CN116894223A - 一种基于自适应对消与ResNet神经网络的机载水下异常检测方法 - Google Patents
一种基于自适应对消与ResNet神经网络的机载水下异常检测方法 Download PDFInfo
- Publication number
- CN116894223A CN116894223A CN202310895529.3A CN202310895529A CN116894223A CN 116894223 A CN116894223 A CN 116894223A CN 202310895529 A CN202310895529 A CN 202310895529A CN 116894223 A CN116894223 A CN 116894223A
- Authority
- CN
- China
- Prior art keywords
- signal
- data
- neural network
- underwater
- adaptive
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 230000005291 magnetic effect Effects 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 19
- 239000002184 metal Substances 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 230000003044 adaptive effect Effects 0.000 claims description 43
- 238000001914 filtration Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 17
- 230000005284 excitation Effects 0.000 claims description 14
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 12
- 230000005672 electromagnetic field Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000001808 coupling effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000003321 amplification Effects 0.000 claims 1
- 230000004927 fusion Effects 0.000 claims 1
- 238000003199 nucleic acid amplification method Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 230000011218 segmentation Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000000926 separation method Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 230000008034 disappearance Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011038 discontinuous diafiltration by volume reduction Methods 0.000 description 2
- 230000005358 geomagnetic field Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 101001013832 Homo sapiens Mitochondrial peptide methionine sulfoxide reductase Proteins 0.000 description 1
- 102100031767 Mitochondrial peptide methionine sulfoxide reductase Human genes 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种基于自适应对消与ResNet神经网络的机载水下异常检测方法,包括以下步骤:首先,配置机载磁电天线与磁场传感器之间保持距离固定;其次,机载磁电天线向水下发射低频电磁波信号,机载磁通门计接收三轴磁场强度,包括天线一次场与水下金属异常涡流效应的二次场;然后,利用自适应对消技术实现接收信号中二次场的分离,得到目标有用信号;最后利用滑窗方式按照天线发射信号周期完成二次场时序信号的分割处理,并送入预训练的ResNet神经网络中完成异常信号有无的检测与识别。本发明便于开展大面积水下异常金属探测,同时预训练模型分析处理速度较快、准确率较高,是一种便捷性与可信度兼具的水下异常检测方法。
