CN114511774A - 一种舰船目标综合识别方法、介质和系统 - Google Patents
一种舰船目标综合识别方法、介质和系统 Download PDFInfo
- Publication number
- CN114511774A CN114511774A CN202111578519.4A CN202111578519A CN114511774A CN 114511774 A CN114511774 A CN 114511774A CN 202111578519 A CN202111578519 A CN 202111578519A CN 114511774 A CN114511774 A CN 114511774A
- Authority
- CN
- China
- Prior art keywords
- ship
- data set
- training
- network
- radiation noise
- 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
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
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种舰船目标综合识别方法,包括:分别采集并预处理舰船红外视频数据、侧扫声呐图像数据、舰船辐射噪声数据;对舰船红外视频数据集、侧扫声呐图像数据集、舰船辐射噪声数据集分别构建适合数据的异构学习模型并进行训练,获取对应的三组不同网络的分类结果;根据测试数据的变化同步更新网络参数,提高模型匹配度,提升各个识别模型的准确率;对三组异构数据的识别结果放入更新后投票决策理论算法中,融合三组舰船目标数据的识别结果,得到最终的舰船目标综合识别结果。本发明规避了单一目标特征识别准确率低的影响,结合训练模型和决策算法能够有效提升识别精准度,高效地识别海面舰船目标,具有切实可行的实用价值和应用前景。
Description
技术领域
本发明涉及舰船目标识别领域,尤其涉及一种舰船目标综合识别方法、介质和系统。
背景技术
近年来,随着国家海洋经济的迅速发展,对海面舰船目标的识别工作需求日益激增。利用视频识别技术可以有效识别海面目标船只的类型和舷号;利用红外视频识别结束可以识别舰船发动机热量信息,从而区分船只;利用图像声呐技术可以识别船在水下目标的运动情况,以及监测水下运动的安全状况;利用辐射噪声识别技术可以区分水中船只的类型和舷号,利用不同的识别结束可以对不同信号源的数据进行识别,但是识别的结果根据环境的不同也会产生千差万别的变化。
当前海面和水下的目标识别通常利用单一的辐射噪声数据源获取数据,这种方法识别效率较低,但由于其稳定的识别效果,也常被用于舰船目标的识别工作。而视频技术和图像声呐技术的迅猛发展,利用人工智能替代人工进行识别的技术,使得当前舰船目标识别技术朝着多元化方向前进。
因此,选择合适的识别技术至关重要,若有一种方法能将各种识别技术取长补短,提取不同识别技术的优点,融合不同识别技术就显得尤为重要。
发明内容
发明目的:针对现有舰船目标单一特征识别技术的不足,提供一种高效准确的舰船目标综合识别系统、介质和方法。
技术方案:一种舰船目标综合识别方法,包括:
步骤1:分别采集并预处理舰船红外视频数据、侧扫声呐图像数据、舰船辐射噪声数据;
步骤2:对舰船红外视频数据集、侧扫声呐图像数据集、舰船辐射噪声数据集分别构建适合数据的异构学习模型并进行训练,获取对应的三组分类结果,根据测试数据的变化同步更新网络参数,提高模型匹配度,提升各个识别模型的准确率;
步骤3:对三组异构数据的识别结果放入更新后投票决策理论算法中,融合三组舰船目标数据的识别结果,得到最终的舰船目标综合识别结果。
进一步地,侧扫声呐图像的部分数据通过生成对抗网络模型生成。
进一步地,步骤2中,选取RBF网络结构,利用舰船红外视频数据集进行训练,得到其舰船目标识别结果;选取GAN网络结构,利用侧扫声呐图像数据集进行训练,得到其舰船目标识别结果;选取半监督学习模型,利用舰船辐射噪声数据集进行训练,得到其舰船目标识别结果。
进一步地,步骤2中,采用模型进行训练的步骤包括:
根据舰船红外视频数据集、侧扫声呐图像数据集、舰船辐射噪声数据集的测试结果分别调整对应的RBF网络模型、GAN网络模型、半监督学习模型的网络参数;经过初始化学习模型得到的初始识别结果作为训练集重复迭代进行训练,调整网络参数,增加训练的数据量,提升单个网络模型的识别准确率;将舰船红外视频数据集、侧扫声呐图像数据集、舰船辐射噪声数据集对应代入RBF网络模型、GAN网络模型、半监督学习模型,获得对应的三组分类结果的准确率;利用测试集评价不同网络的分类性能,调整网络参数,直到识别网络参数适合当前数据集。
进一步地,分别选取数据集的80%做训练集、20%做测试集。
