CN115792807A - 基于孪生网络的半监督学习水下声源定位方法 - Google Patents
基于孪生网络的半监督学习水下声源定位方法 Download PDFInfo
- Publication number
- CN115792807A CN115792807A CN202310103560.9A CN202310103560A CN115792807A CN 115792807 A CN115792807 A CN 115792807A CN 202310103560 A CN202310103560 A CN 202310103560A CN 115792807 A CN115792807 A CN 115792807A
- Authority
- CN
- China
- Prior art keywords
- data set
- sample
- sound source
- labeled
- samples
- 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 78
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims description 29
- 230000004807 localization Effects 0.000 claims description 28
- 238000001514 detection method Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005192 partition Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 229910000976 Electrical steel Inorganic materials 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提出了一种基于孪生网络的半监督学习水下声源定位方法，该方法包括：获取水下声源的标注数据集和未标注数据集，并基于标注数据集生成样本对数据集；通过样本对数据集训练孪生网络，并基于训练完成的孪生网络对未标注数据集中的每个未标注样本生成伪标签；通过预设的置信度准则判断每个伪标签的可靠性，将满足置信度准则的样本数据从未标注数据集中转移至标注数据集中；通过扩充完成的标注数据集训练声源定位神经网络，并通过训练完成的声源定位神经网络对水下声源进行定位。该方法可以仅利用少量的标注数据实现对水下声源的精准定位，提高水下声源定位的精确性和便利性。
Description
技术领域
本申请涉及目标定位技术领域，尤其涉及一种基于孪生网络的半监督学习水下声源定位方法。
背景技术
随着对海洋的探索和开发变得日益频繁，水下目标定位技术在海底光缆线路铺设、大范围海洋空间及环境数据获取和海洋资源勘探与开发等领域的需求越来越高。其中，电磁波技术的发展应用为空域目标定位提供了有力的技术工具，然而，受到海洋复杂环境的影响，电磁波在海水中的衰减非常严重，传播距离非常有限。而声波是目前已知的唯一一种能够在海水中远距离传播的信号，因此，利用声学信号进行水下目标定位是实现水下目标定位的主流方式。
相关技术中，在利用声学信号进行水下目标定位，即对水下声源进行定位时，匹配场处理（MFP，Matched Filed Processing)及其衍生方法是水下声源定位中最常使用的方法。MFP通过生成声源可能位置的拷贝向量与接收向量对比，从而确定目标的位置。但是，这种方法需要准确的海洋环境信息建立声传播模型，当海洋环境发生变化，该方法的定位效果将急剧下降，且建立模型也需要大量的数据，为实际实施定位带来不便。
因此，如何以少量的数据实现对水下声源更加精确的定位，成为目前亟需解决的问题。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请的第一个目的在于提出一种基于孪生网络的半监督学习水下声源定位方法，该方法基于孪生网络和半监督学习技术，能够利用少量的标注数据实现对水下声源的精准定位，解决标注数据缺少的问题，提高水下声源定位的精确性和便利性。
本申请的第二个目的在于提出一种基于孪生网络的半监督学习水下声源定位系统；
本申请的第三个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的，本申请的第一方面实施例在于提出一种基于孪生网络的半监督学习水下声源定位方法，该方法包括以下步骤：
获取水下声源的标注数据集和未标注数据集，并基于所述标注数据集生成样本对数据集；
通过所述样本对数据集训练孪生网络，并基于训练完成的孪生网络对所述未标注数据集中的每个未标注样本生成伪标签；
通过预设的置信度准则判断每个所述伪标签的可靠性，将满足所述置信度准则的样本数据从所述未标注数据集中转移至所述标注数据集中；
通过扩充完成的标注数据集训练声源定位神经网络，并通过训练完成的声源定位神经网络对所述水下声源进行定位。
可选地，在本申请的一个实施例中，所述基于所述标注数据集生成样本对数据集，包括：从所述标注数据集中选取两个标注样本组成样本对，获取所述两个标注样本各自的标签；计算所述两个标注样本的标签的差值的绝对值，并将所述绝对值与划分阈值进行比较，确定所述样本对的相似性判别结果；将所述样本对和所述相似性判别结果组合后添加至初始样本对数据集中，并重新选取标注样本进行重复更新初始样本对数据集的操作，直至遍历完成所述标注数据集；复制更新完成的初始样本对数据集中的相似样本对，将相似样本对的数量与不相似样本对的数量调节至匹配，以生成所述样本对数据集。