Description
技术领域
本发明涉及一种基于自适应对消与ResNet神经网络的机载水下异常检测方法,主要应用于对水下是否存在金属异常物的准确检测,属于磁探测与定位技术领域。
背景技术
水下金属异常检测技术被广泛使用于水下矿藏勘探、车流量监控、兵器探测、水下搜救等领域,具有极高的应用价值。在水下检测应用场景中,磁场传感器接收到的信号包括磁电天线发射源产生的一次场信号、水下金属异常物体感应出的二次场信号、海洋噪声、杂波等,而二次场信号的强弱是检验水下金属异常物体有无的主要指标,因此二次场信号可以视为有用信号,一次场信号、海洋噪声和杂波可以视为噪声信号。此外,一次场信号与二次场信号同频且一次场信号的强度远大于二次场信号,传统的频域滤波法难以将一次场信号滤除;同时,二次场信号解析解形式复杂,需要较为深层的神经网络,传统的神经网络方法容易产生梯度消失与梯度爆炸问题,分类效果差。本发明基于自适应对消算法将磁电天线一次场信号滤除,提取比较纯净的二次场信号,并送入ResNet神经网络对信号进行高精度的分类判别,实现对水下异常有无的检测。
发明内容
本发明的技术解决问题:使用机载磁电天线发射电磁波一次场,探测水下金属异常产生的二次场,实现对水下非铁磁目标的识别;使用自适应对消方法去除地磁场与一次场,可以实现目标电磁信号的高精度特征提取;使用滑窗方式实现对数据的分割与截断,实现了信号时序信息保留;使用ResNet神经网络进行分类,参数量下降、复杂度降低,同时网络深度更深、不会产生梯度消失,对信号分类的准确性高。
本发明的技术解决方案:一种基于自适应对消与ResNet神经网络的机载水下异常检测方法,其实现步骤如下:
第一步,配置并训练自适应对消系统。自适应对消系统由发射端、接收端和数据端组成。发射端由信号发生器、电压放大器和磁电天线组成。信号发生器产生的激励信号通过高压放大器进行功率放大,然后作为驱动电压加载于磁电天线上,磁电天线由于磁电耦合效应产生电磁场(一次场)。因为信号发生器产生的激励信号与磁电天线产生的一次场信号频率相同且相位差固定,同时该激励信号可以直接测量,所以可以将信号源产生的激励信号作为参考信号去估计一次场信号。
接收端由磁场传感器和前置放大器组成。磁场传感器对所处环境的电磁信号进行接收,前置放大器对磁场传感器接收到的信号进行带通滤波,滤除低频海洋噪声和高频噪声。
数据端由数据采集卡和PC组成。数据采集卡采集信号发生器的激励信号和前置放大器的预滤波信号,并将这两组数据输出至PC进行自适应对消。
距离测量系统较远处的水下金属目标电磁场具有如下复数表达形式:
Hφ=0
其中,Hr,Hθ,Hφ分别表示磁电天线在球坐标系三坐标轴方向的磁场强度,j表示虚数单位,r表示从水下金属异常物到传感器之间距离,I0表示金属内产生涡流大小,θ表示球坐标系下角度,k表示复波数,利用自适应滤波器对该正弦型磁场处理,其损失函数可表示为:
e2(i)=(d(i)-WT(i)X(i))2
其中,W是自适应滤波器的参数,d是实际值或期望值,X是参考信号,i表示第i次迭代。
另外,W的迭代遵循下式:
W(i+1)=W(i)+μe(i)X(i)
其中,μ是自适应滤波器的步长。
训练阶段自适应滤波器的参数初始可设为零,然后根据损失函数和步长对自适应滤波器参数进行迭代,当该参数的变化量小于给定的阈值时,即认为自适应滤波器参数收敛,将该参数存储后可直接在应用阶段使用,进行自适应滤波。
第二步,利用自适应滤波器参数进行二次场提取。输出信号满足如下形式:
s=s0+n0-n
其中,s为自适应滤波输出信号,s0为目标二次场信号,n0为磁场传感器在对消阶段采集到的一次场与噪声,n为自适应滤波器对学习阶段一次场与噪声信号的滤波结果,由于学习阶段使得n对n0无限逼近,将一次场与噪声信号抵消,可以使得自适应滤波输出较为纯净的二次场信号。
第三步,使用滑窗方式对信号进行分割。参考一次场发射信号频率,选取合适长度的滑窗,确保滑窗长度包含信号整个周期,以滑窗内的数据为一条样本;同时选取合适的间距,确保对数据充分利用的同时,保证训练集样本数据量充足。
第四步,利用预训练ResNet网络完成对目标信号的分类。本发明中选用ResNet18神经网络架构,即包含18层权重层的ResNet神经网络,全部网络按功能可以分为权重层与规范化层。各权重层内包含汇聚层、卷积层、线性全连接层,主要进行卷积运算;规范化层包含数据批量归一化与汇聚层,主要进行数据的归一化处理与数据量缩减,便于后续运算处理。
