一、获取水声信息矩阵，建立超网络模型并利用获取的水声信息矩阵训练超网络模型获取训练好的超网络模型α和每个卷积输出的水声特征矩阵；
所述水声信息矩阵包括：干端信号矩阵、湿端信号矩阵；
其中，干端信号来自于母船发射，母船携带发声设备在试验场固定位置发射调频(LFM80-90k,90-100k,100-110k)及单频信号(CW90k,100k,110k)，所发射的声音来自于信号源，信号源产生电信号，如果信号微弱，信号经过功率放大器进行增强，驱使发射换能器发射声信号，以模拟不同条件下的目标声信号。湿端信号来自于接收信号船只，接收船若干个水听器成一字排列，将水听器尽量布置在水深10m至35m之间不同位置处接收声信号。经过介质传播一定时间，各信号到达水听器，水听器将声信号转换成为电信号。经过测量放大器和滤波器，产生的电信号就会被存储到矩阵中。最后通过矩阵拼接，获得了存储干端及湿端数据的水声信息矩阵。
所述超网络模型包括：16个卷积层、15个累加层、一个池化层、一个线性分类器(如图2)；
所述卷积层和累加层穿插连接，最后一层卷积层连接池化层，池化层连接线性分类器，水声信息矩阵从卷积层输入，输出为分类后的水声环境参数；
所述超网络模型利用早停法结束训练；
所述16个卷积层中每个卷积层包含(1×1)、(3×3)、(5×5)和(7×7)四个卷积；
所述每个卷积输出的水声特征矩阵为超网络训练结束前准确率最高的一次迭代获得模型中每个卷积输出的水声特征矩阵；
所述每个卷积输出的水声特征矩阵是三维矩阵(IC,M1,M2)；
其中，IC为输入通道数量，M1是水声特征矩阵的行数、M2水声特征矩阵的列数；
步骤二、对步骤一获取的每个水声特征矩阵进行降维，并对降维后的每个卷积层内的每个卷积输出的水声特征矩阵进行横向拼接处理获得二维水声特征矩阵(M1,IC×M2)：(如图3)
所述对步骤一获取的每个水声特征矩阵进行降维具体为：将步骤一获取的每个三维水声特征矩阵(IC,M1,M2)降维为IC个规格为(M1,M2)的水声二维特征矩阵；
在本文设定的超网络中，同一卷积层内包含4个维度为(M1,IC×M2)的二维水声特征矩阵。该二维水声特性矩阵包含了水声数据的特性；
步骤三、对步骤一训练好的超网络模型α不同卷积内不同规格的卷积创建不同规格的高斯核，利用高斯核对步骤二获得的二维水声特征矩阵进行卷积操作获得一维水声特征向量；(如图3)
所述高斯核的规格为(M1,M2)；
所述一维水声特征向量的规格为(1,IC)；
同一卷积层内包含4个维度为(1,IC)的一维向量；
针对不同规格的卷积创建不同规格的高斯核，即使卷积在不同的卷积层，只要拥有相同的规格，那么所应用的高斯核是一样的。所述一维水声特征向量不再体现出水声的特性，所以在处理相似度的过程中不保留矩阵规格；
步骤四、利用步骤三获得的一维水声特征向量获取每个卷积层中的每两个水声特征矩阵的相似度系数：
首先，计算每一卷积层中任意两个一维水声特征向量之间的乘积除以模长获得的参数即为两个水声特征矩阵之间的相似度系数；
然后，利用每一个卷积层中的所有一维水声特征向量两两获取相似度系数，则每个卷积层中生成6种相似度系数；
图4为相似度系数变化的折线图。其中“rbr_1×3”等标注表示两种不同的卷积之间的相似度系数，横坐标为超网络的卷积层数，纵坐标为每一层卷积之间的相似度。其中两个卷积之间的相似度越高，数值越接近1；相似度越低，数值越接近0。
图5为第10层卷积的特征图相似度系数热力图。其中“rbr_1×1”等标注为四种不同的卷积，两个卷积之间的相似度越高，数值越接近1；相似度越低，数值越接近0。
步骤五、根据步骤四获得的水声特征矩阵的相似度系数对训练好的超网络模型α进行裁剪，获得训练好的水声环境参数分类神经网络模型：
步骤五一、设定裁剪阈值β，并使得β的初始值为1；
步骤五二、裁剪阈值β从1开始逐渐降低，每次降低前，首先保存此时的超网络模型结构与参数，同时记录超网络模型分类正确率，即保存此时训练好的超网络模型α的模型副本；
其中，β∈[0,1]；
步骤五三、将步骤五二中保存的训练好的超网络模型α的模型副本中每一卷积层内每两个卷积之间的水声特征矩阵相似度系数与此时的裁剪阈值比较，当某两个卷积的水声特征矩阵相似度系数高于或等于裁剪阈值时，删除两个卷积中规格较大的一个卷积；小于裁剪阈值时，不做任何操作，进而获得对训练好的超网络模型α裁剪后的网络模型；
步骤五四、利用步骤一获取的水声信息矩阵对步骤五三获得的裁剪后的网络模型进行再训练，对比再训练后的裁剪后的模型分类正确率与步骤五二记录的训练好的超网络模型α的分类正确率。若再训练后的正确率上升或不变则继续步骤五二、步骤五三的操作获得裁剪后的网络模型；若正确率下降，则将裁剪后的网络模型退回到步骤五二保存的超网络模型副本，同时结束训练，获得训练好的水声环境参数分类神经网络模型。