可选地，在本申请的一个实施例中，所述孪生网络,包括：第一特征生成网络、第二特征生成网络、特征融合网络和全连接网络，其中，所述第一特征生成网络，用于将第一输入数据投影至特征空间，生成第一特征向量，所述第二特征生成网络，用于将第二输入数据投影至特征空间，生成第二特征向量；所述特征融合网络，用于融合所述第一特征向量和所述第二特征向量；所述全连接网络，用于根据融合后的特征向量输出所述第一输入数据和所述第二输入数据的相似性。
可选地，在本申请的一个实施例中，所述基于训练完成的孪生网络对所述未标注数据集中的每个未标注样本生成伪标签，包括：对于所述未标注数据集中的任一未标注样本，通过训练完成的孪生网络计算所述标注数据集中的每个标注样本与所述任一未标注样本的相似性；从所述标注数据集中选取相似性最高的预设数量个标注样本，计算所述预设数量个标注样本的标签的平均值，将所述平均值作为所述任一未标注样本的伪标签。
可选地，在本申请的一个实施例中，所述通过预设的置信度准则判断每个所述伪标签的可靠性，包括：判断所述预设数量个标注样本中的每个标注样本与所述任一未标注样本的相似性是否均高于预设的相似度要求；判断所述预设数量个标注样本是否分布在限定范围内。
可选地，在本申请的一个实施例中，所述预设的置信度准则通过以下公式表示：
其中，
表示所述预设数量个标注样本中的各个标注样本与所述任一未标注样本的相似性，
是所述预设数量个标注样本中的标签的最大值，
是所述预设数量个标注样本中的标签的最小值，
是样本相似度阈值，
是样本分布阈值，
是选取的标注样本的预设数量，
是所述预设数量个标注样本中的任一标注样本。
可选地，在本申请的一个实施例中，在所述获取水下声源的标注数据集和未标注数据集之前，还包括：通过水听器采集所述水下声源的检测数据；对所述检测数据进行离散傅里叶变换，并将离散傅里叶变换后的检测数据进行归一化处理。
为达上述目的，本申请的第二方面实施例还提出了一种基于孪生网络的半监督学习水下声源定位系统，包括以下模块：
第一生成模块，用于获取水下声源的标注数据集和未标注数据集，并基于所述标注数据集生成样本对数据集；
第二生成模块，用于通过所述样本对数据集训练孪生网络，并基于训练完成的孪生网络对所述未标注数据集中的每个未标注样本生成伪标签；
判断模块，用于通过预设的置信度准则判断每个所述伪标签的可靠性，将满足所述置信度准则的样本数据从所述未标注数据集中转移至所述标注数据集中；
定位模块，用于通过扩充完成的标注数据集训练声源定位神经网络，并通过训练完成的声源定位神经网络对所述水下声源进行定位。
可选地，在本申请的一个实施例中，第一生成模块，具体用于：从所述标注数据集中选取两个标注样本组成样本对，获取所述两个标注样本各自的标签；计算所述两个标注样本的标签的差值的绝对值，并将所述绝对值与划分阈值进行比较，确定所述样本对的相似性判别结果；将所述样本对和所述相似性判别结果组合后添加至初始样本对数据集中，并重新选取标注样本进行重复更新初始样本对数据集的操作，直至遍历完成所述标注数据集；复制更新完成的初始样本对数据集中的相似样本对，将相似样本对的数量与不相似样本对的数量调节至匹配，以生成所述样本对数据集。
为了实现上述实施例，本申请第三方面实施例还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中的基于孪生网络的半监督学习水下声源定位方法。
本申请的实施例提供的技术方案至少带来以下有益效果：本申请首先利用改进的孪生网络学习一种新的相似度衡量准则并为未标注数据生成伪标签。然后，使用新的置信度标准判断伪标签的可靠性，将可信的伪标签及其对应的未标注数据添加到标注数据集中。该置信度准则根据相似度得分和相似样本分布确定伪标签的可信度。最后，在扩充后的标注数据集上训练神经网络，通过训练完成的声源定位神经网络实现水下声源定位。由此，本申请能够有效扩充标注数据的容量，缓解实际应用中标注数据缺少的问题，进而通过扩充后大量的标注数据训练声源定位神经网络，有利于网络模型更好地收敛，进而通过声源定位神经网络进行定位时，可以提高水下源定位准确性。从而，本申请能够利用少量的标注数据实现对水下声源的精准定位，提高水下声源定位的精确性，且不需要采集大量标注的实测数据，便于实施，提高水下声源定位的便利性和实用性。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例提出的一种基于孪生网络的半监督学习水下声源定位方法的流程图；
图2为本申请实施例提出的一种样本对数据集的生成方法的流程图；
图3为本申请实施例提出的一种孪生网络的结构示意图；
图4为本申请实施例提出的一种伪标签的生成方法的流程图；
图5为本申请实施例提出的一种伪标签生成结果的示意图；
图6为本申请实施例提出的一种水下声源定位结果的示意图；
图7为本申请实施例提出的一种具体的基于孪生网络的半监督学习水下声源定位方法的流程图；
图8为本申请实施例提出的一种基于孪生网络的半监督学习水下声源定位系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
需要说明的是，随着深度学习技术的发展，在本申请实施例中，可以通过深度学习技术实现智能水下定位，基于深度学习技术的水下源定位，能够直接从数据中学习信号特征和声源位置信息的映射关系，即利用数据建立声源信号和声源位置之间的映射关系。其输入是经过预处理的声压信息，输出是声源的位置信息，比如距离、深度和波达角，然后通过梯度反向传播算法不断优化网络模型。训练好的神经网络可以直接给出新的接收信号对应的声源位置信息，实现快速目标定位。通过这种端到端的数据驱动的方法，能够实现在较高准确性的同时更好地适应海洋复杂环境的变化。
然而，深度学习的方法需要大量的标注数据进行监督训练。在实际的水下定位任务中，受限于海试实验成本和非合作目标等影响，标注数据的采集比较困难。实际应用时，可以通过使用声传播模型来创建一个覆盖真实场景的巨大模拟数据集。但是，这种方法存在两个主要的局限性：首先，创建如此庞大的模拟数据集耗时且需要大量的计算机存储资源；其次，创建模拟数据集的环境参数集可能无法解释和适应现实世界场景中的环境变化。因此，标注数据不足限制了深度学习方法的应用
