[发明专利]一种基于领域适配的水声目标辐射噪声识别方法

说明书

本发明公开了一种基于领域适配的水声目标辐射噪声识别方法，构建源域和目标域共享的卷积神经网络，使用源域标签样本对卷积神经网络进行预训练，利用源域标签样本和目标域样本分别计算源域分类损失和目标域伪标签分类损失，在卷积神经网络中多层计算源域标签样本和目标域样本跨域的多核最大均值差异距离，根据源域分类损失、目标域伪标签分类损失和多核最大均值差异距离得到网络总损失，通过伪标签学习将网络预测的目标域样本标签赋予该无标签样本，使得无标签的目标域水声目标数据具备监督训练模型的能力，实现源域与目标域水声目标数据的类别特征向同一标记空间映射，有效地解决了在目标域水声目标样本无标签且数据量稀少时对其精准识别的问题。

技术领域

本发明属于水声目标检测与识别领域，具体涉及一种基于领域适配的水声目标辐射噪声识别方法。

背景技术

近年来，世界各国对海洋领域的工业科技探索不断深入，水声目标在海洋领域所受到的重视逐步提升，对其进行精准、高效识别方法的研究变得愈发重要，而我国在此方面仍较为落后。因此，随着国际战略形势和周边安全环境显著变化，对水声目标识别的研究亟待推进。

文献CN201910661350:“基于大数据的水声目标智能识别方法”首先采集了大量的水声目标原始信号，然后通过信号处理等手段人工提取出信号的典型特征，之后由这些提取出来的特征构建训练集对搭建的神经网络模型进行训练，最后输入测试集得到水声目标分类结果。但是该方法首先需要人工提取特征，对水声目标识别的自动化程度不高，无法实现端到端的识别。同时，当我们的目标识别领域数据与先前用于模型训练数据的边际分布或者条件分布不完全相同时，该方法易造成较低的识别精度问题。由于受到复杂海洋背景噪声的干扰等原因，近年来许多学者提出的水声目标辐射噪声分类方法均无法得到理想的分类性能。

发明内容

本发明的目的在于提供一种基于领域适配的水声目标辐射噪声识别方法，以克服现有技术的不足。

为达到上述目的，本发明采用如下技术方案：

一种基于领域适配的水声目标辐射噪声识别方法，包括以下步骤：

步骤1)、构建源域和目标域共享的卷积神经网络；

步骤2)、使用源域标签样本对步骤1)构建的卷积神经网络进行预训练，得到预训练模型，通过预训练模型初始化目标域样本伪标签；

步骤3)、利用源域标签样本和目标域样本分别计算源域分类损失和目标域伪标签分类损失，同时在卷积神经网络中多层计算源域标签样本和目标域样本跨域的多核最大均值差异距离，根据源域分类损失、目标域伪标签分类损失和多核最大均值差异距离得到网络总损失；

步骤4)、针对步骤3)得到的网络总损失对卷积神经网络进行训练优化，训练的同时不断根据卷积神经网络的模型参数的变化更新目标域样本伪标签，循环迭代直至损失函数收敛，得到最佳水声目标辐射噪声识别模型，采用最佳水声目标辐射噪声识别模型识别待检测的目标样本即可得到水声目标辐射噪声分类结果。

进一步的，卷积神经网络包括2个卷积层、2个最大池化层、2个全连接层以及1个输出层；卷积神经网络的第1层、第3层为卷积层，所述卷积层对应的卷积核数量均为10个；卷积神经网络的第2层和第4层为最大池化层，最大池化层的池化窗口大小均为1X2，步长为1；卷积神经网络的第5层和第6层为全连接层，第5层全连接层神经元的数量为2480，第6层的全连接层神经元的数量为256；第7层为输出层，激活函数为softmax函数。

进一步的，步骤2)中，将源域标签样本输入到步骤1)构建好的卷积神经网络中，通过优化算法对卷积神经网络模型参数进行迭代优化直到损失函数收敛，获得预训练模型。