[发明专利]一种面向水下目标识别的卷积神经网络优化方法

权利要求书

1.一种面向水下目标识别的卷积神经网络优化方法，其特征在于，主要包括以下步骤：

(1)将原始声音数据通过短时傅里叶变换等操作转化为灰度声谱图像；

(2)将单层SAE判别式分类法和多层SAE重建式分类法分别添加到Alexnet模型当中；

(3)将灰度声谱图像进行打标签和训练，用灰度声谱图像的70％作为训练集，用其余的30％作为测试集；

(4)将训练集和测试集分别应用在改进前的Alexnet模型和改进后的Alexnet模型中进行准确率和训练时间对比实验；

(5)对测试的结果进行分析。

2.根据权利要求1所述的一种面向水下目标识别的卷积神经网络优化方法，其特征在于，所述的步骤(1)包括以下步骤：

(1.1)采集水下声音数据，通过短时傅里叶变换等方法，将声音数据转换为声谱图像，然后将得到的声谱图像，作为Alexnet卷积神经网络模型的输入；

(1.2)对声谱图像进行初始特征表示，将得到声谱图像放入到Alexnet网络模型进行预学习，经过包含卷积操作、激活函数激活、池化操作、图像归一化以及全连接层处理后，生成一个一维矢量。

3.根据权利要求1所述的一种面向水下目标识别的卷积神经网络优化方法，其特征在于，所述的步骤(2)中单层SAE判别式分类法针对准确率进行优化，主要包括：

在经过卷积神经网络的预学习阶段之后，得到初始特征表示，然后在Softmax分类器的顶部即入口处，加入一个稀疏自编码器的编码部分，在稀疏自编码器的编码部分中，网络输入x_i通过一个非线性激活函数g(·)被映射到S维隐含层中得到隐含层表示h_i∈^S中，映射过程为：

h_i＝g(W^(e)x_i+b^(e))

其中，W^(e)∈^S×D表示编码器的权重矩阵，表示编码器的偏置量，选用的非线性激活函数为Sigmoid函数，通过上式的映射过程可以完成向量的降维操作，获得更加重要的特征向量。

4.根据权利要求1所述的一种面向水下目标识别的卷积神经网络优化方法，其特征在于：所述的步骤(2)中多层SAE重建式分类法针对训练时间进行优化，多层SAE重建式分类法主要包括三部分，初始特征表示的获取，自编码器模型的训练，还有测试集输入、误差分析、分类；

初始特征表示的获取主要通过Alexnet网络模型进行原始图像的特征提取和分析，然后经过最后一个全连接层得到初始特征表示；

自编码器模型的训练主要是针对已有的测试集图像和目标种类，对自编码器进行有监督式学习，并通过与神经网络反馈调节类似的算法进行训练，进而得到一个相对稳定的自编码器模型；

测试集输入、误差分析、分类主要是对初始特征表示进行重建复原，将重建后的图像与原有输入图像进行对比，采用类似欧氏距离的误差计算方法，分别将原始图像与重建图像中每个像素点的值提取出来，组成一个一维向量：其中，向量中a[]代表一个像素点的灰度值，之后计算二者的像素值误差ρ(A,B)：

设定初始值λ，结合相关传统图像误差分析理论，将λ的值设定为10^-3，然后将每个误差值组成一个新的c维向量，选出其中与初始值λ的绝对值作差最小的值，即：

ρ_min(A,B)＝min(|ρ_k(A,B)-λ|),k＝1,2,...,c

根据上式的结果找出产生此重建图像的自编码器，进而确定原始测试图像所属种类。