[發(fā)明專利]一種基于GRU-NIN模型的水聲目標識別方法有效
| 申請?zhí)枺?/td> | 202110531023.5 | 申請日： | 2021-05-16 |
| 公開（公告）號： | CN113221758B | 公開（公告）日： | 2023-07-14 |
| 發(fā)明（設計）人： | 曾向陽;楊爽 | 申請（專利權(quán)）人： | 西北工業(yè)大學 |
| 主分類號： | G10L25/51 | 分類號： | G10L25/51;G10L25/30;G06N3/0442;G06N3/0464;G06N3/084 |
| 代理公司： | 西安凱多思知識產(chǎn)權(quán)代理事務所(普通合伙) 61290 | 代理人： | 劉新瓊 |
| 地址： | 710072 *** | 國省代碼： | 陜西;61 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 一種 基于 gru nin 模型 目標 識別 方法 | ||
1.一種基于GRU-NIN模型的水聲目標識別方法，其特征在于，包括以下步驟：
步驟1：數(shù)據(jù)處理；
讀取已知標簽的水聲目標樣本，將水聲目標樣本劃分為訓練集、驗證集和測試集；
步驟2：構(gòu)建GRU-NIN模型；
所述GRU-NIN模型包括輸入層、2個GRU層、一維MLP卷積層、一維全局平均池化層、Softmax輸出層和4個Dropout層；所述4個Dropout層分別設置在2個GRU層、一維MLP卷積層、一維全局平均池化層后面；
將水聲目標樣本首先從輸入層依次輸入第1個GRU層、第1個Dropout層、第2個GRU層和第2個Dropout層，輸出全部隱含狀態(tài)信息；將全部隱含狀態(tài)信息作為多通道特征圖輸入一維MLP卷積層和第3個Dropout層，獲取跨特征圖特征；再將跨特征圖特征輸入一維全局平均池化層和第4個Dropout層，計算跨特征圖特征的空間平均；最后將跨特征圖特征的空間平均輸入Softmax層完成目標類別屬性判別；
步驟3：采用訓練集和驗證集數(shù)據(jù)對GRU-NIN模型進行訓練；
對GRU-NIN模型進行隨機初始化，采用稀疏分類交叉熵損失函數(shù)計算損失，采用Adam算法優(yōu)化梯度；在訓練過程中，首先進行前向傳播計算GRU-NIN模型輸出，再通過反向梯度傳播算法更新網(wǎng)絡參數(shù)，降低損失函數(shù)的損失值不斷減小誤差，使模型的實際輸出逼近期望輸出；最后完成對GRU-NIN模型的訓練，得到最終的GRU-NIN模型；
步驟4：GRU-NIN模型測試；
使用測試集對最終的GRU-NIN模型進行測試，采用查準率、召回率和F1值三個指標對網(wǎng)絡模型進行誤差度量；三個指標的定義分別如下：
其中TP為預測是目標i實際也是目標i的目標樣本數(shù)，F(xiàn)N為預測不是目標i但實際是目標i的目標樣本數(shù)，F(xiàn)P為預測是目標i實際不是目標i的目標樣本數(shù)，TN為預測不是目標i實際也不是目標i的目標樣本數(shù)；P為查準率，即所有預測是目標i的目標中，實際是目標i的比例；R為召回率，即所有實際為目標i的目標中，成功預測為目標i的比例；F1的值與模型性能正相關(guān)。
2.根據(jù)權(quán)利要求1所述的一種基于GRU-NIN模型的水聲目標識別方法，其特征在于，所述GRU層計算如下：
rt＝σ(WrxXt+Wrhht-1+br)
zt＝σ(WzxXt+Wzhht-1+bz)
其中，rt和zt分別為t時刻的重置門和更新門，為t時刻的候選隱含狀態(tài)，ht和ht-1分別為t時刻和t-1時刻輸出的隱含狀態(tài)；σ為sigmoid函數(shù)，Xt為輸入，Wrx、Wrh、Wzx、Wzh、和均為GRU層中的參數(shù)矩陣，br、bz和b均為GRU層中的參數(shù)向量，·為矩陣中的點乘運算。
3.根據(jù)權(quán)利要求1所述的一種基于GRU-NIN模型的水聲目標識別方法，其特征在于，所述第1個GRU層和第2個GRU層的隱含節(jié)點數(shù)分別為32和64。
4.根據(jù)權(quán)利要求1所述的一種基于GRU-NIN模型的水聲目標識別方法，其特征在于，所述一維MLP卷積層使用ReLU非線性激活函數(shù)，卷積核大小為32。
5.根據(jù)權(quán)利要求1所述的一種基于GRU-NIN模型的水聲目標識別方法，其特征在于，所述一維MLP卷積層使用單層1x1卷積避免網(wǎng)絡過擬合。
6.根據(jù)權(quán)利要求1所述的一種基于GRU-NIN模型的水聲目標識別方法，其特征在于，所述4個Dropout層的dropout?rate取值均為0.25。
7.根據(jù)權(quán)利要求1所述的一種基于GRU-NIN模型的水聲目標識別方法，其特征在于，所述采用Adam算法進行優(yōu)化時，學習率設為0.0001，訓練次數(shù)為50次。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于西北工業(yè)大學，未經(jīng)西北工業(yè)大學許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110531023.5/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 上一篇：自動回到位充電的無人機系統(tǒng)
- 下一篇：一種槽鋼輔助扣合包裝裝置
