[发明专利]一种基于卷积相似度的水声环境参数分类方法

说明书

一种基于卷积相似度的水声环境参数分类方法，涉及水声环境参数反演领域。本发明是为了解决目前水声环境参数分类方法无法在保证网络性能的同时降低网络训练时间与网络参数规模，进而导致水声环境参数分类方法不适合低算力、低容量设备的问题。本发明包括：将待分类的水声信息矩阵输入到训练好的水声环境参数分类网络中获得分类好的水声环境参数；训练好的水声环境参数分类网络包括：利用水声信息矩阵训练超网络获取训练好的超网络和每个卷积输出的水声特征矩阵；对特征矩阵进行降维、拼接、利用高斯核卷积操作获得一维特征向量；获取特征矩阵相似度系数；对训练好的超网络裁剪，获取训练好的水声环境参数分类网络。本发明用于水声环境参数分类。

技术领域

本发明涉及水声环境参数反演领域，特别涉及一种基于卷积相似度的水声环境参数分类方法。

背景技术

随着神经网络的不断发展，人们尝试利用深度学习方法来反演水声环境参数并且取得了很大的进步。所谓水声环境参数反演通常就是在水中布放水听器或者水听器阵对要反演的水域进行声场观测，然后对水听器接收到的声信号进行分析处理来估计感兴趣的水声环境参数，如温度、密度、深度等。用深度学习方法来反演水声环境参数是一个比较方便、高效的途径，因为这种方法一般只需要靠放一个或几个发射声源和接收声基阵就可以同时反演出大范围的水声环境参数，并且可以对水声环境长时间连续监测，与那些逐点测量水声环境参数的方法相比，优势不言而喻。但是，目前深度学习的相关研究已经证明，卷积神经网络的训练过程会消耗大量的时间，是因为一些可以被替代的卷积占用了大量的网络参数，使得网络结构存在大量冗余。所以，能否尽快确定卷积核之间的关系、进而寻找到最优子网络从而降低网络的参数规模进而减少训练时间是目前本领域研究的重点。

目前，主要采用优化神经网络结构的方法降低网络的参数规模。基于梯度下降算法的结构优化，即对卷积添加权重参数，并在训练过程中调整权重，最终总结出在训练过程中起到重要作用的卷积，同时删除作用较小的卷积。该方法可以在保证网络效果的同时有效的降低网络参数规模，但需要极长的训练时间与极高的硬件支持条件，同时消耗时间与算力所优化出的子网络不具备在不同数据环境下的泛化能力。自2018年Google提出较为完善的AutoML技术理念之后，目前以AutoML为基础进行研究的大多是具有财力与硬件支持的科技巨头和知名研究机构。因此目前的水声环境参数分类方法无法在保证网络性能的同时降低网络训练时间与网络参数规模，进而导致目前的水声环境参数分类方法并不适用于低算力、低容量的设备。

发明内容

本发明目的是为了解决目前的水声环境参数分类方法无法在保证网络性能的同时降低网络训练时间与网络参数规模，进而导致目前的水声环境参数分类方法并不适用于低算力、低容量的设备的问题，而提出了一种基于卷积相似度的水声环境参数分类方法。

一种基于卷积相似度的水声环境参数分类方法具体过程为：

将待分类的水声信息矩阵输入到训练好的水声环境参数分类神经网络模型中获得分类好的水声环境参数；

所述训练好的水声环境参数分类神经网络模型通过以下方式获得：

步骤一、获取水声信息矩阵，建立超网络模型并利用获取的水声信息矩阵训练超网络模型获取训练好的超网络模型α和每个卷积输出的水声特征矩阵；

所述水声信息矩阵包括：干端信号矩阵、湿端信号矩阵；

所述干端水声信号矩阵是母船发射的所有信号拼接成的矩阵；

所述湿端信号矩阵：接收信号船只将接收的所有声信号转换为电信号，所有电信号拼接成的矩阵即为湿端信号矩阵；

所述超网络模型包括：卷积层、累加层、池化层、线性分类器；

其中，每个卷积层包括多个卷积；

所述累加层的数量比卷积层的数量少1；