进一步地,步骤3具体包括:采用GA合并和加权投票决策融合的方式,将网络中不同层的权重矩阵和偏差向量传递给下一代;利用交叉算法获得新一代网络;根据网络适应度调整子代参数,然后重复执行整个过程,确定下一代网络权重参数,完成对模型的评估。
在具体实施过程中,存在计算机可读存储介质,其特征在于,包括供一个或多个处理器执行的一个或多个程序,一个或多个程序包括用于执行如上述的任一方法的指令。
适用于上述方法的舰船目标综合识别系统,该系统包括:
采集模块:用于采集舰船红外视频数据集、侧扫声呐图像数据集、船辐射噪声数据集;
预处理模块:用于舰船红外视频数据集进行预处理;侧扫声呐图像数据集进行切分、去噪预处理;舰船辐射噪声数据集去噪预处理;
训练模块:用于对舰船红外视频数据集、侧扫声呐图像数据集、舰船辐射噪声数据集分别构建相应学习模型并进行训练,获取对应的三组分类结果;
融合模块:将识别结果求取识别率,将识别结果放入GA合并网络模型和加权投票决策融合模型,得到最终的舰船目标综合识别结果。
有益效果:与现有技术相比,本发明具有如下显著的优点:利用不同数据集对应不同模型训练网络的优势提取特征对目标进行识别分类;利用GA合并网络模型和加权投票决策的算法可以提高识别准确率,融合异构数据的识别结果,结合多种不同的识别模型,避免单一目标特征识别准确率低的影响;针对不同特征的异构识别模型结合决策理论的算法,综合视频、图像和音频数据,能够有效提升整体识别精准度,高效地识别海面舰船目标。
附图说明
图1为本发明中系统框架流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示,舰船目标的综合识别方法,包括以下步骤:对舰船红外视频进行预处理,侧扫声呐数据集进行预处理,对舰船辐射噪声数据进行预处理;对不同数据集提取舰船各数据特征;对舰船红外视频数据构建适应视频数据集的学习模型,对侧扫声呐数据集构建GAN生成对抗网络学习模型,对舰船辐射噪声数据构建适应音频数据的半监督学习模型;对三组分类结果求取识别准确率,基于GA合并网络模型和加权投票决策融合的方法得到最终的识别准确率。
视频、图像、音频三种异构数据的识别结果通过机器自学习模式修改网络参数,利用GA合并和加权投票决策融合的方法融合到仪器,减少训练数据的依赖,提高决策判断效率,提升舰船目标综合识别的准确率。
分别对舰船红外视频进行预处理,侧扫声呐数据集进行预处理,对舰船辐射噪声数据进行预处理;舰船红外视频数据,侧扫声呐图像数据,舰船辐射噪声数据分别构建适合数据的异构学习模型并进行训练,获取对应的三组分类结果;利用测试集评价不同网络的分类性能,调整网络参数,直到识别网络参数适合当前数据集;侧扫声呐图像的部分数据通过生成对抗网络模型生成;各个网络根据测试数据的变化同步更新网络参数,提高模型匹配度,提升各个识别模型的准确率。
对三组异构数据的识别结果放入更新后投票决策理论算法中,融合三组舰船目标数据的识别结果,得到最终的舰船目标综合识别结果。
选取RBF网络结构,利用舰船红外视频数据集进行训练,得到红外视频舰船目标识别结果;选取GAN网络结构,利用侧扫声呐图像数据集进行训练,得到声呐图像舰船目标识别结果;选取半监督学习模型,利用舰船辐射噪声数据集进行训练,得到辐射噪声音频的舰船目标识别结果。
分别根据舰船红外视频数据集、侧扫声呐图像数据集、舰船辐射噪声数据集的调整对应的RBF网络模型、GAN网络模型、半监督学习模型的网络参数;经过初始化学习模型得到的初始识别结果作为训练集重复迭代进行训练,调整网络参数,增加训练的数据量,提升单个网络模型的识别准确率;将舰船红外视频数据集、侧扫声呐图像数据集、舰船辐射噪声数据集对应分别代入RBF网络模型、GAN网络模型、半监督学习模型,获得对应的三组分类的结果;其中,侧扫声呐图像数据量相对较少,需要利用GAN生成对抗网络生成部分数据再进行识别;不同的数据集适合不同的网络训练模型,得到的识别准确率为各自网络下的最优解,再将最优解放入融合模块,提升目标整体判断的识别准确率。
采用GA合并和加权投票决策融合的方式,将网络中不同层的权重矩阵和偏差向量传递给下一代;利用交叉算法获得新一代网络;根据网络适应度调整子代参数,然后重复执行整个过程,确定下一代网络权重参数,完成对模型的评估。
经过GA合并不同网络的识别准确率,引入加权投票决策算法进行最终的同源异构数据的融合。首先设定参数a=1/num,num是训练样本总数,设定初始权重wi=1,不同i对应不同网络的权重值,Pa,a表示不同网络识别结果的概率,c表示设定正确的目标类别:
wi=wi+a×n,labeli=c
w=w×(1/Pa,a)
更进一步,加权投票决策融合过程为,三个不同网络识别结果的得分,其中n表示当前状态,score_n表示当前状态的得分,Pa,a表示识别状态固定不变的概率,最终的识别结果:
