CN116108353A - 一种基于数据分组的小样本深度学习水声目标识别方法 - Google Patents
一种基于数据分组的小样本深度学习水声目标识别方法 Download PDFInfo
- Publication number
- CN116108353A CN116108353A CN202310384534.8A CN202310384534A CN116108353A CN 116108353 A CN116108353 A CN 116108353A CN 202310384534 A CN202310384534 A CN 202310384534A CN 116108353 A CN116108353 A CN 116108353A
- Authority
- CN
- China
- Prior art keywords
- data
- sub
- training
- model
- total
- 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
Images
Classifications
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
- Image Analysis (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
一种基于数据分组的小样本深度学习水声目标识别方法,涉及水声识别领域。在深度学习的水声识别方法中,水声样本训练集被交错划分为n组子训练集;水声样本训练集使用子训练集,以水声识别子模型的形式独立训练,以降低水声数据搜集周期长导致的小样本问题对训练效果的不良影响;在水声识别子模型的训练过程中,迭代输出损失值,加权计算出总模型的总损失值,采用总损失值梯度下降算法的子模型权重迭代计算,以达到减缓水声数据中的少量异常数据对模型训练的干扰效果的目的。
Description
技术领域
本发明涉及水声目标识别,尤其是涉及一种基于数据分组的小样本深度学习水声目标识别方法。
背景技术
水声目标识别是水声探测的重要任务之一,也是水声信号处理领域的一个难点问题。水声目标识别技术有助于水下探测器识别和分析水下目标,帮助水下潜航器规避目标和探测水下环境。现有研究中常用的方法是,利用各种信号分析处理方法提取特征,再结合模式识别方法设计分类器来判断目标类别属性。但在实际应用场景中,这类方法往往难以解决问题,因为对水声目标的识别和探测比在陆地环境中更难,受技术条件限制难以快速搜集数据,导致数据不足,且更容易受到异常数据的影响。
在机器学习中,小样本学习是机器学习领域的一个子问题,它是指机器学习中提供的样本数量过少或不足而不能达到良好训练效果时的学习策略。小样本学习的目标是通过少量样本学习到解决问题的模型。常见的小样本学习方法包括深度学习算法、元学习算法和度量学习算法等。
目前,许多机器学习方法已经广泛应用于水声识别领域,但在水声目标识别领域,小样本学习的应用和推广还处于起步阶段。V. -S. Doan等人提出基于密集卷积神经网络的水声目标识别技术(V. -S. Doan, “Underwater Acoustic Target ClassificationBased on Dense Convolutional Neural Network,” IEEE Geoscience and RemoteSensing Letters, vol. 19, pp. 1-5, 2022)。H. Feng等人提出基于残差网络的水声目标识别系统和特征提取方法,并在真实环境下对船舶辐射噪声数据集进行了识别实验,有效提高了识别精度(H. Feng et al, “Underwater Acoustic Target Recognition witha Residual Network and the Optimized Feature Extraction Method,” AppliedSciences, vol. 11, no. 4, 2021),但没有讨论样本数量较少情况下的水声识别问题。Ashok, P.等人分析比较了许多机器学习方法应用于水声目标识别的不同效果,但没有分析机器学习中提供的样本数量过少或不足而无法达到良好训练效果的情况(Ashok, “AComparative Analysis of Different Algorithms in Machine Learning Techniquesfor Underwater Acoustic Signal Recognition,” In Proc. Algorithms forIntelligent Systems. Springer, Singapore,2022)。
