[發(fā)明專(zhuān)利]基于分組卷積深度U_Net的水下目標(biāo)識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110888173.1
• 申請(qǐng)日: 2021-08-03
• 公開(kāi)（公告）號(hào): CN113609970A
• 公開(kāi)（公告）日: 2021-11-05
• 發(fā)明（設(shè)計(jì)）人: 曾向陽(yáng);薛靈芝;楊爽
• 申請(qǐng)（專(zhuān)利權(quán)）人: 西北工業(yè)大學(xué)
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安銘澤知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 61223
• 代理人: 高艷輝

1.基于分組卷積深度U_Net的水下目標(biāo)識(shí)別方法，其特征在于，包括：

獲取原始隨機(jī)水聲信號(hào)；

在U_Net模型的下采樣路徑中加入分組卷積操作，構(gòu)建分組卷積深度U_Net模型；

輸入原始隨機(jī)水聲信號(hào)，得到識(shí)別后的水下目標(biāo)信號(hào)。

2.如權(quán)利要求1所述的基于分組卷積深度U_Net的水下目標(biāo)識(shí)別方法，其特征在于，所述構(gòu)建分組卷積深度U_Net模型包括對(duì)原始水聲信號(hào)的采樣、分幀：

對(duì)時(shí)域信號(hào)選取特定頻率采樣；

對(duì)采樣以后的信號(hào)，每n個(gè)點(diǎn)作為一幀；

對(duì)分幀以后的信號(hào)加漢明窗；

對(duì)加窗以后的信號(hào)進(jìn)行樣本剔除；

對(duì)所有的樣本歸一化處理。

3.如權(quán)利要求2所述的基于分組卷積深度U_Net的水下目標(biāo)識(shí)別方法，其特征在于，所述構(gòu)建分組卷積深度U_Net模型包括訓(xùn)練分組卷積深度U_Net模型：

將采樣、分幀后的原始水聲信號(hào)隨機(jī)選取1/3樣本作為訓(xùn)練集，剩余2/3樣本作為測(cè)試集；

訓(xùn)練集送入分組卷積深度U_Net模型中訓(xùn)練出穩(wěn)定的識(shí)別模型；

將測(cè)試集送入基于分組卷積的U_Net模型中測(cè)試模型的穩(wěn)健性。

4.如權(quán)利要求2所述的基于分組卷積深度U_Net的水下目標(biāo)識(shí)別方法，其特征在于，所述U_Net模型包括：

在下采樣路徑中進(jìn)行平均池化操作，使用兩個(gè)濾波器大小為3的卷積運(yùn)算，卷積運(yùn)算后有一個(gè)激活函數(shù)eLU進(jìn)行校正，然后使用濾波器大小為3，步長(zhǎng)為2的平均池化進(jìn)行下采樣，信道的數(shù)量在每次下采樣操作后增加一倍；

在上采樣路徑中，使用濾波器大小為2，步長(zhǎng)為2的反卷積操作，將下采樣路徑中的同尺度卷積輸出與反卷積輸出串聯(lián)起來(lái)。

5.如權(quán)利要求1所述的基于分組卷積深度U_Net的水下目標(biāo)識(shí)別方法，其特征在于，所述分組卷積的結(jié)構(gòu)包括：

輸入特征的通道數(shù)為n，輸出特征的通道數(shù)為k，卷積核大小為1×3，輸出k個(gè)通道分為m組，每組兩個(gè)通道。

6.如權(quán)利要求1所述的基于分組卷積深度U_Net的水下目標(biāo)識(shí)別方法，其特征在于，還包括利用反向傳播算法優(yōu)化分組卷積深度U_Net模型的參數(shù)：

將樣本的輸出利用softmax函數(shù)轉(zhuǎn)換成概率模型，softmax函數(shù)表達(dá)式為：

其中x_i表示一個(gè)樣本中當(dāng)前的第i個(gè)特征點(diǎn)的值，x_j表示一個(gè)樣本中每一個(gè)特征點(diǎn)的值；

softmax函數(shù)的概率輸出與樣本的對(duì)應(yīng)標(biāo)簽求交叉熵函數(shù)作為網(wǎng)絡(luò)的優(yōu)化依據(jù)，交叉熵函數(shù)表達(dá)式為：

其中，y′_i表示真實(shí)標(biāo)簽中的第i個(gè)值，y_i表示softmax輸出層的第i個(gè)值；

利用反向傳播算法找到使得損失函數(shù)(交叉熵)下降最快的變量變化方向，更新原始參數(shù)，其中卷積層到池化層的反向傳播數(shù)學(xué)表達(dá)式為：

其中，H代表誤差函數(shù)(交叉熵)，ω^l代表第l層的卷積核函數(shù)，a^l-1代表第i-1層的池化層輸出函數(shù)，*代表卷積操作，rot180代表對(duì)卷積核的反轉(zhuǎn)；

取微小變化量為梯度：

其中，η為學(xué)習(xí)率，w^l代表第l層卷積核函數(shù)，Δw^l為微小變化量；

用微小變化量來(lái)更新，更新的表達(dá)式為：

w^l′＝w^l-Δw^l

其中，w^l′為更新后的微小變化量。

7.如權(quán)利要求1所述的基于分組卷積深度U_Net的水下目標(biāo)識(shí)別方法，其特征在于，還包括設(shè)置基于分組卷積的U_Net模型的參數(shù)：

下采樣路徑包含3次下采樣，每一次下采樣前對(duì)數(shù)據(jù)進(jìn)行兩次相同的卷積操作，選取卷積核大小為1×3，步長(zhǎng)為1，通道數(shù)分別為64、128、256；

每一次下采樣對(duì)卷積后的數(shù)據(jù)進(jìn)行最大池化操作，選取核大小為1×3，步長(zhǎng)為2，通道數(shù)加倍；

上采樣路徑包含3次上采樣，每一次上采樣以后采樣點(diǎn)加倍，通道數(shù)減半，采樣以后與同尺度的下采樣數(shù)據(jù)拼接，對(duì)拼接數(shù)據(jù)連續(xù)兩次卷積操作，卷積核大小為1×3，步長(zhǎng)為1，通道數(shù)分別為256、128、64。