[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

说明书

本发明公开了一种面向水下目标识别的卷积神经网络优化方法，属于水下目标识别技术领域，本发明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，之后将单层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，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，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，并对测试的结果进行分析。本发明对卷积神经网络中的目标分类层进行优化，解决了当前卷积神经网络在水下目标识别领域的分类准确率不高等问题，较改进之前更适用于水下目标识别领域，对水下目标领域取得了更好的分类效果。

技术领域

本发明属于水下目标识别技术领域，具体涉及一种解决当前卷积神经网络在水下目标识别领域的分类准确率不高等问题的面向水下目标识别的卷积神经网络优化方法。

背景技术

当前，各国对海洋经济和军事地位越来越重视，都在大力进行相关研究。我国仍处于比较落后的阶段。因此，随着我国军事自动化建设步伐的推进，对水下目标识别的研究亟待解决。

在水下目标识别中，目标分类是整个水下目标识别过程的关键。在原始的水下目标识别中，主要是根据声呐员的经验和主观判断来确定目标的类型，此法有一定的弊端。经验主义很有可能在某个关键时刻发生错误甚至产生相反的结果。后来开始运用声学信号理论、现代谱理论来进行水下目标的识别，识别精度和效率有了一定的提升。但随着当前各种传感器形式的增加、各种信息量的增大、水下环境的噪声干扰的增多，水下目标识别问题又开始变得越来越复杂。因此，依靠传统的方法已不能满足当前的需要，而神经网络对处理那些环境信息复杂、背景知识模糊的分类问题，具有明显的优越性。

分类器是由大量数据和标签训练出来的一种模型或者函数。分类器是识别任务中必不可少的组件，只有通过分类器才能将一些很复杂的数据进行分类。因此，分类器性能的好坏对最终的分类结果有很大的影响。

稀疏自编码器是一种给定一个输入的前提下，通过一定的约束，尽最大可能的复现原有的输入，使复现的输入以一种不同的形式来承载原始数据的所有主要信息的网络系统。稀疏自编码器对包含复杂特征的数据有较好的复现效果，同时能有效提取隐含特征，因而本发明采用以稀疏自编码器为技术基础进行相关研究。

当前卷积神经网络主要应用于传统图像领域，在水下目标领域应用较少，取得的成绩不尽如人意。由于水下领域中采集的数据较传统图像数据，具有更抽象更复杂的特征表示，因而应用于传统图像领域的卷积神经网络相关模型具有一定的局限性。因此，本发明将优化卷积神经网络中的目标分类层相关优化方案，使得优化后的卷积神经网络能较改进之前更适用于水下目标识别领域，使得针对水下目标领域能取得更好的分类效果。

发明内容

本发明的目的在于提供一种解决目前卷积神经网络在水下目标识别领域的分类准确率不高，且更适用于水下目标识别领域，针对水下目标领域能取得更好分类效果的面向水下目标识别的卷积神经网络优化方法。

本发明的目的是这样实现的：

本发明公开了一种面向水下目标识别的卷积神经网络优化方法，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。