[发明专利]基于分组卷积深度U_Net的水下目标识别方法

权利要求书

1.基于分组卷积深度U_Net的水下目标识别方法，其特征在于，包括：

获取原始随机水声信号；

在U_Net模型的下采样路径中加入分组卷积操作，构建分组卷积深度U_Net模型；

输入原始随机水声信号，得到识别后的水下目标信号。

2.如权利要求1所述的基于分组卷积深度U_Net的水下目标识别方法，其特征在于，所述构建分组卷积深度U_Net模型包括对原始水声信号的采样、分帧：

对时域信号选取特定频率采样；

对采样以后的信号，每n个点作为一帧；

对分帧以后的信号加汉明窗；

对加窗以后的信号进行样本剔除；

对所有的样本归一化处理。

3.如权利要求2所述的基于分组卷积深度U_Net的水下目标识别方法，其特征在于，所述构建分组卷积深度U_Net模型包括训练分组卷积深度U_Net模型：

将采样、分帧后的原始水声信号随机选取1/3样本作为训练集，剩余2/3样本作为测试集；

训练集送入分组卷积深度U_Net模型中训练出稳定的识别模型；

将测试集送入基于分组卷积的U_Net模型中测试模型的稳健性。

4.如权利要求2所述的基于分组卷积深度U_Net的水下目标识别方法，其特征在于，所述U_Net模型包括：

在下采样路径中进行平均池化操作，使用两个滤波器大小为3的卷积运算，卷积运算后有一个激活函数eLU进行校正，然后使用滤波器大小为3，步长为2的平均池化进行下采样，信道的数量在每次下采样操作后增加一倍；

在上采样路径中，使用滤波器大小为2，步长为2的反卷积操作，将下采样路径中的同尺度卷积输出与反卷积输出串联起来。

5.如权利要求1所述的基于分组卷积深度U_Net的水下目标识别方法，其特征在于，所述分组卷积的结构包括：

输入特征的通道数为n，输出特征的通道数为k，卷积核大小为1×3，输出k个通道分为m组，每组两个通道。

6.如权利要求1所述的基于分组卷积深度U_Net的水下目标识别方法，其特征在于，还包括利用反向传播算法优化分组卷积深度U_Net模型的参数：

将样本的输出利用softmax函数转换成概率模型，softmax函数表达式为：

其中x_i表示一个样本中当前的第i个特征点的值，x_j表示一个样本中每一个特征点的值；

softmax函数的概率输出与样本的对应标签求交叉熵函数作为网络的优化依据，交叉熵函数表达式为：

其中，y′_i表示真实标签中的第i个值，y_i表示softmax输出层的第i个值；

利用反向传播算法找到使得损失函数(交叉熵)下降最快的变量变化方向，更新原始参数，其中卷积层到池化层的反向传播数学表达式为：

其中，H代表误差函数(交叉熵)，ω^l代表第l层的卷积核函数，a^l-1代表第i-1层的池化层输出函数，*代表卷积操作，rot180代表对卷积核的反转；

取微小变化量为梯度：

其中，η为学习率，w^l代表第l层卷积核函数，Δw^l为微小变化量；

用微小变化量来更新，更新的表达式为：

w^l′＝w^l-Δw^l

其中，w^l′为更新后的微小变化量。

7.如权利要求1所述的基于分组卷积深度U_Net的水下目标识别方法，其特征在于，还包括设置基于分组卷积的U_Net模型的参数：

下采样路径包含3次下采样，每一次下采样前对数据进行两次相同的卷积操作，选取卷积核大小为1×3，步长为1，通道数分别为64、128、256；

每一次下采样对卷积后的数据进行最大池化操作，选取核大小为1×3，步长为2，通道数加倍；

上采样路径包含3次上采样，每一次上采样以后采样点加倍，通道数减半，采样以后与同尺度的下采样数据拼接，对拼接数据连续两次卷积操作，卷积核大小为1×3，步长为1，通道数分别为256、128、64。