将GA合并和加权投票决策融合用于三种不同形式数据的融合,根据三组分类结果求取模型的识别率等性能指标,并利用GA合并不同网络的识别准确率,再放入加权投票决策算法中融合三组同源异构数据的识别结果,最终得到舰船目标的综合识别结果。
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。
本发明的具体实施方式中,未涉及到的说明属于本领域的公知技术,可参考公知技术加以实施。
Claims (8)
1.一种舰船目标综合识别方法,其特征在于,包括:
步骤1:分别采集并预处理舰船红外视频数据、侧扫声呐图像数据、舰船辐射噪声数据;
步骤2:对舰船红外视频数据集、侧扫声呐图像数据集、舰船辐射噪声数据集分别构建适合数据的异构学习模型并进行训练,获取对应的三组分类结果,根据测试数据的变化同步更新网络参数;
步骤3:对三组异构数据的识别结果放入更新后投票决策理论算法中,融合三组舰船目标数据的识别结果,得到最终的舰船目标综合识别结果。
2.根据权利要求1所述的舰船目标综合识别方法,其特征在于,所述侧扫声呐图像的部分数据通过生成对抗网络模型生成。
3.根据权利要求1所述的舰船目标综合识别方法,其特征在于,所述步骤2中,选取RBF网络结构,利用舰船红外视频数据集进行训练,得到其舰船目标识别结果;选取GAN网络结构,利用侧扫声呐图像数据集进行训练,得到其舰船目标识别结果;选取半监督学习模型,利用舰船辐射噪声数据集进行训练,得到其舰船目标识别结果。
4.根据权利要求3所述的舰船目标综合识别方法,其特征在于,所述步骤2中,采用模型进行训练的步骤包括:
根据舰船红外视频数据集、侧扫声呐图像数据集、舰船辐射噪声数据集的测试结果分别调整对应的RBF网络模型、GAN网络模型、半监督学习模型的网络参数;经过初始化学习模型得到的初始识别结果作为训练集重复迭代进行训练,调整网络参数;将舰船红外视频数据集、侧扫声呐图像数据集、舰船辐射噪声数据集对应代入RBF网络模型、GAN网络模型、半监督学习模型,获得对应的三组分类结果的准确率;利用测试集评价不同网络的分类性能,调整网络参数,直到识别网络参数适合当前数据集。
5.根据权利要求1所述的舰船目标综合识别方法,其特征在于,按照4:1的比例划分训练集和测试集。
6.根据权利要求1所述的舰船目标综合识别方法,其特征在于,所述步骤3具体包括:采用GA合并和加权投票决策融合的方式,将网络中不同层的权重矩阵和偏差向量传递给下一代;利用交叉算法获得新一代网络;根据网络适应度调整子代参数,然后重复执行整个过程,确定下一代网络权重参数,完成对模型识别效果的综合评估。
7.一种计算机可读存储介质,其特征在于,包括供一个或多个处理器执行的一个或多个程序,所述一个或多个程序包括用于执行如权利要求1-6任一所述方法的指令。
8.一种舰船目标综合识别系统,其特征在于,所述系统包括:
采集模块:用于采集舰船红外视频数据集、侧扫声呐图像数据集、船辐射噪声数据集;
预处理模块:用于舰船红外视频数据集进行预处理;侧扫声呐图像数据集进行切分、去噪预处理;舰船辐射噪声数据集去噪预处理;
训练模块:用于对舰船红外视频数据集、侧扫声呐图像数据集、舰船辐射噪声数据集分别构建相应学习模型并进行训练,获取对应的三组分类结果;
融合模块:将识别结果求取识别率,将识别结果放入GA合并网络模型和加权投票决策融合模型,得到最终的舰船目标综合识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111578519.4A CN114511774A (zh) | 2021-12-22 | 2021-12-22 | 一种舰船目标综合识别方法、介质和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111578519.4A CN114511774A (zh) | 2021-12-22 | 2021-12-22 | 一种舰船目标综合识别方法、介质和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114511774A true CN114511774A (zh) | 2022-05-17 |
Family
ID=81547822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111578519.4A Pending CN114511774A (zh) | 2021-12-22 | 2021-12-22 | 一种舰船目标综合识别方法、介质和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114511774A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115620172A (zh) * | 2022-12-21 | 2023-01-17 | 中国电子科技集团公司第十四研究所 | 一种基于跨域多特征海上舰船目标智能化综合识别方法 |