可见,虽然机器学习方法在水声目标识别中已卓有成效,但是小样本学习在水声目标识别领域的应用仍有许多具有挑战性的研究。本发明针对水声目标识别中小样本情况下识别难度大、模型训练结果不佳、识别准确率低且易受异常数据影响的特点,提出一种基于数据分组的小样本深度学习水声识别方法:将训练集的数据进行随机分组后分别训练,得到的不同训练集对应的模型;再赋予每个模型相同的初始权重占比,根据每次迭代的预测结果调整权重占比,降低其中损失率较高的模型的权重占比;训练结束后的最终总模型输出和总模型准确率,由各组模型输出的加权求和得到的总输出得到。通过这种方式增加训练数据并减小异常数据对模型训练的影响。
发明内容
本发明的目的在于解决水声目标识别中小样本情况下识别难度大、识别准确率低且易受异常数据影响的问题,提供一种基于数据分组的小样本深度学习水声目标识别方法。
本发明将训练集数据划分n组分别训练,每次迭代输出各组损失值lk,每组赋有权重ak,加权计算出模型总损失值L,通过梯度下降算法确定ak和L最小值。
本发明包括以下步骤:
1)采用He initialization方法初始化网络各层权重,即任意层的权重按照均值为0,且方差为的高斯分布进行随机取值,其中fanin为该层输入神经元的数量。将当前任务的音频数据集划分为训练集和测试集,其中训练集和测试集中包括多个已知类别的音频样本;
2)根据当前训练集数据交错划分为n组,数据分组方式如下:
假设训练集X共有N个带标签数据{ x1,x2,x3,…,xN },并对所有数据随机排序,然后将训练集数据均等划分为n组数据分集,记为{Q1,Q2,Q3,…,QN },每组数据分集里有N/n个数据,且不同的数据分集间无重复数据,数据分集的数据组成为:
数据分集进行合并组成子训练集{T1,T2,T3,…,Tn},合并的方法和子训练集与数据分集的关系如下:
以子训练集Tj(j=1,2,…,n)为例,子训练集Tj中包含数据分集Q1,Q2,…,Q j-1,Qj+1,…,Qn,即子训练集Tj中包含除了Qj以外所有的数据分集。每一个子训练集中包含n-1组的数据分集,且没有两个完全重复的子训练集,每个子训练集中共有N-N/n个数据,表达式为:
3)学习过程使用监督学习,即测试集和训练集的所有数据均为带标签数据,所有数据的类别均是已知的,无需考虑数据类别未知时的学习情况;对n个子训练集分别进行深度学习训练,训练方法采用残差神经网络进行,运用现有的深度学习库执行残差神经网络计算。测试所使用的测试集统一使用测试集A,测试集A中的数据量无要求,只需保证学习过程中测试集A中的数据不发生变化即可;
4)n个子训练集对应的n个子模型{M1,M2,M3,…,MN },即子训练集T1,T2,T3,…,Tn分别对应子模型M1,M2,M3,…,Mn,子模型进行多次预训练循环迭代,计算并记录每次迭代的损失值,连续σ次迭代满足损失值小于μ后,结束子模型训练,并给子模型Mk(k=1,2,…,n)赋有权重ak,初始权重ak相同且ak= 1;
5)总模型W是n个子模型的集合,负责进行计算总损失函数Loss,更新n个子模型权重值ak以及判别总预测输出OUTPUT的任务,得到步骤4)中的n个子模型后,将子模型在总模型W下进行同步训练,即总模型W进行一次迭代,所有子模型都进行一次迭代,具体方法如下:
5.1)所有子模型进行一次迭代训练并输入测试集测试,分别得到每次迭代的子模型Mk 的损失值lk;
5.2)计算由子模型Mk的损失值lk和子模型Mk的权重ak得到的第epoch次迭代的模型总损失函数Loss:
5.3)计算总损失函数Loss及总损失函数Loss对各个权重的偏导函数,通过梯度下降法,设置梯度下降学习率γ= 0.01,计算出子模型权重ak梯度下降的方向,即:
5.4)迭代训练一次后,更新一次子模型权重ak的值;
5.5)依次重复步骤5.1)5.2)5.3)5.4),迭代E次后训练结束;
6)权重更新后对总模型W进行测试。每个子模型对单个数据的输出outputk,对每个子模型加权求和后得到每轮测试时的模型的总预测输出,公式为:
将总预测输出OUTPUT转换为0/1值,即得到测试集的预测类别,便可得知测试结果。
本发明考虑到水声目标识别中由于技术条件限制导致数据搜集周期较长、训练数据缺乏、训练结果不佳且易受异常数据影响的问题,提出将数据进行分组训练的子模型,并根据预测结果调整子模型权重的方法,可实现降低异常数据对训练过程造成的负面影响,改善训练识别效果的目的。
本发明具有以下突出优点:
1)提出以训练集数据分组的方式解决水声目标识别中的小样本问题,采用交错分组的方法,以增加数据量,降低小样本问题对训练效果的不良影响;
2)提出对分组子模型进行单独训练,以避免异常数据对其它数据组的干扰;
3)采用子模型权重梯度下降的方式,降低含有异常数据组的权重,以减少异常数据对训练效果的干扰。
附图说明