然而，虽然采集标注的实测数据较为困难，但是大量的未标注数据却较容易获得。因此，本申请使用半监督学习的方法，利用少量的标注数据和大量的未标注数据完成水下源定位任务。半监督学习利用标注数据生成未标注数据的伪标签，如果该伪标签与真实标签接近就可以用来扩充标注数据集，进而帮助神经网络更好地收敛。
但是，传统的半监督学习使用几何距离（比如，欧几里得距离）判断样本相似性，并生成伪标签。在水位声源定位时，这两个几何距离相似的样本实际标签可能相差很远，会导致将一些噪声样本添加到标注数据集中。此外，传统的半监督学习方法需要通过添加单个样本后的性能增益判断该伪标签是否可信，导致计算成本过高。
为此，本申请提出一种基于改进孪生网络的半监督水下源定位方法，并提出一种新的置信度判别准则，能够提高水下声源定位的精确性和便利性，降低计算成本。
下面参考附图描述本发明实施例所提出的一种基于孪生网络的半监督学习水下声源定位方法和系统。
图1为本申请实施例提出的一种基于孪生网络的半监督学习水下声源定位方法的流程图，如图1所示，该方法包括以下步骤：
步骤S101，获取水下声源的标注数据集和未标注数据集，并基于标注数据集生成样本对数据集。
其中，标注数据集是指该数据集中的各个数据已具有标签，未标注数据集是指该数据集中的各个数据没有实际的标签。这两个数据集中的数据是采集的关于待定位的水下声源的声信号，比如，声压信息，标注数据的标签可以是标注出的声源的位置信息，比如，待定位的水下声源与数据采集设备之间的水平距离等。
具体实施时，可以根据实际的水下定位任务的情况通过各种方式采集待定位的水下声源的信息，再获取其中的标注数据集和未标注数据集。举例而言，可以通过水听器采集水下声源的声信号，水听器是一种将声信号转换成电信号的换能器，它可以接收水中的声信号。在获取水听器的接收数据后，通过人工标注等方式确定少量的标注数据，或者通过其他方式直接采集少量标注数据和大量未标注数据。
在本申请一个实施例中，为了便于后续进行数据分析和计算等处理操作，在获取水下声源的标注数据集和未标注数据集之前，还包括：通过水听器采集水下声源的检测数据；对检测数据进行离散傅里叶变换，并将离散傅里叶变换后的检测数据进行归一化处理。具体而言，在获取水听器的接收数据后，对接收数据进行预处理，包括先对检测数据进行离散傅里叶变换（Discrete Fourier Transform，简称DFT），通过离散傅里叶变换将检测数据从时间域变换到频率域，从而便于后续分析研究数据的频谱结构和变化规律。然后，将离散傅里叶变换后的检测数据进行归一化处理，通过归一化处理进行简化计算，将有量纲的数据转换为无量纲的形式，形成标量，可以避免不同物理意义和量纲的数据无法在后续进行计算使用。
进一步的，在获取标注数据集L和未标注数据集U后，基于标注数据集L生成样本对数据集P。需要说明的是，如上所述，本申请基于孪生网络进行水下声源的定位，孪生网络是一种能够判断两个样本相似性的网络，需要一些相似样本对和不相似样本对的数据进行训练，因此，在利用孪生网络生成未标注样本生成伪标签之前，需要先生成样本对数据集作为孪生网络的训练数据。其中，样本对数据集中的相似样本对指由两个相似的样本组成的数据对，不相似样本对指由两个不相似的样本组成的数据对。
为了更加清楚地说明本申请生成样本对数据集的具体实现过程，下面以在本申请一个实施例中提出的一种具体的样本对数据集的生成方法进行详细说明。图2为本申请实施例提出的一种样本对数据集的生成方法的流程图。
如图2所示，该方法包括以下步骤：
步骤S201，从标注数据集中选取两个标注样本组成样本对，获取两个标注样本各自的标签。
具体的，两个样本是否相似可以由样本的标签的确定，由于本申请获取的标注数据集中的数据已有标签，因此从标注数据集中选取两个标注样本组成样本对，同时读取每个标注样本的标签。选取方式可以是任意选取两个或按序依次选取两个等，此处不做限制。
步骤S202，计算两个标注样本的标签的差值的绝对值，并将绝对值与划分阈值进行比较，确定样本对的相似性判别结果。
具体的，本申请实施例根据两个样本的标签的差值的绝对值判断这两个样本是否相似，如果标签差值的绝对值足够小，就判定这两个样本相似，否则不相似。本申请实施例预先设置了一个较小的划分阈值，该划分阈值用于判断标签差值的绝对值是否足够小，当绝对值小于该划分阈值时，表明这两个样本的相似性符合要求，则该样本对的相似性判别结果为相似样本对，若绝对值大于或等于划分阈值时，则该样本对的相似性判别结果为不相似样本对。
步骤S203，将样本对和相似性判别结果组合后添加至初始样本对数据集中，并重新选取标注样本进行重复更新初始样本对数据集的操作，直至遍历完成标注数据集。
其中，初始样本对数据集是预先构建的一个用于存储样本对的数据集，在未添加数据前为空集，将上述步骤中确定的相似样本对和不相似样本对添加至初始样本对数据集，当初始样本对数据集中的样本对填充完成后则生成了样本对数据集。
具体的，重复更新初始样本对数据集的操作是指重复进行上述步骤S201至步骤S203，在将当前的样本对和相似性判别结果组合后添加至初始样本对数据集后，重新选取两个标注样本进行相似性判别和添加至初始样本对数据集的操作，直至标注数据集中的每个数据均参与了样本对数据集的生成，或者样本对数据集中的数据量满足要求。
作为一种可能的实现方式，可以通过以下公式表示如何将两个样本组成的样本对添加到样本对数据集P中：
其中，x表示样本特征，y表示样本的标签，i和j表示选取的两个样本，
表示两个样本组成的样本对和相似性判别结果的组合，0和1是样本对的标签，即样本对的相似性判别结果，0表示两个样本相似，1表示不相似，
为划分阈值。
可以理解的是，
越小，则最终划分的相似样本对越相似，同时能够得到的相似样本对的数量也越少。在实际应用中，可以根据定位精度的需求等实际因素设置