CN117315377A (zh) * | 2023-11-29 | 2023-12-29 | 山东理工职业学院 | 基于机器视觉的图像处理方法、装置及电子设备 |
-
2021
- 2021-12-22 CN CN202111578519.4A patent/CN114511774A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115620172A (zh) * | 2022-12-21 | 2023-01-17 | 中国电子科技集团公司第十四研究所 | 一种基于跨域多特征海上舰船目标智能化综合识别方法 |
CN117315377A (zh) * | 2023-11-29 | 2023-12-29 | 山东理工职业学院 | 基于机器视觉的图像处理方法、装置及电子设备 |
CN117315377B (zh) * | 2023-11-29 | 2024-02-27 | 山东理工职业学院 | 基于机器视觉的图像处理方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807365B (zh) | 一种基于gru与一维cnn神经网络融合的水下目标识别方法 | |
Yulin et al. | Shipwreck target recognition in side-scan sonar images by improved YOLOv3 model based on transfer learning | |
CN108596030A (zh) | 基于Faster R-CNN的声呐目标检测方法 | |
CN114511774A (zh) | 一种舰船目标综合识别方法、介质和系统 | |
CN109581339B (zh) | 一种基于头脑风暴自动调整自编码网络的声呐识别方法 | |
CN112767447A (zh) | 基于深度霍夫优化投票的时敏单目标跟踪方法、存储介质和终端 | |
CN112905828A (zh) | 一种结合显著特征的图像检索器、数据库及检索方法 | |
CN111126155B (zh) | 一种基于语义约束生成对抗网络的行人再识别方法 | |
CN112801019A (zh) | 基于合成数据消除无监督车辆再识别偏差的方法及系统 | |
CN116912796A (zh) | 一种基于新型动态级联YOLOv8的自动驾驶目标识别方法及装置 | |
CN111144462A (zh) | 一种雷达信号的未知个体识别方法及装置 | |
CN114218988A (zh) | 一种样本不均衡下的单向接地故障馈线识别方法 | |
CN114399661A (zh) | 一种实例感知主干网络训练方法 | |
CN116561562B (zh) | 一种基于波导奇异点的声源深度最优化获取方法 | |
CN117370832A (zh) | 基于贝叶斯神经网络的水声目标识别方法及装置 | |
Yin | The method of table tennis players' posture recognition based on a genetic algorithm | |
Sun et al. | Multi-AUV target recognition method based on GAN-meta learning | |
CN114821174B (zh) | 一种基于内容感知的输电线路航拍图像数据清洗方法 | |
CN116343825A (zh) | 一种基于样本映射的少样本水声目标识别方法 | |
CN112598662B (zh) | 一种基于隐藏信息学习的图像美学描述生成方法 | |
Dewi et al. | Deep Learning for Advanced Similar Musical Instrument Detection and Recognition | |
CN115471759A (zh) | 一种少样本条件下基于高分辨率光学卫星遥感影像的舰船舰级识别技术 | |
CN113553708A (zh) | 一种溯源仿真模型关键影响因素的方法和装置 | |
Chen et al. | Differential evolution algorithm with learning selection strategy for SAR image change detection | |
CN113011446A (zh) | 一种基于多源异构数据学习的智能目标识别方法 |
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 |