Claims (8)

1.一种基于卷积相似度的水声环境参数分类方法，其特征在于所述方法具体过程为：将待分类的水声信息矩阵输入到训练好的水声环境参数分类神经网络模型中获得分类好的水声环境参数；
所述训练好的水声环境参数分类神经网络模型通过以下方式获得：
步骤一、获取水声信息矩阵，建立超网络模型并利用获取的水声信息矩阵训练超网络模型获取训练好的超网络模型α和每个卷积输出的水声特征矩阵；
所述水声信息矩阵包括：干端信号矩阵、湿端信号矩阵；
所述干端水声信号矩阵是母船发射的所有电信号拼接成的矩阵；
所述湿端信号矩阵：接收信号船只将接收的所有声信号转换为电信号，所有电信号拼接成的矩阵即为湿端信号矩阵；
所述超网络模型包括：卷积层、累加层、池化层、线性分类器；
其中，每个卷积层包括多个卷积；
所述累加层的数量比卷积层的数量少1；
所述每个卷积输出的水声特征矩阵为超网络训练结束前准确率最高的一次迭代获得的模型中每个卷积输出的水声特征矩阵；
步骤二、对步骤一获取的每个水声特征矩阵进行降维，并对降维后的每个卷积层内的每个卷积输出的水声特征矩阵进行横向拼接处理获得二维水声特征矩阵(M1,IC×M2)；
其中，IC为输入通道数量，M1是水声特征矩阵的行数、M2水声特征矩阵的列数；
步骤三、对步骤一训练好的超网络模型α中不同卷积层内不同规格的卷积创建规格为(M1,M2)的高斯核，利用高斯核对步骤二获得的二维水声特征矩阵进行卷积操作获得一维水声特征向量；
步骤四、利用步骤三获得的一维水声特征向量获取每个卷积层中的每两个水声特征矩阵的相似度系数；
步骤五、根据步骤四获得的水声特征矩阵的相似度系数对训练好的超网络模型α进行裁剪，获取训练好的水声环境参数分类神经网络模型。
2.根据权利要求1所述的一种基于卷积相似度的水声环境参数分类方法，其特征在于：步骤一中所述每个卷积输出的水声特征矩阵为三维矩阵(IC,M1,M2)。
3.根据权利要求2所述的一种基于卷积相似度的水声环境参数分类方法，其特征在于：所述步骤二中对步骤一获取的每个水声特征矩阵进行降维后获得IC个规格为(M1,M2)的二维矩阵。
4.根据权利要求3所述的一种基于卷积相似度的水声环境参数分类方法，其特征在于：所述步骤三中获得的一维水声特征向量规格为(1,IC)。
5.根据权利要求4所述的一种基于卷积相似度的水声环境参数分类方法，其特征在于：所述步骤四中利用步骤三获得的一维水声特征向量获取每个卷积层中的每两个水声特征矩阵的相似度系数，包括以下步骤：
首先，将每一卷积层中任意两个一维水声特征向量之间的乘积除以模长获得的参数即为两个水声特征矩阵之间的相似度系数；
然后，利用每一个卷积层中的所有一维水声特征向量两两获取相似度系数，获得每个卷积层中所有的相似度系数。
6.根据权利要求5所述的一种基于卷积相似度的水声环境参数分类方法，其特征在于：所述两个水声特征矩阵之间的相似度系数用于衡量两个水声特征矩阵的相似度，其中相似度越高，相似度系数越接近1；相似度越低，相似度系数越接近0。
7.根据权利要求6所述的一种基于卷积相似度的水声环境参数分类方法，其特征在于：所述步骤五中根据步骤四获得的水声特征矩阵的相似度系数对训练好的超网络模型α进行裁剪，获取训练好的水声环境参数分类神经网络模型，包括以下步骤：
步骤五一、设定裁剪阈值β，并使得β的初始值为1；
步骤五二、裁剪阈值β从1开始逐渐降低，并保存每次β降低前的训练好的超网络模型α的结构与参数，同时记录超网络模型分类正确率即保存训练好的超网络模型α的模型副本；
步骤五三、将步骤五二中保存的训练好的超网络模型α的模型副本中每一卷积层内每两个卷积之间的水声特征矩阵相似度系数与此时的阈值比较，当某两个卷积中的水声特征矩阵相似度系数高于或等于裁剪阈值β时，删除两个卷积中规格较大的一个卷积；当某两个卷积中的水声特征矩阵相似度系数小于裁剪阈值β时，不做任何操作，进而获得对训练好的超网络模型α裁剪后的网络模型；
步骤五四、利用步骤一获取的水声信息矩阵对步骤五三获得的裁剪后的网络模型进行再训练，对比再训练后的裁剪后的网络模型分类正确率与步骤五二记录的训练好的超网络模型α的分类正确率；若再训练后的正确率上升或不变，则继续步骤五二、步骤五三的操作获得裁剪后的网络模型；若正确率下降，则将裁剪后的网络模型退回到步骤五二保存的α的模型副本，同时结束训练，获得训练好的水声环境参数分类神经网络模型。
8.根据权利要求7所述的一种基于卷积相似度的水声环境参数分类方法，其特征在于：所述步骤一中的超网络模型利用早停法结束训练。
CN202110983334.5A 2021-08-25 2021-08-25 一种基于卷积相似度的水声环境参数分类方法 Active CN113688571B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110983334.5A CN113688571B (zh) 2021-08-25 2021-08-25 一种基于卷积相似度的水声环境参数分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110983334.5A CN113688571B (zh) 2021-08-25 2021-08-25 一种基于卷积相似度的水声环境参数分类方法