的值，比如，若需要选择所有样本对中最相似的前5%作为相似样本对时，根据各个样本对的相似性和比例确定对应的
的值。
步骤S204，复制更新完成的初始样本对数据集中的相似样本对，将相似样本对的数量与不相似样本对的数量调节至匹配，以生成样本对数据集。
需要说明的是，按照上述方式最终生成的相似样本对的数量或远小于不相似样本对的数量，导致样本分布不均衡，不利于孪生网络的训练。
因此，本申请将添加完成的初始样本对数据集中的相似样本对进行复制，直至相似样本对的数量与不相似样本对的数量匹配，比如，二者数量相同或者在允许的偏差范围内，从而可以做保证最终生成的样本对数据集中样本分布均衡。
步骤S102，通过样本对数据集训练孪生网络，并基于训练完成的孪生网络对未标注数据集中的每个未标注样本生成伪标签。
具体的，为了解决上述提及的传统的半监督学习方案使用几何距离判断样本相似性存在的问题，本申请通过孪生网络进行两个样本的相似性的判断。其中，孪生网络Siamese Network又称为连体网络，通过共享权值实现两个大致对称的神经网络的连体。
在本申请一个实施例中，如图3所示，本实施例提出改进后的孪生网络，包括：第一特征生成网络10、第二特征生成网络20、特征融合网络30和全连接网络40。其中，第一特征生成网络10，用于将第一输入数据投影至特征空间，生成第一特征向量，第二特征生成网络20，用于将第二输入数据投影至特征空间，生成第二特征向量。特征融合网络30，用于融合第一特征向量和第二特征向量。全连接网络40，用于根据融合后的特征向量输出第一输入数据和所述第二输入数据的相似性。
具体而言，如图3所示，第一特征生成网络10和第二特征生成网络20共享权重W，这两个网络可以是相同的架构，作用都是将输入的数据生成嵌入（embedding），即特征向量（feature vector）。具体的网络类型可以根据实际输入数据调整，可以是任意生成嵌入的网络，比如，可以是长短期记忆网络（long short-term memory，简称LSTM）。本申请实施例中，第一特征生成网络10和第二特征生成网络20分别将两个输入数据x 1和x 2投影到新的特征空间，以生成对应的特征向量，即图中所示的F（x 1）和F（x 2）。
然后，通过特征融合网络30合并特征。作为一种可能的实现方式，特征融合网络30可以通过计算第一特征向量F（x 1）和第二特征向量F（x 2）的差值的绝对值的平方，来融合两个特征向量。最后，直接利用全连接网络对融合向量进行分析，给出这两个输入数据x 1和x 2的相似性，得到相似性分数。
需要说明的是，对孪生网络的具体训练过程可以参照相关技术中的方式，包括通过梯度反向传播算法不断优化网络模型等，此处不再赘述。
进一步的，借助于孪生网络对两个样本数据的相似性判别功能，基于训练完成的孪生网络对未标注数据集中的每个未标注样本生成伪标签。
为了更加清楚地说明本申请生成伪标签的具体实现过程，下面以在本申请一个实施例中提出的一种具体的未标注样本的伪标签生成方法进行示例性说明。图4为本申请实施例提出的一种伪标签的生成方法的流程图。
如图4所示，该方法包括以下步骤：
步骤S301，对于未标注数据集中的任一未标注样本，通过训练完成的孪生网络计算标注数据集中的每个标注样本与任一未标注样本的相似性。
具体的，对于未标注数据集U中的某个未标注样本u，其伪标签生成过程是先通过训练完成的孪生网络计算标注数据集L中的每个标注样本与该未标注样本u的相似性。将未标注样本u与标注数据集L中的每个标注样本
依次输入至孪生网络，由孪生网络给出相似性
，siamese（）代表孪生网络。
步骤S302，从标注数据集中选取相似性最高的预设数量个标注样本，计算预设数量个标注样本的标签的平均值，将平均值作为任一未标注样本的伪标签。
具体的，在确定标注数据集L中的每个标注样本与未标注样本u的相似性后，对各个标注样本的相似性按照由大致小的顺序进行排序，选择靠前的相似性最高的预设数量N个标注样本，即选出的数据为
，其中各参数的含义与上述实施例中的相同，
即为选出的各个标注样本的标签，即与u的相似性。
进一步的，该未标注样本u的伪标签由这N个最相似样本的标签均值给出，即可以通过以下公式计算u的伪标签
：
由此，可按照上述方式依次计算出未标注数据集中的每个未标注样本的伪标签。
步骤S103，通过预设的置信度准则判断每个伪标签的可靠性，将满足置信度准则的样本数据从未标注数据集中转移至标注数据集中。
具体的，对于每个未标注数据生成的伪标签，本申请提出一种新的置信度判别准则衡量其可靠性，即判断每个伪标签是否可信，能够用于声源定位神经网络的训练。
在本申请一个实施例中，通过预设的置信度准则判断每个伪标签的可靠性，包括：判断预设数量个标注样本中的每个标注样本与任一未标注样本的相似性是否均高于预设的相似度要求；判断预设数量个标注样本是否分布在限定范围内。
具体而言，对于任意一个未标注样本，判断生成该未标注样本的伪标签的预设数量个标注样本中的每一个，与该未标注样本相似程度均足够高，且这预设数量个标注样本要分布在一个较小的范围内。
继续参照上述示例，以未标注样本u而言，从标注数据集L中选择的N个与u最相似的样本的相似度需要足够高，且这个N个最相似样本要分布在一个较小范围内，可以通过以下公式表示置信度准则：
其中，
表示预设数量个标注样本中的各个标注样本与任一未标注样本的相似性，
是预设数量个标注样本中的标签的最大值，
是预设数量个标注样本中的标签的最小值，
是样本相似度阈值，
是样本分布阈值，
是选取的标注样本的预设数量，
是预设数量个标注样本中的任一标注样本。
可以理解的是，如上所述，本申请实施例在孪生网络中对两个特征向量的差值的绝对值的平方输出相似性分数，因此，在本实施例中
越小表示两个样本的相似度越高，本申请通过合理的设置
和
的值，确保伪标签的置信度。比如，
根据经验应设置小于0.5，
