[发明专利]一种基于卷积神经网络的舰船声尾流检测方法

权利要求书

1.一种基于卷积神经网络的舰船声尾流检测方法，其特征在于步骤如下：

步骤1：采集有尾流和无尾流时散射回波信号；分别采集检测平台在不同深度、不同速度、不同信号发射角度以及发射不同信号频率和形式下的有尾流和无尾流时散射回波；

步骤2：对采集到的散射回波信号进行预处理，滤除不在频响范围内的噪声；

步骤3：对预处理后的散射回波信号做小波变化得到小波系数矩阵，然后进行可视化得到时频特征图像集；

步骤4：将时频特征图像集按照一定的比例划分为测试集和训练集，并对每一张时频图标注对应的标签；

步骤5：综合考虑网络的检测准确率、计算量和占用内存的大小，搭建卷积神经网络；所述的卷积神经网络为WakeNet检测网络，WakeNet由三个普通卷积层、四个bottleneck结构和一个全局平均池化层构成，输入网络的时频图首先经过卷积核大小为3×3的卷积层捕获宏观特征，之后经过四层bottleneck结构获取更深层次的特征，然后经过卷积核大小为1×1的卷积层提高网络的非线性分类性能，随后采用全局平均池化层对特征矩阵进行降维，最后采用卷积核大小为1×1的卷积层作为全连接层输出分类结果；

步骤6：使用训练集训练和优化卷积神经网络；

步骤7：将待测数据经过预处理、时频特征提取之后，通过优化好的神经网络模型给出检测结果，实现舰船尾流目标检测。

2.根据权利要求1所述基于卷积神经网络的舰船声尾流检测方法，其特征在于：步骤5所述的bottleneck结构为倒残差结构，是由Resnet网络中的残差结构改进而来，bottleneck结构首先经过卷积核大小为1×1的卷积层提高特征维度，然后经过3×3的DW卷积提取特征，最后经过卷积核大小为1×1的卷积层降低特征维度。

3.根据权利要求1所述基于卷积神经网络的舰船声尾流检测方法，其特征在于：步骤6中通过调节网络的超参数以提高网络的学习效果和性能，所述的超参数包括：学习率和批次大小。

4.一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1所述的方法。

5.一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现权利要求1所述的方法。