[發明專利]基于分組卷積深度U_Net的水下目標識別方法

在審

• 申請號: 202110888173.1
• 申請日: 2021-08-03
• 公開（公告）號: CN113609970A
• 公開（公告）日: 2021-11-05
• 發明（設計）人: 曾向陽;薛靈芝;楊爽
• 申請（專利權）人: 西北工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安銘澤知識產權代理事務所(普通合伙) 61223
• 代理人: 高艷輝

本發明公開了基于分組卷積深度U_Net的水下目標識別方法，包括：獲取原始隨機水聲信號，利用分組卷積替換U_Net模型下采樣前的卷積，構建分組卷積深度U_Net模型，提取水下目標的多尺度特征，輸入原始隨機水聲信號，得到識別后的水下目標信號。該方法可以在小樣本的水聲數據中，利用深度神經網絡，提取多元抽象特征，并防止過擬合現象，從而提高識別精度。

技術領域

本發明涉及水聲識別技術領域，更具體的涉及基于分組卷積深度U_Net的水下目標識別方法。

背景技術

利用深度學習網絡實現水中目標識別任務是解決水中目標識別的新方法，深度網絡的每一層可以提取代表不同特征的抽象信息，層數越多，得到原始信號中的特征越多。近年來，深層結構的神經網絡在水聲識別中的應用日趨增多，但是大多依賴單一特征的提取進行識別。U_Net模型廣泛應用于醫學圖像檢測領域，優點是網絡的多尺度的特征提取與融合技術，將其應用水聲目標識別中，在水聲信號的小樣本情形下，U_Net模型可以利用其提取特征時固有的多尺度提取性質，有效利用樣本數據，提取對識別有效的不同特征表示，在小范圍內的不同信噪比下，U_Net模型的識別率均有提升。但由于水聲目標信號的樣本數量有限及隨機性的特點，U_Net模型會發生過擬合現象而使得測試集的識別率下降，如果簡單的降低網絡層數，可以減小過擬合，但是會丟失原始信號在中間一個尺度的所有信息，對識別率有很大影響。基于分組卷積深度U_Net可以在不減少網絡層數的情況下，消除小樣本帶來的過擬合現象。

發明內容

本發明實施例提供基于分組卷積深度U_Net的水下目標識別方法，包括：

獲取原始隨機水聲信號；

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

輸入原始隨機水聲信號，得到識別后的水下目標信號。

進一步，構建分組卷積深度U_Net模型包括對原始水聲信號的采樣、分幀：

對時域信號選取特定頻率采樣；

對采樣以后的信號，每n個點作為一幀；

對分幀以后的信號加漢明窗；

對加窗以后的信號進行樣本剔除；

對所有的樣本歸一化處理。

進一步，構建分組卷積深度U_Net模型包括訓練分組卷積深度U_Net模型：

將采樣、分幀后的原始水聲信號隨機選取1/3樣本作為訓練集，剩余2/3樣本作為測試集；

訓練集送入分組卷積深度U_Net模型中訓練出穩定的識別模型；

將測試集送入基于分組卷積的U_Net模型中測試模型的穩健性。

進一步，U_Net模型包括：

在下采樣路徑中進行平均池化操作，使用兩個濾波器大小為3的卷積運算，卷積運算后有一個激活函數(eLU)進行校正，然后使用濾波器大小為3，步長為2的平均池化進行下采樣，信道的數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起來。

進一步，分組卷積的結構包括：

輸入特征的通道數為n，輸出特征的通道數為k，卷積核大小為1×3，輸出k個通道分為m組，每組兩個通道。

進一步，還包括利用反向傳播算法優化分組卷積深度U_Net模型的參數：

將樣本的輸出利用softmax函數轉換成概率模型，softmax函數表達式為：