特征信号首先进入第一个卷积层,对数据特征进行预处理,其输出通道数表达式满足下式子:
其中,nout为输出通道数,nin为输入通道数,p为图像填充数,k为卷积核大小,s为步长。
卷积后信号进入规范化层,进行批量归一化处理与最大汇聚处理,该汇聚层不改变数据通道的数量,只改变了数据的大小。
归一化信号数据随后通过多个权重层,在ResNet18中共包含四个残差块,引入残差的映射对输出的变化更加敏感,对权重优化的效果更好。在残差块内,信号特征顺序通过两个卷积层,并引入了恒等映射以解决神经网络产生的梯度消失以及网络退化问题,该映射表示为:
F(x)=H(x)-x
其中,H表示恒等映射,F表示残差,x为输入。
在输入与输出同等维度下,残差块表达式如下:
y=F(x,{Wi})+x
其中,x为输入,y为输出,F表示求和之前的网络映射关系即残差,{Wi}表示本残差块内网络的权重的集合。若维度不同,则表达为:
y=F(x,{Wi})+Wix
信号经过残差块后输入平均汇聚层并经过全连接层softmax分类,表达式如下:
其中,xi为全连接层的输入元素的第i个元素。
在预训练过程中利用事先采集的数据按照同样方式进行数据处理与分类,使用MSRA方法进行卷积神经网络权重初始化,选用交叉熵函数作为损失函数,选用Adam优化器对损失函数进行优化,使用dropout方法防止过拟合发生,模型最终收敛完成后可以较快实现对输入信号的分类。
至此,本发明所提出的基于自适应对消与ResNet神经网络的机载水下异常检测方法的工作结束,并且可以得到较高的检测准确度。
本发明设计的一种基于自适应对消与ResNet神经网络的机载水下异常检测方法与现有技术相比的优点:
(1)本发明使用机载磁电天线发射电磁波一次场,探测水下金属异常产生的二次场,不仅可以实现水下铁磁目标的识别,也可以实现对水下非铁磁目标的识别。
(2)本发明使用自适应对消方法去除地磁场与一次场,可以实现目标电磁信号的高精度特征提取。
(3)本发明使用滑窗方式实现对数据的分割与截断,保留了信号时序信息。
(4)本发明使用预训练的ResNet神经网络进行分类,参数量下降、复杂度降低,同时网络深度更深、不会产生梯度消失,信号分类的处理速度快、准确性高。
附图说明
图1为本发明一种基于自适应对消与ResNet神经网络的机载水下异常检测方法流程框图;
图2为本发明设计的自适应对消系统框图;
图3为本发明所使用的滑窗式信号数据分割方法;
图4为本发明使用的ResNet神经网络架构图。
具体实施方式
如图1所示,本发明的一种基于自适应对消与ResNet神经网络的机载水下异常检测方法,包括以下步骤:首先,在无异常物体的水域对自适应滤波器的参数进行迭代直至收敛,存储收敛的滤波器参数;其次,使用已训练好的自适应滤波器参数,对磁场传感器接收到的混合信号磁电天线发射电磁波周期设计滑动窗,对自适应滤波得到的三轴时序二次场信号进行自适应滤波;然后,按照磁电天线发射电磁波周期设计滑动窗,对自适应滤波得到的二次场信号进行分割;最后,将三轴二次场数据输入ResNet神经网络,并使用预训练权重完成对目标信号有无的二分类检测。整个方法的原理框图如图1所示,具体实施步骤如下:
第一步,配置并训练自适应对消系统。自适应对消系统由发射端、接收端和数据端组成。发射端由信号发生器、电压放大器和磁电天线组成。滤波架构如图2所示。信号发生器产生的激励信号通过高压放大器进行功率放大,然后作为驱动电压加载于磁电天线上,磁电天线由于磁电耦合效应产生电磁场(一次场)。因为信号发生器产生的激励信号与磁电天线产生的一次场信号频率相同且相位差固定,同时该激励信号可以直接测量,所以可以将信号源产生的激励信号作为参考信号去估计一次场信号。
接收端由磁场传感器和前置放大器组成。磁场传感器对所处环境的电磁信号进行接收,前置放大器对磁场传感器接收到的信号进行带通滤波,滤除低频海洋噪声和高频噪声。
数据端由数据采集卡和PC自适应滤波器程序组成。数据采集卡采集信号发生器的激励信号和前置放大器的预滤波信号,并将这两组数据输出至PC进行自适应对消。
距离测量系统较远处的水下金属目标电磁场具有如下复数表达形式:
Hφ=0
其中,Hr,Hθ,Hφ分别表示磁电天线在球坐标系三坐标轴方向的磁场强度,j表示虚数单位,r表示从水下金属异常物到传感器之间距离,I0表示金属内产生涡流大小,θ表示球坐标系下角度,k表示复波数,利用自适应滤波器对该正弦型磁场处理,其损失函数可表示为:
e2(i)=(d(i)-WT(i)X(i))2
其中,W是自适应滤波器的参数,d是实际值或期望值,X是参考信号,i表示第i次迭代。
另外,W的迭代遵循下式:
W(i+1)=W(i)+μe(i)X(i)
其中,μ是自适应滤波器的步长。
