[發(fā)明專(zhuān)利]基于主動(dòng)深度學(xué)習(xí)的水下目標(biāo)識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110377531.2
• 申請(qǐng)日: 2021-04-08
• 公開(kāi)（公告）號(hào): CN113111764A
• 公開(kāi)（公告）日: 2021-07-13
• 發(fā)明（設(shè)計(jì)）人: 呂健坤;姜龍玉
• 申請(qǐng)（專(zhuān)利權(quán)）人: 東南大學(xué)
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62;G06N3/04
• 代理公司: 南京眾聯(lián)專(zhuān)利代理有限公司 32206
• 代理人: 張?zhí)煺?/td>

1.一種基于主動(dòng)深度學(xué)習(xí)的水下目標(biāo)識(shí)別方法，其特征在于，該方法包括如下步驟：

步驟1：對(duì)水聲信號(hào)原始數(shù)據(jù)進(jìn)行預(yù)處理，并將其劃分為備選集和測(cè)試集，備選集和測(cè)試集為互斥關(guān)系，建立初始狀態(tài)下為空集的訓(xùn)練集；

步驟2：從步驟1中劃分的備選集中，選擇一部分?jǐn)?shù)據(jù)，獲取標(biāo)注后從備選集移動(dòng)到訓(xùn)練集，作為初始訓(xùn)練數(shù)據(jù)；

步驟3：使用訓(xùn)練集中的數(shù)據(jù)訓(xùn)練CNN模型，并在訓(xùn)練完成時(shí)記錄模型性能；

步驟4：在剩余的備選集中，按照主動(dòng)學(xué)習(xí)策略，挑選一定數(shù)量的數(shù)據(jù)，獲取標(biāo)注后移動(dòng)到訓(xùn)練集；

步驟5：重復(fù)步驟3和4，直至備選集中的所有數(shù)據(jù)都加入訓(xùn)練集；

步驟6：模型訓(xùn)練結(jié)束，根據(jù)每步記錄的模型性能，得出模型性能隨訓(xùn)練數(shù)據(jù)量的增多而增長(zhǎng)的變化關(guān)系。

2.根據(jù)權(quán)利要求1所述的基于主動(dòng)深度學(xué)習(xí)的水下目標(biāo)識(shí)別方法，其特征在于，步驟1中所述的對(duì)水聲信號(hào)原始數(shù)據(jù)進(jìn)行預(yù)處理，所述的數(shù)據(jù)預(yù)處理方法包括：對(duì)聲信號(hào)高頻部分進(jìn)行預(yù)加重、將較長(zhǎng)時(shí)間的信號(hào)劃分為較短的片段的分幀、使幀的邊緣平滑過(guò)渡到0的加窗。

3.根據(jù)權(quán)利要求1所述的基于主動(dòng)深度學(xué)習(xí)的水下目標(biāo)識(shí)別方法，其特征在于，步驟1中所述的將水聲信號(hào)數(shù)據(jù)劃分為互斥的備選集和測(cè)試集，具體方法是：從所有預(yù)處理后的水聲信號(hào)數(shù)據(jù)中，隨機(jī)抽取20％作為測(cè)試集，剩余作為備選集，并對(duì)測(cè)試集中的數(shù)據(jù)進(jìn)行標(biāo)注以作為CNN模型性能評(píng)判的標(biāo)準(zhǔn)。

4.根據(jù)權(quán)利要求1所述的基于主動(dòng)深度學(xué)習(xí)的水下目標(biāo)識(shí)別方法，其特征在于，步驟3中所述的使用訓(xùn)練集中的數(shù)據(jù)訓(xùn)練CNN模型，其中所述的CNN模型的結(jié)構(gòu)如下表所示，它包含五個(gè)特征提取模塊，前三個(gè)模塊為一個(gè)卷積層+一個(gè)池化層的結(jié)構(gòu)，后兩個(gè)模塊為兩個(gè)卷積層+一個(gè)池化層的結(jié)構(gòu)；特征提取后將輸出展開(kāi)成向量，隨后連接三個(gè)全連接層，其中，第一個(gè)全連接層使用Dropout隨機(jī)舍棄一部分神經(jīng)元的輸出，以降低過(guò)擬合；最后一個(gè)全連接層使用Softmax分類(lèi)輸出；此外，處理的是一維聲吶回波數(shù)據(jù)，故網(wǎng)絡(luò)中的特征圖、卷積核和池化核都調(diào)整為一維結(jié)構(gòu)；