可根据实际定位问题调整。
然后，将满足置信度准则的样本数据从未标注数据集中转移至标注数据集中，实现了标注数据集的扩充。
步骤S104，通过扩充完成的标注数据集训练声源定位神经网络，并通过训练完成的声源定位神经网络对水下声源进行定位。
具体的，基于上述实施例，本申请将未标注数据和其伪标签被用来扩充标注数据集。扩充完成的标注数据集可以是进行上述步骤后的标注数据集，也可以是在标注数据集完成一轮扩充后，以扩充后的标准数据集为基础，重复步骤S101至步骤S103，从而生成更多数量的未标注数据的伪标签以进一步扩充标注数据集，具体可以根据训练声源定位神经网络所需的训练数据的数据量确定标注数据集是否扩充完成。
进一步的，利用扩充的标注数据集训练一个声源定位神经网络，作为声源位置预测器完成水下源定位。通过训练完成的声源定位神经网络根据采集到的水下声源的检测数据输出水下声源的位置信息。该声源定位神经网络的结构可与孪生网络中的特征生成网络Feature network一致，或者重新设计网络结构。需要说明的是，对声源定位神经网络的具体训练过程可以参照相关技术中的方式，包括通过梯度反向传播算法不断优化网络模型等，此处不再赘述。
为了更将清楚的表明本申请的基于孪生网络的半监督学习水下声源定位方法具有更佳的定位效果，下面以在本申请一个实施例中，具体进行水下声源定位结果进行说明。
在本实施例中，以SWellEX-96数据集上实验结果为例，采集到的标注样本282个，未标注样本1968个。本实施例中，超参数设置如下：
。使用Adam优化孪生网络。迭代一次本申请实施例方法生成的伪标签结果如图5所示。其中，图5中横轴表示样本索引，纵轴为该样本所代表的声源与水听器的水平距离，单位为千米km，即样本标签。图中的圆点表示未标注数据的真实标签，三角形表示本方法生成的伪标签。迭代上述本申请的基于孪生网络的半监督学习水下声源定位方法一次，生成的可靠伪标签数量接近500，标注数据增加一倍多。同时，如图5所示，真实标签与对应的伪标签基本上重合，只有一个样本伪标签偏离真实标签较多，其余伪标签均非常接近真实标签。由此表明本申请能够生成非常可靠的伪标签，标注数据集得到有效扩充。
然后，在扩充后的标注数据集和原始的标注数据集上分别训练声源位置预测器进行水下声源定位，最后得到的定位结果数据如图6所示。其中，图6中横轴代表不同的水听器，纵轴代表这两种定位方式得到的定位结果与实际真实结果的均方误差MSE。图中，以三角形为节点的曲线代表直接在标注数据上进行监督训练的MSE，以圆形为节点的曲线表示本申请实施例的基于孪生网络的半监督学习水下声源定位方法得到的预测结果的MSE。由图6可知，在所有水听器上的实验中，本申请方法得到的预测结果的MSE要远低于直接进行监督学习的MSE，平均MSE降低0.11。
本申请所提出的定位方法迭代两次，标注数据的数量能够从282增加到1100，说明本方法能够有效缓解标注数据不足的问题。同时，水下源定位的MSE得到有效降低，说明本方法对标注数据集的扩充是有效的，能够有效提升定位准确性。由此可见，本申请很好地缓解了水下源定位任务中标注数据不足的问题，能够直接利用标注数据和未标注数据提升定位性能。
综上所述，本申请实施例的基于孪生网络的半监督学习水下声源定位方法，首先利用改进的孪生网络学习一种新的相似度衡量准则并为未标注数据生成伪标签。然后，使用新的置信度标准判断伪标签的可靠性，将可信的伪标签及其对应的未标注数据添加到标注数据集中。该置信度准则根据相似度得分和相似样本分布确定伪标签的可信度。最后，在扩充后的标注数据集上训练神经网络，通过训练完成的声源定位神经网络实现水下声源定位。由此，该方法能够有效扩充标注数据的容量，缓解实际应用中标注数据缺少的问题，进而通过扩充后大量的标注数据训练声源定位神经网络，有利于网络模型更好地收敛，进而通过声源定位神经网络进行定位时，可以提高水下源定位准确性。从而，该方法能够利用少量的标注数据实现对水下声源的精准定位，提高水下声源定位的精确性，且不需要采集大量标注的实测数据，便于实施，提高水下声源定位的便利性和实用性。
为了更加清楚地说明本申请的基于孪生网络的半监督学习水下声源定位方法的实施流程，下面在本申请一个实施例中以一个具体的定位方法的实施例进行详细说明。图7为本申请实施例提出的一种具体的基于孪生网络的半监督学习水下声源定位方法的流程图。
如图7所示，该方法包括以下步骤：
步骤S401，数据预处理。
具体的，水听器的接收数据做离散傅里叶变换后归一化。
步骤S402，基于标注数据集L生成样本对数据集P。
步骤S403，在样本对数据集P上训练孪生网络。
步骤S404，利用训练好的孪生网络为U生成伪标签，并利用置信度准则判断伪标签的可靠性。
步骤S405，将可靠的伪标签样本添加到L，并从U中删除。
步骤S406，重复执行步骤S402至步骤S405，直到只有少量可靠未标注样本可以添加到L中。
步骤S407，在扩充的标注数据集上，训练源位置预测器，完成水下源定位。
需要说明的是，本实施例的方法中各步骤的具体实现方式还可参照上述实施例的相关描述，实现原理类似，此处不再赘述。
为了实现上述实施例，本申请还提出了一种基于孪生网络的半监督学习水下声源定位系统，图8为本申请实施例提出的一种基于孪生网络的半监督学习水下声源定位系统的结构示意图，如图8所示，该系统包括：第一生成模块100、第二生成模块200、判断模块300和定位模块400。
其中，第一生成模块100，用于获取水下声源的标注数据集和未标注数据集，并基于标注数据集生成样本对数据集。
第二生成模块200，用于通过样本对数据集训练孪生网络，并基于训练完成的孪生网络对未标注数据集中的每个未标注样本生成伪标签。
判断模块300，用于通过预设的置信度准则判断每个伪标签的可靠性，将满足置信度准则的样本数据从未标注数据集中转移至标注数据集中。
定位模块400，用于通过扩充完成的标注数据集训练声源定位神经网络，并通过训练完成的声源定位神经网络对水下声源进行定位。