训练阶段自适应滤波器的参数初始可设为零,然后根据损失函数和步长对自适应滤波器参数进行迭代,当该参数的变化量小于给定的阈值时,即认为自适应滤波器参数收敛,将该参数存储后可直接在应用阶段使用,进行自适应滤波。
第二步,利用自适应滤波器参数进行二次场提取。输出信号满足如下形式:
s=s0+n0-n
其中,s为自适应滤波输出信号,s0为目标二次场信号,n0为磁场传感器在对消阶段采集到的一次场与噪声,n为自适应滤波器对学习阶段一次场与噪声信号的滤波结果,由于学习阶段使得n对n0无限逼近,将一次场与噪声信号抵消,可以使得自适应滤波输出较为纯净的二次场信号。
第三步,使用滑窗方式对信号进行分割。参考一次场发射信号频率,选取合适长度的滑窗,确保滑窗长度包含信号整个周期,以滑窗内的数据为一条样本;同时选取合适的间距,确保对数据充分利用的同时,保证训练集样本数据量充足,其滑窗分割方式如图3所示。
第四步,利用预训练ResNet网络完成对目标信号的分类。本发明中选用ResNet18神经网络架构,即包含18层权重层的ResNet神经网络,全部网络按功能可以分为权重层与规范化层。各权重层内包含汇聚层、激活函数、线性全连接层,主要进行卷积运算;规范化层包含数据批量归一化与汇聚层,主要进行数据的归一化处理与数据量缩减,便于后续运算处理。网络框架如图4所示。
特征信号首先进入第一个卷积层,对数据特征进行预处理,其输出通道数表达式满足下式子:
其中,nout为输出通道数,nin为输入通道数,p为图像填充数,k为卷积核大小,s为步长。
卷积后信号进入规范化层,进行批量归一化处理与最大汇聚处理,该汇聚层不改变数据通道的数量,只改变了数据的大小。
归一化信号数据随后通过多个权重层,在ResNet18中共包含四个残差块,引入残差的映射对输出的变化更加敏感,对权重优化的效果更好。在残差块内,信号特征顺序通过两个卷积层,并引入了恒等映射以解决神经网络产生的梯度消失以及网络退化问题,该映射表示为:
F(x)=H(x)-x
其中,H表示恒等映射,F表示残差,x为输入。
在输入与输出同等维度下,残差块表达式如下:
y=F(x,{Wi})+x
其中,x为输入,y为输出,F表示求和之前的网络映射关系即残差,{Wi}表示本残差块内网络的权重的集合。若维度不同,则表达为:
y=F(x,{Wi})+Wix
信号经过残差块后输入平局汇聚层并经过全连接层softmax分类,表达式如下:
其中,xi为全连接层的输入元素的第i个元素。
在预训练过程中利用事先采集的数据按照同样方式进行数据处理与分类,选用交叉熵函数作为损失函数,选用Adam优化器对损失函数进行优化,使用dropout方法防止过拟合发生,模型最终收敛完成后可以较快实现对输入信号的分类。
至此,本发明所提出的基于自适应对消与ResNet神经网络的机载水下异常检测方法的工作结束,并且可以得到较高的检测准确度。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。尽管为了说明的目的,已描述了本发明的示例性实施方式,但是本领域的技术人员将理解,不脱离所附权利要求中公开的发明的范围和精神的情况下,可以在形式和细节上进行各种修改、添加和替换等的改变,而所有这些改变都应属于本发明所附权利要求的保护范围,并且本发明要求保护的产品各个部门和方法中的各个步骤,可以以任意组合的形式组合在一起。因此,对本发明中所公开的实施方式的描述并非为了限制本发明的范围,而是用于描述本发明。相应地,本发明的范围不受以上实施方式的限制,而是由权利要求或其等同物进行限定。
Claims (6)
1.一种基于自适应对消与ResNet神经网络的机载水下异常检测方法,其特征在于,包括以下步骤:
(1)在无异常物体的水域使用自适应对消系统进行训练,对其中自适应滤波器的参数进行迭代直至收敛,使得估计的噪声信号和实际的噪声信号之间的均方误差最小,存储收敛的滤波器参数;
(2)在步骤(1)的基础上使用已训练好的自适应滤波器参数,对磁场传感器接收到的混合信号进行自适应滤波,抵消一次场信号,提取出比较纯净的三轴时序二次场信号;
(3)在步骤(2)的基础上按照磁电天线发射电磁波周期设计滑动窗,对自适应滤波得到的三轴时序二次场信号进行分割得到三轴二次场数据;
(4)在步骤(3)的基础上将三轴二次场数据输入ResNet神经网络,并使用预训练权重完成对目标信号有无的二分类检测。
2.根据权利要求1所述的一种基于自适应对消与ResNet神经网络的机载水下异常检测方法,其特征在于:自适应对消系统由发射端、接收端和数据端组成,发射端由信号发生器、电压放大器和磁电天线组成,信号发生器产生的激励信号通过高压放大器进行功率放大,然后作为驱动电压加载于磁电天线上,磁电天线由于磁电耦合效应产生一次场信号,信号发生器产生的激励信号与磁电天线产生的一次场信号频率相同且相位差固定,将信号发生器产生的激励信号作为参考信号去估计一次场信号;接收端由磁场传感器和前置放大器组成,磁场传感器对所处环境的电磁信号进行接收,前置放大器对磁场传感器接收到的信号进行带通滤波,滤除低频海洋噪声和高频噪声;数据端由数据采集卡和PC组成,数据采集卡采集信号发生器的激励信号和前置放大器的预滤波信号,并将这两组数据输出至PC进行自适应对消;距离测量系统较远处的水下金属目标电磁场与发射端同频,利用自适应滤波器对该电磁场进行处理,根据损失函数和步长对自适应滤波器参数进行迭代,当该参数的变化量小于给定的阈值时,即认为自适应滤波器参数收敛。