图1为本发明基于数据分组的小样本深度学习水声目标识别方法训练流程图。
图2为本发明基于数据分组的小样本深度学习水声目标识别方法子模型权重更新流程图。
图3为本发明基于数据分组的小样本深度学习水声目标识别方法在训练集数据量N=30时的混淆矩阵图。
图4为本发明基于数据分组的小样本深度学习水声目标识别方法的对比算法无数据分组深度学习水声目标识别方法在训练集数据量N=30时的混淆矩阵图。
图5为本发明基于数据分组的小样本深度学习水声目标识别方法在训练集数据量N=40时的混淆矩阵图。
图6本发明基于数据分组的小样本深度学习水声目标识别方法的对比算法无数据分组深度学习水声目标识别方法在训练集数据量N=40时的混淆矩阵图。
具体实施方式
下面结合附图和具体实施例对本发明做详细描述。
如图1所示,本发明实施例包括以下步骤:
1)采用He initialization方法初始化网络各层权重,即任意层的权重按照均值为 0,且方差为的高斯分布进行随机取值,其中fanin为该层输入神经元的数量。将当前任务的音频数据集划分为训练集和测试集,其中训练集和测试集中包括多个已知类别的音频样本;
2)根据当前训练集数据交错划分为n组,数据分组方式如下:
假设训练集X共有N个带标签数据{ x1,x2,x3,…,xN },并对所有数据随机排序,然后将训练集数据均等划分为n组数据分集,记为{Q1,Q2,Q3,…,QN},每组数据分集里有N/n个数据,且不同的数据分集间无重复数据,数据分集的数据组成为:
数据分集进行合并组成子训练集{T1,T2,T3,…,Tn},合并的方法和子训练集与数据分集的关系如下:
以子训练集Tj (j=1,2,…,n)为例,子训练集Tj中包含数据分集Q1,Q2,…,Q j-1,Qj+1,…,Qn,即子训练集Tj中包含除了Qj以外所有的数据分集。每一个子训练集中包含n-1组的数据分集,且没有两个完全重复的子训练集,每个子训练集中共有N-N/n个数据。表达式为:
3)学习过程使用监督学习,即测试集和训练集的所有数据均为带标签数据,所有数据的类别均是已知的,无需考虑数据类别未知时的学习情况。对n个子训练集分别进行深度学习训练,训练方法采用残差神经网络进行,运用现有的深度学习库执行残差神经网络计算。测试所使用的测试集统一使用测试集A,测试集A中的数据量无要求,只需保证学习过程中测试集A中的数据不发生变化即可。
4)n个子训练集对应的n个子模型{M1,M2,M3,…,MN},即子训练集T1,T2,T3,…,Tn分别对应子模型M1,M2,M3,…,Mn。子模型多次预训练循环迭代,计算并记录每次迭代的损失值。连续σ= 5次迭代满足损失值小于μ=1.0后,结束子模型训练,并给子模型Mk(k=1,2,…,n)赋有权重ak,初始权重ak相同且ak= 1。
5)参见图2,总模型W是n个子模型的集合,负责进行计算总损失函数Loss,更新n个子模型权重值ak以及判别总预测输出OUTPUT的任务。得到步骤4)中的n个子模型后,将子模型在总模型W下进行同步训练,即总模型W进行一次迭代,所有子模型都进行一次迭代。
5.1)所有子模型进行一次迭代训练并输入测试集测试,分别得到每次迭代的子模型Mk的损失值lk。
5.2)计算由子模型Mk的损失值lk和子模型Mk的权重ak得到的第epoch次迭代的模型总损失函数Loss:
5.3)计算总损失函数Loss及总损失函数Loss对各个权重的偏导函数,通过梯度下降法,设置梯度下降学习率γ=0.01,计算出子模型权重ak梯度下降的方向,即:
5.4)迭代训练一次后,更新一次子模型权重ak的值。
5.5)依次重复步骤5.1)5.2)5.3)5.4),迭代E=50次后训练结束。
6)权重更新后对总模型W进行测试。每个子模型对单个数据的输出outputk,对每个子模型加权求和后得到每轮测试时的模型的总预测输出,公式为:
将总预测输出OUTPUT转换为0/1值,即得到测试集的预测类别,便可得知测试结果。
下面对本发明所述方法的可行性进行计算机仿真验证。
仿真平台为python3.8。
参数设置如下:学习率α= 0.001;梯度下降学习率γ=0.01;训练的批量大小batch_size=10;分类的类别数量num_class=2;读取数据的线程数num_workers=4;预迭代次数σ=5;μ=1.0;子训练集数量n=5;网络resnet34;迭代次数E=50。
以一个数据量为30的训练集X为例,介绍仿真过程。
(1)对训练集X进行数据分组。具体步骤如下:
①对训练集X里的30个带标签数据随机排序并标记序号:{ x1,x2,x3,…,x30 }。
②将训练集数据均等划分为n=5组数据分集,记为{Q1,Q2,Q3,…,Q5 },根据数据分集划分原则:
因此5组数据分集的分类情况分别是:
③数据分集进行合并组成子训练集{T1,T2,T3,…,Tn},合并的方法和子训练集与数据分集的关系如下:
5个子训练集数据如下:
(2)5个子训练集对应的5个子模型{ M1,M2,M3,…,MN },对5个子训练集分别进行子模型深度学习训练,进行循环迭代,计算并记录每次迭代的损失值。
(3)待连续5次迭代满足损失值小于1后,结束子模型训练。5个子模型训练都结束后,分别赋有权重a1,a2,…,a5=1。
(4)总模型W进行一次迭代,迭代具体步骤如下:
①所有子模型进行一次迭代训练并输入测试集测试,分别得到每次迭代的子模型Mk 的损失值lk;
②计算由子模型Mk的损失值lk和子模型Mk的权重ak得到的第epoch次迭代的模型总损失函数Loss,根据公式:
③计算总损失函数Loss及总损失函数Loss对各个权重的偏导函数,通过梯度下降法,设置梯度下降学习率γ,计算出子模型权重ak梯度下降的方向,公式为:
④迭代训练一次后,更新一次子模型权重ak的值。
⑤重复步骤①到④,直到epoch=50,迭代结束。
(5)权重更新后对总模型W进行测试。每个子模型对单个数据的输出outputk,对每个子模型加权求和后得到每轮测试时的模型的总预测输出,公式为:
将总预测输出OUTPUT转换为0/1值,即得到测试集的预测类别,便可得知测试结果。
图3和图4分别为训练集数据量N=30时,本发明所述在深度学习的水声识别方法中采用数据分类方法的小样本识别混淆矩阵图,和对比方法没有采用数据分类方法的小样本识别混淆矩阵图;图5和图6分别为训练集数据量N=40时,在本发明所述深度学习的水声识别方法中采用数据分类方法的小样本识别混淆矩阵图,和对比方法没有采用数据分类方法的小样本识别混淆矩阵图。可以看出,采用数据分组的深度学习的水声识别方法在N=30的小样本情况下识别准确率从76%提升到87%,在N=40的小样本情况下识别准确率从71%提升到84%,明显地降低了小样本对识别结果的不良影响,改善了训练识别效果。
Claims (2)
1.一种基于数据分组的小样本深度学习水声目标识别方法,其特征在于包括以下步骤:
1)采用He initialization方法初始化网络各层权重,即任意层的权重按照均值为0,且方差为的高斯分布进行随机取值,其中fanin为该层输入神经元的数量;将当前任务的音频数据集划分为训练集和测试集,其中训练集和测试集中包括多个已知类别的音频样本;
2)根据当前训练集数据交错划分为n组,数据分组方式如下:
假设训练集X共有N个带标签数据{x1,x2,x3,…,xN},并对所有数据随机排序,然后将训练集数据均等划分为n组数据分集,记为{Q1,Q2,Q3,…,QN},每组数据分集里有N/n个数据,且不同的数据分集间无重复数据,数据分集的数据组成为:
;
数据分集进行合并组成子训练集{T1,T2,T3,…,Tn},合并的方法和子训练集与数据分集的关系如下:
以子训练集Tj (j=1,2,…,n)为例,子训练集Tj 中包含数据分集Q1,Q2,…,Qj-1,Qj+1,…,Qn,即子训练集Tj中包含除了Qj以外所有的数据分集;每一个子训练集中包含n-1组的数据分集,且没有两个完全重复的子训练集,每个子训练集中共有有N-N/n数据;表达式为:
;
3)学习过程使用监督学习,即测试集和训练集的所有数据均为带标签数据,所有数据的类别均是已知的,无需考虑数据类别未知时的学习情况;对n个子训练集分别进行深度学习训练,训练方法采用残差神经网络进行,运用现有的深度学习库执行残差神经网络计算;测试所使用的测试集统一使用测试集A,测试集A中的数据量无要求,只需保证学习过程中测试集A中的数据不发生变化即可;
4)n个子训练集对应的n个子模型{ M1,M2,M3,…,MN },即子训练集T1,T2,T3,…,Tn分别对应子模型M1,M2,M3,…,Mn;子模型多次预训练循环迭代,计算并记录每次迭代的损失值;连续σ次迭代满足损失值小于μ后,结束子模型训练,并给子模型Mk(k=1,2,…,n)赋有权重ak,初始权重ak相同且ak = 1;
5)总模型W是n个子模型的集合,负责进行计算总损失函数Loss,更新n个子模型权重值ak以及判别总预测输出OUTPUT的任务;得到步骤4)中的n个子模型后,将子模型在总模型W下进行同步训练,即总模型W进行一次迭代,所有子模型都进行一次迭代;
6)权重更新后对总模型W进行测试;每个子模型对单个数据的输出outputk,对每个子模型加权求和后得到每轮测试时的模型的总预测输出,公式为:
;
将总预测输出OUTPUT转换为0/1值,即得到测试集的预测类别,便可得知测试结果。
2.如权利要求1所述基于数据分组的小样本深度学习水声目标识别方法,其特征在于在步骤5)中,采用数据分组的方法,将训练集数据划分n组分别训练,每次迭代输出各组损失值ln,每组赋有权重an,加权计算出模型总损失值L;然后通过梯度下降算法确定an和L最小值,每一次迭代的过程如下:
1)所有子模型进行一次迭代训练并输入测试集测试,分别得到每次迭代的子模型Mk的损失值lk;
2)计算由子模型Mk的损失值lk和子模型Mk的权重ak得到的第epoch次迭代的模型总损失函数Loss:
;
3)计算总损失函数Loss及总损失函数Loss对各个权重的偏导函数,通过梯度下降法,设置梯度下降学习率γ,计算出子模型权重ak梯度下降的方向,即:
;
4)迭代训练一次后,更新一次子模型权重ak的值;
;
5)依次重复步骤1)、2)、3)、4),迭代E次后训练结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310384534.8A CN116108353B (zh) | 2023-04-12 | 2023-04-12 | 一种基于数据分组的小样本深度学习水声目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310384534.8A CN116108353B (zh) | 2023-04-12 | 2023-04-12 | 一种基于数据分组的小样本深度学习水声目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116108353A true CN116108353A (zh) | 2023-05-12 |
CN116108353B CN116108353B (zh) | 2023-06-16 |
Family
ID=86256506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310384534.8A Active CN116108353B (zh) | 2023-04-12 | 2023-04-12 | 一种基于数据分组的小样本深度学习水声目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116108353B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130272092A1 (en) * | 2011-01-25 | 2013-10-17 | Subsea Asset Location Technologies Limited | Identification, detection and positioning of underwater acoustic reflectors |
CN106250848A (zh) * | 2016-07-29 | 2016-12-21 | 西北工业大学 | 一种基于多模型融合的单类水声目标识别方法 |
CN109100710A (zh) * | 2018-06-26 | 2018-12-28 | 东南大学 | 一种基于卷积神经网络的水下目标识别方法 |
CN109581339A (zh) * | 2018-11-16 | 2019-04-05 | 西安理工大学 | 一种基于头脑风暴自动调整自编码网络的声呐识别方法 |
CN111709315A (zh) * | 2020-05-27 | 2020-09-25 | 西安交通大学 | 一种基于领域适配的水声目标辐射噪声识别方法 |
CN113111786A (zh) * | 2021-04-15 | 2021-07-13 | 西安电子科技大学 | 基于小样本训练图卷积网络的水下目标识别方法 |
CN113253248A (zh) * | 2021-05-11 | 2021-08-13 | 西北工业大学 | 一种基于迁移学习的小样本垂直阵目标距离估计方法 |
CN114070688A (zh) * | 2021-11-29 | 2022-02-18 | 中国海洋大学 | 多制式水声通信信号调制识别方法和系统 |
CN115238738A (zh) * | 2022-07-07 | 2022-10-25 | 西北工业大学 | 构建水声目标识别模型的方法和装置 |
-
2023
- 2023-04-12 CN CN202310384534.8A patent/CN116108353B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130272092A1 (en) * | 2011-01-25 | 2013-10-17 | Subsea Asset Location Technologies Limited | Identification, detection and positioning of underwater acoustic reflectors |
