[发明专利]一种基于迁移学习的水下声音信号分类方法

说明书

本发明公开了一种基于迁移学习的水下声音信号分类方法，涉及机器学习技术领域；本发明将数据集之间的分布和领域之间的域不变性结合；在类别分类器部分，使用MMD算法去匹配两数据集间的分布差异，并通过对内核的数量以及覆盖范围进行改变，最小化两数据集之间的分布差异；而在域分类器部分，则利用梯度反转去阻止域分类器在误差反向传播阶段的梯度下降，最大化域分类器的分类误差，使分类器具有领域不变性。一种基于迁移学习的水下声音信号分类方法，以动态的调整两种方法在模型进行迭代训练过程中的重要程度。通过实验证明，本发明提出的迁移学习方法要优于传统的分类方法以及现有的迁移学习方法DAN和DSN，并且分类越复杂，效果越明显。

技术领域

本发明涉及机器学习技术领域，具体涉及一种基于迁移学习的水下声音信号分类方法。

背景技术

机器学习领域出现了一个重要的问题：当源域样本数据与目标域样本数据的边缘分布或者条件分布不相同或者不完全相同，并且无法获取大量的有效数据去作为模型的训练数据时，怎样训练出一个精度高、稳定性强的模型去预测目标领域的数据。迁移学习这一研究方向因此变得愈发重要。迁移学习是指利用当前领域已经获取到的样本数据对模型参数进行训练，将训练好的模型应用到相关但是并不相同的领域中，对该领域的新数据进行预测的新的机器学习手段。它无需遵守传统机器学习的两个要求，其最终的目标是将已经学习到的知识(参数)迁移到目标领域中去，以解决目标域无法获取足够多的有效的训练数据的问题。

众所周知，由于水下环境的复杂性，近年来众多学者提出的水下声音信号分类方法的分类效果均无法达到理想的分类结果。本发明创新的将迁移学习的方法应用于水下声音信号的分类，试图利用迁移学习去提高分类精度。

发明内容

本发明的目的在于提供一种基于迁移学习的水下声音信号分类方法。

一种基于迁移学习的水下声音信号分类方法，具体过程为：将获取的水下声音信号输入到训练好的迁移学习网络中获取分类号的声音信号；

所述训练好的迁移学习网络的网络参数通过以下方式获得：

步骤一：输入源域数据集x^s以及其对应的类标签和域标签目标域数据集x^t；学习率σ和最大迭代次数T；类别分类器的初始调整参数值μ＝1和域分类器的初始调整参数值λ＝0；

步骤二：利用卷积神经网络的卷积层和下采样层去提取输入数据的特征，令当前迭代次数i＝0；

步骤三：通过Feature Extraction获取数据特征；通过Category Classifier获取输入样本的预测类标签通过Domain Classifier获取输入样本的预测域标签

步骤四：根据实验设置获取数据的mini_batches；

步骤五：使用源域数据集x^s以及其对应的类标签和域标签目标域数据集x^t以及上面得到的预测类标签和域标签去最优化网络的参数Θ；

步骤六：使用优化后的网络去预测目标域数据集x^t，并获得

步骤七：分别求出本次模型的类分类损失C_loss_new和域分类损失D_loss_new；

步骤八：分别计算本次损失与上次损失的差值：C_{min US}＝C_loss_new-C_loss_old，D_{min US}＝D_loss_new-D_loss_old；

步骤九：根据差值动态调整参数值：如果C_{min US}≤0D_{min US}≥0，则执行步骤十，否则执行步骤十三；