3.根据权利要求2所述的一种基于自适应对消与ResNet神经网络的机载水下异常检测方法,其特征在于:步骤(2)中,抵消一次场信号的具体方式为,磁场传感器在训练阶段和对消阶段采集到一次场大小相同,同时采集的噪声满足相同期望,通过自适应滤波器实现对消阶段的一次场大小去除,使得输入逼近纯净二次场信号。
4.根据权利要求3所述的一种基于自适应对消与ResNet神经网络的机载水下异常检测方法,其特征在于:步骤(3)的具体实现方法如下,参考一次场发射信号频率,选取合适长度的滑窗,确保滑窗长度包含信号整个周期,以滑窗内的数据为一条样本;同时选取合适的间距,确保对数据充分利用的同时,保证训练集样本数据量充足。
5.根据权利要求4所述的一种基于自适应对消与ResNet神经网络的机载水下异常检测方法,其特征在于:ResNet神经网络架构为包含18层权重层的ResNet神经网络,全部网络按功能分为规范化层与权重层,规范化层包含数据批量归一化与汇聚层,用于进行数据的归一化处理,便于后续运算处理,各权重层内包含汇聚层、激活函数、线性全连接层,用于进行卷积运算,三轴二次场数据的特征信号首先进入第一个卷积层,对数据特征进行预处理,预处理后数据特征的维度与通道数发生改变,通过卷积实现了局部特征的提取与融合,卷积后信号进入规范化层,进行批量归一化处理与最大汇聚处理,该汇聚层不改变数据通道的数量,只改变了数据的大小,归一化信号数据随后通过多个权重层,在ResNet神经网格中共包含四个残差块,引入残差的映射,在残差块内,信号特征顺序通过两个卷积层,并引入了恒等映射,最后,信号经过残差块后输入平局汇聚层并经过全连接层softmax函数分类,实现信号有无的检测判断。
6.根据权利要求5所述的一种基于自适应对消与ResNet神经网络的机载水下异常检测方法,其特征在于:在预训练过程中利用事先采集的数据按照同样方式进行数据处理与分类,选用交叉熵函数作为损失函数,选用Adam优化器对损失函数进行优化,使用dropout方法防止过拟合发生,模型最终收敛完成后实现对输入信号的分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310895529.3A CN116894223A (zh) | 2023-07-20 | 2023-07-20 | 一种基于自适应对消与ResNet神经网络的机载水下异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310895529.3A CN116894223A (zh) | 2023-07-20 | 2023-07-20 | 一种基于自适应对消与ResNet神经网络的机载水下异常检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116894223A true CN116894223A (zh) | 2023-10-17 |
Family
ID=88313350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310895529.3A Pending CN116894223A (zh) | 2023-07-20 | 2023-07-20 | 一种基于自适应对消与ResNet神经网络的机载水下异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116894223A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024078445A1 (en) * | 2022-10-10 | 2024-04-18 | International Business Machines Corporation | Underwater machinery performance analysis using surface sensors |
-
2023
