[發(fā)明專利]基于深度學(xué)習(xí)的自適應(yīng)權(quán)值卷積神經(jīng)網(wǎng)絡(luò)水下聲納圖像分類方法

有效

• 申請?zhí)枺?/td>: 201810104948.X
• 申請日: 2018-02-02
• 公開（公告）號: CN108427958B
• 公開（公告）日: 2021-06-01
• 發(fā)明（設(shè)計(jì)）人: 王興梅;焦佳;孫博軒;王國強(qiáng);劉安華
• 申請（專利權(quán)）人: 哈爾濱工程大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學(xué)習(xí)的自適應(yīng)權(quán)值卷積神經(jīng)網(wǎng)絡(luò)水下聲納圖像分類方法，其特征是包括如下步驟：

(1)DBN生成二維參數(shù)矩陣

①將數(shù)據(jù)集中的水下聲納圖像裁剪中心區(qū)域作為DBN輸入，設(shè)置相關(guān)參數(shù)；②進(jìn)行吉布斯采樣，迭代計(jì)算與重構(gòu)層的差異得到隱含層；③用Sigmoid激活函數(shù)來處理重構(gòu)后所得結(jié)果；④用逐層貪心算法進(jìn)行訓(xùn)練，并用BP算法微調(diào)整個DBN的參數(shù)，生成二維參數(shù)矩陣；

(2)自適應(yīng)調(diào)整CNN濾波器權(quán)值矩陣的分布

①采用增維函數(shù)實(shí)現(xiàn)DBN向量與CNN張量之間的維數(shù)轉(zhuǎn)換；②初始化濾波器權(quán)值矩陣的替換；③采用LRN歸一化函數(shù)對參數(shù)矩陣做歸一化處理；

所述采用增維函數(shù)實(shí)現(xiàn)DBN向量與CNN張量之間的維數(shù)轉(zhuǎn)換體包括：DBN生成的二維參數(shù)矩陣通過增維函數(shù)被增加為三維參數(shù)矩陣，前兩維是濾波器的大小，后一維是顏色通道數(shù)，繼續(xù)用增維函數(shù)對三維參數(shù)矩陣進(jìn)行增維，將四維參數(shù)矩陣的第一維設(shè)置為1，不斷增加第一維的值，直至與濾波器個數(shù)相等，最后用reshape方法將四維參數(shù)矩陣的第一維與第四維進(jìn)行交換，實(shí)現(xiàn)DBN向量與CNN張量之間的維數(shù)轉(zhuǎn)換；

所述的初始化濾波器權(quán)值矩陣的替換具體包括：將維數(shù)轉(zhuǎn)換后的DBN參數(shù)矩陣替換CNN初始化濾波器權(quán)值矩陣，完成初始化濾波器權(quán)值矩陣的替換；

(3)實(shí)現(xiàn)基于深度學(xué)習(xí)的自適應(yīng)權(quán)值卷積神經(jīng)網(wǎng)絡(luò)的水下聲納圖像分類

①根據(jù)自適應(yīng)調(diào)整CNN濾波器權(quán)值矩陣的分布，完成輸入的水下聲納圖像與濾波器的卷積操作，得到卷積層的特征映射圖；②對卷積后所得特征映射圖做池化操作；③用ReLU激活函數(shù)和LRN歸一化函數(shù)來處理池化后的特征映射圖；④使用全連接層將所有特征映射圖進(jìn)行連接；⑤利用softmax函數(shù)判斷數(shù)據(jù)集所屬類別，實(shí)現(xiàn)水下聲納圖像分類。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的自適應(yīng)權(quán)值卷積神經(jīng)網(wǎng)絡(luò)水下聲納圖像分類方法，其特征是在步驟(1)中將裁剪后的水下聲納圖像輸入到DBN模型中，設(shè)置相關(guān)參數(shù)具體包括：可見層和每層隱含層上神經(jīng)元的個數(shù)N、學(xué)習(xí)率的大小ε和訓(xùn)練最大周期T，將可見層和每層隱含層的權(quán)重ω和偏置b初始化；用吉布斯采樣對每層的神經(jīng)元進(jìn)行采樣具體包括：通過可見層重構(gòu)出隱含層，再由重構(gòu)的隱含層對下一個隱含層進(jìn)行重構(gòu)；隱含層神經(jīng)元和上一層可見層神經(jīng)元由sigmoid激活函數(shù)進(jìn)行激活。

3.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的自適應(yīng)權(quán)值卷積神經(jīng)網(wǎng)絡(luò)水下聲納圖像分類方法，其特征是步驟(2)中所述的采用LRN歸一化函數(shù)對參數(shù)矩陣做歸一化處理具體包括：采用LRN歸一化函數(shù)對參數(shù)矩陣做歸一化處理，a的上標(biāo)g表示濾波器序號即features maps序號，a的下標(biāo)q和s表示濾波器矩陣中位置，M是濾波器的總數(shù)量，完成濾波器的替換。

4.根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)的自適應(yīng)權(quán)值卷積神經(jīng)網(wǎng)絡(luò)水下聲納圖像分類方法，其特征是在步驟(3)中根據(jù)水下聲納圖像的特點(diǎn)，自適應(yīng)權(quán)值卷積神經(jīng)網(wǎng)絡(luò)模型為1層輸入層、4層卷積層，每1層卷積層后面是1層池化層、2層全連接層、1層輸出層。

5.根據(jù)權(quán)利要求4所述的基于深度學(xué)習(xí)的自適應(yīng)權(quán)值卷積神經(jīng)網(wǎng)絡(luò)水下聲納圖像分類方法，其特征是步驟(3)中，根據(jù)DBN生成的二維參數(shù)矩陣自適應(yīng)調(diào)整CNN濾波器權(quán)值矩陣的分布，采用卷積對水下聲納圖像與濾波器進(jìn)行卷積操作，得到特征映射圖，x(t)和h(t)函數(shù)是卷積的變量，卷積層提取特征的過程為f(·)是激活函數(shù)，m表示層數(shù)，k_i,j是濾波器，b_j是偏置，*表示卷積操作，Q_j表示所輸入特征映射圖的集合。

6.根據(jù)權(quán)利要求5所述的基于深度學(xué)習(xí)的自適應(yīng)權(quán)值卷積神經(jīng)網(wǎng)絡(luò)水下聲納圖像分類方法，其特征是步驟(3)中采用最大池化對卷積后的特征映射圖繼續(xù)提取特征并降維，c_i為池化區(qū)域的像素點(diǎn)，R_j為池化區(qū)域像素點(diǎn)的集合。

7.根據(jù)權(quán)利要求6所述的基于深度學(xué)習(xí)的自適應(yīng)權(quán)值卷積神經(jīng)網(wǎng)絡(luò)水下聲納圖像分類方法，其特征是步驟(3)中ReLU激活函數(shù)為ReLU激活函數(shù)的映射范圍為0～∞，即輸出的值都是非負(fù)數(shù)。

8.根據(jù)權(quán)利要求7所述的基于深度學(xué)習(xí)的自適應(yīng)權(quán)值卷積神經(jīng)網(wǎng)絡(luò)水下聲納圖像分類方法，其特征是步驟(3)中采用softmax函數(shù)進(jìn)行分類，如果其中一幅圖像的x_i的值大過其他的x，那這個映射的分量就逼近于1，其他就逼近于0；采用softmax回歸算法作為損失函數(shù)1{·}表示的是標(biāo)示函數(shù)，當(dāng)y⁽ⁱ⁾＝d為真時，返回1，否則返回0。