可选地，在本申请的一个实施例中，第一生成模块100，具体用于：从标注数据集中选取两个标注样本组成样本对，获取两个标注样本各自的标签；计算两个标注样本的标签的差值的绝对值，并将绝对值与划分阈值进行比较，确定样本对的相似性判别结果；将样本对和相似性判别结果组合后添加至初始样本对数据集中，并重新选取标注样本进行重复更新初始样本对数据集的操作，直至遍历完成标注数据集；复制更新完成的初始样本对数据集中的相似样本对，将相似样本对的数量与不相似样本对的数量调节至匹配，以生成样本对数据集。
可选地，在本申请的一个实施例中，仿真模块400具体用于：通过暂态热仿真计算发生单相接地故障后不同时间点下所述定子铁心的三维模型的温度分布，将温度大于硅钢材料的熔点的区域确定为烧熔区域；定量计算出烧熔区域的尺寸，并根据不同时间点下烧熔区域的尺寸生成定子铁心的三维模型的烧熔体积随时间变化的曲线。
可选地，在本申请的一个实施例中，孪生网络，包括：第一特征生成网络、第二特征生成网络、特征融合网络和全连接网络，其中，第一特征生成网络，用于将第一输入数据投影至特征空间，生成第一特征向量，第二特征生成网络，用于将第二输入数据投影至特征空间，生成第二特征向量；特征融合网络，用于融合第一特征向量和第二特征向量；全连接网络，用于根据融合后的特征向量输出第一输入数据和第二输入数据的相似性。
可选地，在本申请的一个实施例中，第二生成模块200具体用于：对于未标注数据集中的任一未标注样本，通过训练完成的孪生网络计算标注数据集中的每个标注样本与任一未标注样本的相似性；从标注数据集中选取相似性最高的预设数量个标注样本，计算预设数量个标注样本的标签的平均值，将平均值作为任一未标注样本的伪标签。
可选地，在本申请的一个实施例中，判断模块300具体用于：判断预设数量个标注样本中的每个标注样本与任一未标注样本的相似性是否均高于预设的相似度要求；判断预设数量个标注样本是否分布在限定范围内。
可选地，在本申请的一个实施例中，预设的置信度准则通过以下公式表示：
其中，
表示所述预设数量个标注样本中的各个标注样本与所述任一未标注样本的相似性，
是所述预设数量个标注样本中的标签的最大值，
是所述预设数量个标注样本中的标签的最小值，
是样本相似度阈值，
是样本分布阈值，
是选取的标注样本的预设数量，
是所述预设数量个标注样本中的任一标注样本。
可选地，在本申请的一个实施例中，第一生成模块100还用于：通过水听器采集水下声源的检测数据；对检测数据进行离散傅里叶变换，并将离散傅里叶变换后的检测数据进行归一化处理。
需要说明的是，前述对基于孪生网络的半监督学习水下声源定位方法的实施例的解释说明也适用于该实施例的系统，此处不再赘述
综上所述，本申请实施例的基于孪生网络的半监督学习水下声源定位系统，首先利用改进的孪生网络学习一种新的相似度衡量准则并为未标注数据生成伪标签。然后，使用新的置信度标准判断伪标签的可靠性，将可信的伪标签及其对应的未标注数据添加到标注数据集中。该置信度准则根据相似度得分和相似样本分布确定伪标签的可信度。最后，在扩充后的标注数据集上训练神经网络，通过训练完成的声源定位神经网络实现水下声源定位。由此，该系统能够有效扩充标注数据的容量，缓解实际应用中标注数据缺少的问题，进而通过扩充后大量的标注数据训练声源定位神经网络，有利于网络模型更好地收敛，进而通过声源定位神经网络进行定位时，可以提高水下源定位准确性。从而，该系统能够利用少量的标注数据实现对水下声源的精准定位，提高水下声源定位的精确性，且不需要采集大量标注的实测数据，便于实施，提高水下声源定位的便利性和实用性。
为了实现上述实施例，本申请还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述实施例中任一所述的基于孪生网络的半监督学习水下声源定位方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于孪生网络的半监督学习水下声源定位方法，其特征在于，包括以下步骤：
获取水下声源的标注数据集和未标注数据集，并基于所述标注数据集生成样本对数据集；
通过所述样本对数据集训练孪生网络，并基于训练完成的孪生网络对所述未标注数据集中的每个未标注样本生成伪标签；
通过预设的置信度准则判断每个所述伪标签的可靠性，将满足所述置信度准则的样本数据从所述未标注数据集中转移至所述标注数据集中；
通过扩充完成的标注数据集训练声源定位神经网络，并通过训练完成的声源定位神经网络对所述水下声源进行定位。
2.根据权利要求1所述的方法，其特征在于，所述基于所述标注数据集生成样本对数据集，包括：
从所述标注数据集中选取两个标注样本组成样本对，获取所述两个标注样本各自的标签；
计算所述两个标注样本的标签的差值的绝对值，并将所述绝对值与划分阈值进行比较，确定所述样本对的相似性判别结果；
将所述样本对和所述相似性判别结果组合后添加至初始样本对数据集中，并重新选取标注样本进行重复更新初始样本对数据集的操作，直至遍历完成所述标注数据集；
复制更新完成的初始样本对数据集中的相似样本对，将相似样本对的数量与不相似样本对的数量调节至匹配，以生成所述样本对数据集。
3.根据权利要求1所述的方法，其特征在于，所述孪生网络,包括：第一特征生成网络、第二特征生成网络、特征融合网络和全连接网络，其中，
所述第一特征生成网络，用于将第一输入数据投影至特征空间，生成第一特征向量，所述第二特征生成网络，用于将第二输入数据投影至特征空间，生成第二特征向量；
所述特征融合网络，用于融合所述第一特征向量和所述第二特征向量；
所述全连接网络，用于根据融合后的特征向量输出所述第一输入数据和所述第二输入数据的相似性。
4.根据权利要求2所述的方法，其特征在于，所述基于训练完成的孪生网络对所述未标注数据集中的每个未标注样本生成伪标签，包括：