5.根據(jù)權(quán)利要求1所述的基于主動(dòng)深度學(xué)習(xí)的水下目標(biāo)識(shí)別方法，其特征在于，步驟4中所述按照主動(dòng)學(xué)習(xí)策略挑選一定數(shù)量的數(shù)據(jù)，其中所述主動(dòng)學(xué)習(xí)樣本選擇策略包括：“不確定性標(biāo)準(zhǔn)”主動(dòng)學(xué)習(xí)策略，以及“不確定性+多樣性標(biāo)準(zhǔn)”主動(dòng)學(xué)習(xí)策略。

6.根據(jù)權(quán)利要求5所述的基于主動(dòng)深度學(xué)習(xí)的水下目標(biāo)識(shí)別方法，其特征在于，所述“不確定性標(biāo)準(zhǔn)”主動(dòng)學(xué)習(xí)樣本選擇策略的具體步驟是，從未標(biāo)注樣本中選擇模型判定最模糊的樣例，即模型對(duì)其所屬類(lèi)別的置信度最低的樣例；對(duì)每一個(gè)樣例x，使用分類(lèi)器輸出的可能性最大的兩個(gè)預(yù)測(cè)的概率計(jì)算其不確定性，即unc(x)：

式中，p(y₁|x)和p(y₂|x)分別表示分類(lèi)器輸出中，樣例x可能性最大和次大的兩個(gè)所屬類(lèi)別的概率；unc(x)的值越大，說(shuō)明模型對(duì)可能性最大的樣例的置信度越高，分類(lèi)器越不可能將樣例分錯(cuò)；因此，主動(dòng)學(xué)習(xí)器選擇unc(x)值最小的樣例作為不確定性最大的樣例，送予標(biāo)注并添加進(jìn)訓(xùn)練集。

7.根據(jù)權(quán)利要求5中所述的基于主動(dòng)深度學(xué)習(xí)的水下目標(biāo)識(shí)別方法，其特征在于，所述“不確定性+多樣性標(biāo)準(zhǔn)”主動(dòng)學(xué)習(xí)樣本選擇策略的具體步驟是，在“不確定性標(biāo)準(zhǔn)”的基礎(chǔ)上，使用距離度量來(lái)判斷樣例多樣性，再將不確定性和多樣性綜合考慮，選擇不確定性較高、樣本多樣性較大的數(shù)據(jù)作為選擇結(jié)果；使用高斯核距離來(lái)度量?jī)蓚€(gè)樣本x_i和x_j之間的相似度：

其中，σ是高斯核參數(shù)，設(shè)為1；

計(jì)算樣例x對(duì)于某個(gè)由樣例構(gòu)成的集合Z的相似度時(shí)，用樣例樣例x與集合Z中和它相似度最大的樣例之間的距離來(lái)表示：

sim(x,Z)值越小，說(shuō)明樣例x與集合Z之間的相似度越小，亦即樣例x與集合Z中已有元素的冗余程度越小，這樣選擇出的樣例的多樣性越大；

使用“不確定性+多樣性標(biāo)準(zhǔn)”的主動(dòng)學(xué)習(xí)策略選擇n個(gè)樣例用于訓(xùn)練，則先使用“不確定性標(biāo)準(zhǔn)”選擇m個(gè)不確定性較大的樣本構(gòu)成集合M＝{x₁,x₂,…,x_m}，再?gòu)腗中使用如下式所示的綜合考慮不確定性和多樣性的方法，選擇n個(gè)最優(yōu)的樣本：

score(x)＝λunc(x)+(1-λ)sim(x,M)

其中，λ為權(quán)衡參數(shù)，用于衡量不確定性和多樣性的重要程度，設(shè)為0.8；最終計(jì)算出的score(x)分值最小的樣例是綜合考慮不確定性和多樣性都較大的樣例，其訓(xùn)練價(jià)值最大。