- 2023-07-20 CN CN202310895529.3A patent/CN116894223A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024078445A1 (en) * | 2022-10-10 | 2024-04-18 | International Business Machines Corporation | Underwater machinery performance analysis using surface sensors |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108872984B (zh) | 基于多基地雷达微多普勒和卷积神经网络的人体识别方法 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
CN109711314B (zh) | 基于特征融合与sae的雷达辐射源信号分类方法 | |
CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
CN112115822B (zh) | 一种水下移动目标智能融合感知方法 | |
CN116894223A (zh) | 一种基于自适应对消与ResNet神经网络的机载水下异常检测方法 | |
CN115438708A (zh) | 一种基于卷积神经网络和多模态融合的分类识别方法 | |
Li et al. | IncepTCN: A new deep temporal convolutional network combined with dictionary learning for strong cultural noise elimination of controlled-source electromagnetic data | |
CN112633147A (zh) | 一种基于多特征融合与智能迭代优化算法的磁异常检测方法 | |
CN112364768A (zh) | 一种基于空域特征和机器学习的分布式光纤入侵识别方法 | |
Wang et al. | A deep neural network based method for magnetic anomaly detection | |
Zheng et al. | Application of variational mode decomposition and k-nearest neighbor algorithm in the quantitative nondestructive testing of wire ropes | |
CN113780521B (zh) | 一种基于深度学习的辐射源个体识别方法 | |
Wang et al. | Marine target magnetic anomaly detection based on multi-task deep transfer learning | |
CN114740441A (zh) | 一种基于小样本的低慢小目标雷达回波识别方法 | |
CN115705393A (zh) | 一种基于持续学习的雷达辐射源分级识别方法 | |
Hou et al. | Jamming Recognition of carrier-free UWB cognitive radar based on MANet | |
CN116311067A (zh) | 基于高维特征图谱的目标综合识别方法、装置及设备 | |
Heagy et al. | Machine learning for the classification of unexploded ordnance (UXO) from electromagnetic data | |
CN113095381B (zh) | 一种基于改进型dbn的水声目标辨识方法及系统 | |
Kong et al. | Automatic detection technology of sonar image target based on the three-dimensional imaging | |
CN114330450A (zh) | 一种多物理场融合探测识别潜航器的方法及系统 | |
CN114966587A (zh) | 基于卷积神经网络融合特征的雷达目标识别方法及系统 | |
Wang et al. | Magnetic target detection using PointRend-based region-convolutional neural network | |
Bach | Improving the classification of propeller ships using lofar and triple loss variational auto encoder |
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 |