对于所述未标注数据集中的任一未标注样本，通过训练完成的孪生网络计算所述标注数据集中的每个标注样本与所述任一未标注样本的相似性；
从所述标注数据集中选取相似性最高的预设数量个标注样本，计算所述预设数量个标注样本的标签的平均值，将所述平均值作为所述任一未标注样本的伪标签。
5.根据权利要求4所述的方法，其特征在于，所述通过预设的置信度准则判断每个所述伪标签的可靠性，包括：
判断所述预设数量个标注样本中的每个标注样本与所述任一未标注样本的相似性是否均高于预设的相似度要求；
判断所述预设数量个标注样本是否分布在限定范围内。
6.根据权利要求4所述的方法，其特征在于，所述预设的置信度准则通过以下公式表示：
其中，
表示所述预设数量个标注样本中的各个标注样本与所述任一未标注样本的相似性，
是所述预设数量个标注样本中的标签的最大值，
是所述预设数量个标注样本中的标签的最小值，
是样本相似度阈值，
是样本分布阈值，
是选取的标注样本的预设数量，
是所述预设数量个标注样本中的任一标注样本。
7.根据权利要求1所述的方法，其特征在于，在所述获取水下声源的标注数据集和未标注数据集之前，还包括：
通过水听器采集所述水下声源的检测数据；
对所述检测数据进行离散傅里叶变换，并将离散傅里叶变换后的检测数据进行归一化处理。
8.一种基于孪生网络的半监督学习水下声源定位系统，其特征在于，包括：
第一生成模块，用于获取水下声源的标注数据集和未标注数据集，并基于所述标注数据集生成样本对数据集；
第二生成模块，用于通过所述样本对数据集训练孪生网络，并基于训练完成的孪生网络对所述未标注数据集中的每个未标注样本生成伪标签；
判断模块，用于通过预设的置信度准则判断每个所述伪标签的可靠性，将满足所述置信度准则的样本数据从所述未标注数据集中转移至所述标注数据集中；
定位模块，用于通过扩充完成的标注数据集训练声源定位神经网络，并通过训练完成的声源定位神经网络对所述水下声源进行定位。
9.根据权利要求8所述的系统，其特征在于，所述第一生成模块，具体用于：
从所述标注数据集中选取两个标注样本组成样本对，获取所述两个标注样本各自的标签；
计算所述两个标注样本的标签的差值的绝对值，并将所述绝对值与划分阈值进行比较，确定所述样本对的相似性判别结果；
将所述样本对和所述相似性判别结果组合后添加至初始样本对数据集中，并重新选取标注样本进行重复更新初始样本对数据集的操作，直至遍历完成所述标注数据集；
复制更新完成的初始样本对数据集中的相似样本对，将相似样本对的数量与不相似样本对的数量调节至匹配，以生成所述样本对数据集。
10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的基于孪生网络的半监督学习水下声源定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310103560.9A CN115792807B (zh) | 2023-02-13 | 2023-02-13 | 基于孪生网络的半监督学习水下声源定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310103560.9A CN115792807B (zh) | 2023-02-13 | 2023-02-13 | 基于孪生网络的半监督学习水下声源定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115792807A true CN115792807A (zh) | 2023-03-14 |
| CN115792807B CN115792807B (zh) | 2023-04-28 |
Family
ID=85430958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310103560.9A Active CN115792807B (zh) | 2023-02-13 | 2023-02-13 | 基于孪生网络的半监督学习水下声源定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115792807B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116561562A (zh) * | 2023-07-11 | 2023-08-08 | 河海大学 | 一种基于波导奇异点的声源深度最优化获取方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778878A (zh) * | 2016-12-21 | 2017-05-31 | 东方网力科技股份有限公司 | 一种人物关系分类方法及装置 |
| CN110298415A (zh) * | 2019-08-20 | 2019-10-01 | 视睿（杭州）信息科技有限公司 | 一种半监督学习的训练方法、系统和计算机可读存储介质 |
| CN113657455A (zh) * | 2021-07-23 | 2021-11-16 | 西北工业大学 | 一种基于三重网络与标注一致性正则化的半监督学习方法 |
| CN114331971A (zh) * | 2021-12-08 | 2022-04-12 | 之江实验室 | 一种基于半监督自训练的超声内镜目标检测方法 |
-
2023
- 2023-02-13 CN CN202310103560.9A patent/CN115792807B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778878A (zh) * | 2016-12-21 | 2017-05-31 | 东方网力科技股份有限公司 | 一种人物关系分类方法及装置 |