CN106250848A (zh) * | 2016-07-29 | 2016-12-21 | 西北工业大学 | 一种基于多模型融合的单类水声目标识别方法 |
CN109100710A (zh) * | 2018-06-26 | 2018-12-28 | 东南大学 | 一种基于卷积神经网络的水下目标识别方法 |
CN109581339A (zh) * | 2018-11-16 | 2019-04-05 | 西安理工大学 | 一种基于头脑风暴自动调整自编码网络的声呐识别方法 |
CN111709315A (zh) * | 2020-05-27 | 2020-09-25 | 西安交通大学 | 一种基于领域适配的水声目标辐射噪声识别方法 |
CN113111786A (zh) * | 2021-04-15 | 2021-07-13 | 西安电子科技大学 | 基于小样本训练图卷积网络的水下目标识别方法 |
CN113253248A (zh) * | 2021-05-11 | 2021-08-13 | 西北工业大学 | 一种基于迁移学习的小样本垂直阵目标距离估计方法 |
CN114070688A (zh) * | 2021-11-29 | 2022-02-18 | 中国海洋大学 | 多制式水声通信信号调制识别方法和系统 |
CN115238738A (zh) * | 2022-07-07 | 2022-10-25 | 西北工业大学 | 构建水声目标识别模型的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116108353B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111753881B (zh) | 一种基于概念敏感性量化识别对抗攻击的防御方法 | |
CN109597043B (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
CN110287983B (zh) | 基于最大相关熵深度神经网络单分类器异常检测方法 | |
CN108596327B (zh) | 一种基于深度学习的地震速度谱人工智能拾取方法 | |
CN111126134B (zh) | 基于非指纹信号消除器的雷达辐射源深度学习识别方法 | |
CN109993280A (zh) | 一种基于深度学习的水下声源定位方法 | |
CN107766668B (zh) | 一种基于神经网络的复杂仿真模型验证方法 | |
CN104537647A (zh) | 一种目标检测方法及装置 | |
CN112884059B (zh) | 一种融合先验知识的小样本雷达工作模式分类方法 | |
CN107944483B (zh) | 基于双通道dcgan和特征融合的多光谱图像分类方法 | |
CN107832789B (zh) | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 | |
CN109655815B (zh) | 基于ssd的声呐目标检测方法 | |
CN112001433A (zh) | 一种航迹关联方法、系统、设备及可读取存储介质 | |
CN107528824B (zh) | 一种基于二维度稀疏化的深度信念网络入侵检测方法 | |
CN110728177B (zh) | 基于双协方差随机子空间的类噪声数据低频振荡辨识方法 | |
CN112288026A (zh) | 一种基于类激活图的红外弱小目标检测方法 | |
CN109615027B (zh) | 一种高速铁路沿线风速特征提取智能预测方法 | |
Pertigkiozoglou et al. | Detecting adversarial examples in convolutional neural networks | |
CN110033043B (zh) | 基于条件生成式对抗网络的雷达一维距离像拒判方法 | |
CN109740672B (zh) | 多流特征距离融合系统与融合方法 | |
CN108631817B (zh) | 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法 | |
CN116108353B (zh) | 一种基于数据分组的小样本深度学习水声目标识别方法 | |
CN117474168A (zh) | 一种基于注意力机制的CNN-BiGRU的船舶轨迹预测方法及装置 | |
CN116958809A (zh) | 一种特征库迁移的遥感小样本目标检测方法 | |
CN113095381B (zh) | 一种基于改进型dbn的水声目标辨识方法及系统 |
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 |