Publications (2)

Publication Number Publication Date
CN113688571A CN113688571A (zh) 2021-11-23
CN113688571B true CN113688571B (zh) 2023-06-30

Family

ID=78582618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110983334.5A Active CN113688571B (zh) 2021-08-25 2021-08-25 一种基于卷积相似度的水声环境参数分类方法

Country Status (1)

Country Link
CN (1) CN113688571B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108509408A (zh) * 2017-02-27 2018-09-07 芋头科技（杭州）有限公司 一种句子相似度判断方法
CN110490230A (zh) * 2019-07-16 2019-11-22 西北工业大学 基于深度卷积生成对抗网络的水声目标识别方法
CN111583263A (zh) * 2020-04-30 2020-08-25 北京工业大学 一种基于联合动态图卷积的点云分割方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108509408A (zh) * 2017-02-27 2018-09-07 芋头科技（杭州）有限公司 一种句子相似度判断方法
CN110490230A (zh) * 2019-07-16 2019-11-22 西北工业大学 基于深度卷积生成对抗网络的水声目标识别方法
CN111583263A (zh) * 2020-04-30 2020-08-25 北京工业大学 一种基于联合动态图卷积的点云分割方法

Also Published As

Publication number Publication date
CN113688571A (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
Qiao et al. Underwater targets classification using local wavelet acoustic pattern and Multi-Layer Perceptron neural network optimized by modified Whale Optimization Algorithm
Zhou et al. Adaptive quantization for deep neural network
Kaveh et al. Design and implementation of a neighborhood search biogeography-based optimization trainer for classifying sonar dataset using multi-layer perceptron neural network
CN112731309B (zh) 一种基于双线性高效神经网络的有源干扰识别方法
CN109993280A (zh) 一种基于深度学习的水下声源定位方法
WO2022226856A1 (zh) 浅海多层海底地声参数反演方法、装置、计算机设备及存储介质
CN111983619B (zh) 一种基于迁移学习的水声目标前向散射声扰动定位方法
CN110531313A (zh) 一种基于深度神经网络回归模型的近场信号源定位方法
CN112990082B (zh) 一种水声脉冲信号的检测识别方法
Mallik et al. Predicting transmission loss in underwater acoustics using convolutional recurrent autoencoder network
CN112733447A (zh) 一种基于域自适应网络的水下声源定位方法及系统
CN112014791A (zh) 存在阵列误差的阵列pca-bp算法的近场源定位方法
CN113109794A (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
Ghavidel et al. Sonar data classification by using few-shot learning and concept extraction
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
CN113219404B (zh) 基于深度学习的水声阵列信号二维波达方向估计方法
CN113688571B (zh) 一种基于卷积相似度的水声环境参数分类方法
Durofchalk et al. Data driven source localization using a library of nearby shipping sources of opportunity
CN111580078B (zh) 基于融合模态闪烁指数的单水听器目标识别方法
CN112305502A (zh) 一种基于阵列不变量的水面水下声源二元判别方法
Liu et al. Implementation of Bartlett matched-field processing using interpretable complex convolutional neural network
CN115630326A (zh) 利用水听器监测海洋生态系统的健康状态的方法及装置
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
Ahmad et al. Deep Learning Based Classification of Underwater Acoustic Signals
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