| CN110298415A (zh) * | 2019-08-20 | 2019-10-01 | 视睿（杭州）信息科技有限公司 | 一种半监督学习的训练方法、系统和计算机可读存储介质 |
| CN113657455A (zh) * | 2021-07-23 | 2021-11-16 | 西北工业大学 | 一种基于三重网络与标注一致性正则化的半监督学习方法 |
| CN114331971A (zh) * | 2021-12-08 | 2022-04-12 | 之江实验室 | 一种基于半监督自训练的超声内镜目标检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| DALI LIU 等: "Design of Siamese Network for Underwater Target Recognition with Small Sample Size" * |
| PIAN JIN 等: "Semi‑supervised underwater acoustic source localization based on residual convolutional autoencoder" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116561562A (zh) * | 2023-07-11 | 2023-08-08 | 河海大学 | 一种基于波导奇异点的声源深度最优化获取方法 |
| CN116561562B (zh) * | 2023-07-11 | 2023-09-01 | 河海大学 | 一种基于波导奇异点的声源深度最优化获取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115792807B (zh) | 2023-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3955595B2 (ja) | 位置決め技法のための確率モデル | |
| CN108089155B (zh) | 一种深海环境下单水听器声源被动定位方法 | |
| CN115792807B (zh) | 基于孪生网络的半监督学习水下声源定位方法 | |
| JP6718098B2 (ja) | 位置推定装置及び方法 | |
| CN107705359B (zh) | 利用三维视觉重建技术的信道建模方法和装置 | |
| 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 | |
| CN113568055A (zh) | 一种基于lstm网络的航空瞬变电磁数据反演方法 | |
| CN116452982A (zh) | 一种基于改进YOLOv5的探地雷达地下排水管网图像检测方法 | |
| CN112327104A (zh) | 一种含分布式电源配电网的故障检测与定位方法 | |
| NO343117B1 (no) | Automatisert tolkning av seismiske data for påvisning og analyse av geologiske strukturer | |
| CN115546116A (zh) | 全覆盖式岩体不连续面提取与间距计算方法及系统 | |
| CN114972737A (zh) | 基于原型对比学习的遥感图像目标检测系统及方法 | |
| Zhou et al. | An underground pipeline mapping method based on fusion of multisource data | |
| Mei et al. | Navigating the depths: a stratification-aware coarse-to-fine received signal strength-based localization for internet of underwater things | |
| CN117709207A (zh) | 多波束测量船的测量布线设计方法、装置、设备和介质 | |
| CN113628329A (zh) | 一种零样本草图三维点云检索方法 | |
| CN113221395A (zh) | 基于分层介质的地震走时参数化网格模型构建方法及应用 | |
| CN115825870B (zh) | 基于群稀疏的离网格压缩匹配场处理声源定位方法 | |
| Chen et al. | Underwater terrain positioning method using maximum a posteriori estimation and PCNN model | |
| CN114707327B (zh) | 一种并行的海洋环境水声特征诊断方法、存储介质和装置 | |
| CN112649700B (zh) | 一种基于动态虚拟故障的行波网络定位方法 | |
| CN115980861A (zh) | 用于随钻方位电磁波探测界面的反演方法及其实现系统 | |
| Xianming et al. | Weld defect recognition method of pipeline based on improved least squares twin support vector machine | |
| Peng et al. | PL-Net: towards deep learning-based localization for underwater terrain | |
| CN112763868B (zh) | 一种基于免疫粒子群的局部放电源定位方法和系统 |
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 |