[发明专利]一种基于迁移学习的水下声音信号分类方法

摘要

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。

主权项

1.一种面向水下声音信号分类的迁移学习方法，其特征在于，通过以下步骤实现：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测试集x^t，并获得步骤七：分别求出本次模型的类分类损失C_lossnew和域分类损失D_lossnew；步骤八：分别计算本次损失与上次损失的差值：Cminus＝C_lossnew‑C_lossold，Dminus＝D_lossnew‑D_lossold；步骤九：根据差值动态调整参数值：如果Cminus≤0&&Dminus≥0，则执行步骤十，否则执行步骤十三；步骤十：如果i≤T/2，则执行步骤十一，否则执行步骤十二；步骤十一：μnew＝μold+0.05；λnew＝1‑μnew；步骤十二：μnew＝μold‑0.05；λnew＝1‑μnew；步骤十三：如果Cminus≥0&&Dminus≥0，则μnew＝μold‑0.1，λnew＝1‑μnew；步骤十四：如果Cminus≤0&&Dminus≤0，则μnew＝μold+0.1，λnew＝1‑μnew；步骤十五：如果i≤T/2，则执行步骤十六，否则执行步骤十七；步骤十六：μnew＝μold+0.15，λnew＝1‑μnew；步骤十七：μnew＝μold‑0.15，λnew＝1‑μnew；步骤十八：判断如果不满足，则i＝i+1，回到步骤三重新执行；如果满足，则最终输出Θ，