[發明專利]一種基于模型遷移學習的跨場景水聲目標分類方法

在審

• 申請號: 202111160013.1
• 申請日: 2021-09-30
• 公開（公告）號: CN113780242A
• 公開（公告）日: 2021-12-10
• 發明（設計）人: 王大宇;羅恒光;張博軒;王曉慶;唐立赫;張錦燦;王志欣;李鵬飛
• 申請（專利權）人: 中國電子科技集團公司第五十四研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 河北東尚律師事務所 13124
• 代理人: 王文慶;曲佳穎

1.一種基于模型遷移學習的跨場景水聲目標分類方法，其特征在于，包括以下步驟：

(1)對聲納設備接收的水聲目標輻射噪聲信號進行濾波降噪，濾除雜波并進行信號增強，形成處理后的時域信號數據；

(2)對步驟(1)得到的時域信號數據進行高級特征映射處理，提取具有類間區分度的時頻譜圖，作為跨場景識別共享空間特征；

(3)確定卷積神經網絡模型超參數，將時頻譜圖標注所屬類別，對卷積神經網絡模型進行訓練；

(4)在步驟(3)中得到卷積神經網絡模型中引入知識蒸餾技術，抽取目標類型軟標簽并進行訓練，使模型中的類別關系知識在新的樣本和標簽空間擬合至分類性能目標；

(5)利用步驟(4)訓練好的卷積神經網絡模型進行跨場景水聲目標分類；

完成基于模型遷移學習的跨場景水聲目標分類。

2.根據權利要求1所述的基于模型遷移學習的跨場景水聲目標分類方法，其特征在于，步驟(1)的具體方式為：

(101)將基陣采集的實數形式的水聲目標輻射噪聲信號分割成等時長樣本；

(102)對樣本數據采用分裂波束相關法進行波束形成，在全方位進行譜峰檢測選取目標疑似方位；

(103)對步驟(102)得出的目標疑似方位進行時間累積，并通過經驗門限判決，得到目標精準方位；

(104)根據步驟(103)得到的目標精準方位，進行時域波束形成，提取增強后的時域信號數據；

(105)對步驟(104)得到的時域信號數據通過FIR濾波器做頻域濾波，完成濾波降噪。

3.根據權利要求1所述的基于模型遷移學習的跨場景水聲目標分類方法，其特征在于，步驟(2)的具體方式為：

對每幀時域信號數據做短時傅里葉變換，提取具有類間區分度的時頻譜圖，作為跨場景識別共享空間特征。

4.根據權利要求1所述的基于模型遷移學習的跨場景水聲目標分類方法，其特征在于，步驟(3)中卷積神經網絡模型包括1個輸入層、4個卷積層、4個極大池化層、2個全連接層和1個Softmax層，卷積層使用ReLU函數作為激活函數。

5.根據權利要求1所述的基于模型遷移學習的跨場景水聲目標分類方法，其特征在于，步驟(3)中將時頻譜圖標注所屬類別，對卷積神經網絡模型進行訓練，具體方式為：

(301)根據采集時記錄的目標類型對時頻譜圖進行標注，作為卷積神經網絡模型的訓練樣本；

(302)將所有時頻譜圖特征數據劃分為訓練集、驗證集和測試集，并打亂順序使得每個樣本集中各類數據均勻分布；

(303)利用樣本集數據對卷積神經網絡模型進行訓練，得到具有分類識別能力的卷積神經網絡模型。

6.根據權利要求4所述的基于模型遷移學習的跨場景水聲目標分類方法，其特征在于，步驟(4)的具體方法為：

(401)調整卷積神經網絡模型中Softmax函數的溫度參數；

(402)提取目標場景下數據的跨場景分類共享空間特征進行標注，作為訓練樣本；

(403)將訓練樣本輸入卷積神經網絡模型的卷積層，在卷積層通過一個非線性激活函數；

(404)將非線性激活函數的輸出送入池化層，進行特征降維，保留關鍵信息；

(405)調整對應參數，重復步驟(403)和(404)設定次數后，將結果輸入全連接層；

(406)將全連接層輸出結果輸入softmax函數，提取目標類型軟標簽；

(407)將步驟(406)輸出的目標類型軟標簽與標簽值計算損失，對軟標簽進行訓練，形成新場景下標簽空間與類別關系知識映射；

(408)訓練完成后，將Softmax函數的溫度參數調整為1，進行部署應用。