改进的卷积神经网络实现端到端的水下目标自动识别
发布时间：2021-06-05 15:20
由于水声信号的高度复杂性,基于特征工程的传统水下目标识别方法表现欠佳。基于深度学习模型的水下目标识别方法可有效减少由于特征提取过程带来的水声信号信息损失,进而提高水下目标识别效果。本文提出一种适用于水下目标识别场景的卷积神经网络结构,即在卷积模块化设计中引入卷积核为1的卷积层,更大程度地保留水声信号局部特征,且降低模型的复杂程度;同时,以全局平均池化层替代全连接层的方式构造基于特征图对应的特征向量主导分类结果的网络结构,使结果更具可解释性,且减少训练参数降低过拟合风险。实验结果表明该方法得到的水下目标识别准确率（91.7%）要优于基于传统卷积神经网络（69.8%）和基于高阶统计量特征的传统方法识别表现（85%）。这说明本文提出的模型能更好保留水声信号的时域结构,进而提高分类识别效果。
【文章来源】：信号处理. 2020,36(06)北大核心CSCD
【文章页数】：8 页
【部分图文】：
一维卷积层在时间序列上的工作原理
本课题将改进的CNNs应用到水下声信号识别,模型结构如图2(a)所示。该结构保留了经典CNNs的模块化设计,以便根据样本量的大小对卷积模块进行适当的增减。此外,考虑到水下声信号具有较低的信噪比,且模型在前后向训练过程中信号会发生内部协变量偏移(internal covariate shift)[19],相较于经典卷积神经网络中的卷积模块由卷积层(Convolution layer)和池化层(Pooling layer)组成,本研究在经典卷积神经网络的基础上,引入逐点卷积层和全局平均池化层来解决以上问题,模块组成如图2(b)所示。3.1 批归一化层(Batch normalization, BN)
通常,为了提取更精细、更高层次的特征,卷积神经网络模型需使用较多的卷积层和全连接层。一方面,受水声样本量的限制,层数过多会导致模型过拟合。另一方面,水声信号具有较强的局部结构,而卷积层具有局部感知的优点,且不同的卷积核具有不同的感知特性。为了增强卷积层的局部感知能力,提升局部特征的表达能力,本研究将卷积核为1的卷积层引入到卷积模块中,即将图1中的核尺寸设为1。相对于普通卷积核,该设计能够在减少模型复杂度的同时,实现不同特征图的跨通道结合,有助于提取水声信号的局部特征。如图3所示,假设水声信号经过某个卷积层之后,得到32个(1,w)大小的特征图,若其后为n个1*m(m>1)的普通卷积层,则该层需要训练的参数个数为n*m。当该卷积层选用n个1*1的逐点卷积层时,训练参数可由n*m降至n(n<n*m)个。因此,这种改进可以减少训练参数,进而降低模型复杂度,而且1*1卷积层的加入增加了网络的深度,使模型变的更为紧凑。此外,每个1*1的卷积核作用在上层的32个特征图上,能够将32个通道相同位置的特征信息以不同的权重进行结合。这可以大大增强网络对水声信号的某些局部特征的感知能力。
【参考文献】：
期刊论文
[1]深度学习在水下目标被动识别中的应用进展[J]. 徐及,黄兆琼,李琛,颜永红. 信号处理. 2019(09)
[2]水声目标特征分析与识别技术[J]. 方世良,杜栓平,罗昕炜,韩宁,徐晓男. 中国科学院院刊. 2019(03)
[3]听觉外周计算模型在水中目标分类识别中的应用[J]. 王磊,彭圆,林正青,蒋行海,牟林,张凤珍. 电子学报. 2012(01)
[4]基于ST-FRFT的非合作水声脉冲信号检测方法[J]. 王晓燕,方世良,朱志峰. 信号处理. 2011(08)
[5]舰船辐射噪声的高阶统计量特征提取及特征压缩[J]. 陈凤林,林正青,彭圆,牟林,张凤珍,王磊. 应用声学. 2010(06)
[6]应用希尔伯特黄变换的水下目标特征提取[J]. 李秀坤,谢磊,秦宇. 哈尔滨工程大学学报. 2009(05)
[7]基于倒谱分析的被动水声目标分类[J]. 田杰,张春华,刘维,黄海宁,薛山花. 系统工程与电子技术. 2005(10)
[8]基于双谱的水下目标辐射噪声的特征提取与分类研究[J]. 彭圆,申丽然,李雪耀,王科俊. 哈尔滨工程大学学报. 2003(04)
[9]基于高阶统计量的水下目标动态线谱增强算法研究[J]. 郭业才,赵俊渭,陈华伟,李桂娟,韩静. 西北工业大学学报. 2002(03)
博士论文
[1]船舶及鲸类声信号特征提取和分类识别研究[D]. 李新欣.哈尔滨工程大学 2012
硕士论文
[1]基于深度学习方法的水下声音目标识别研究[D]. 卢安安.哈尔滨工程大学 2017
本文编号：3212414
【文章来源】：信号处理. 2020,36(06)北大核心CSCD
【文章页数】：8 页
【部分图文】：
一维卷积层在时间序列上的工作原理
本课题将改进的CNNs应用到水下声信号识别,模型结构如图2(a)所示。该结构保留了经典CNNs的模块化设计,以便根据样本量的大小对卷积模块进行适当的增减。此外,考虑到水下声信号具有较低的信噪比,且模型在前后向训练过程中信号会发生内部协变量偏移(internal covariate shift)[19],相较于经典卷积神经网络中的卷积模块由卷积层(Convolution layer)和池化层(Pooling layer)组成,本研究在经典卷积神经网络的基础上,引入逐点卷积层和全局平均池化层来解决以上问题,模块组成如图2(b)所示。3.1 批归一化层(Batch normalization, BN)
通常,为了提取更精细、更高层次的特征,卷积神经网络模型需使用较多的卷积层和全连接层。一方面,受水声样本量的限制,层数过多会导致模型过拟合。另一方面,水声信号具有较强的局部结构,而卷积层具有局部感知的优点,且不同的卷积核具有不同的感知特性。为了增强卷积层的局部感知能力,提升局部特征的表达能力,本研究将卷积核为1的卷积层引入到卷积模块中,即将图1中的核尺寸设为1。相对于普通卷积核,该设计能够在减少模型复杂度的同时,实现不同特征图的跨通道结合,有助于提取水声信号的局部特征。如图3所示,假设水声信号经过某个卷积层之后,得到32个(1,w)大小的特征图,若其后为n个1*m(m>1)的普通卷积层,则该层需要训练的参数个数为n*m。当该卷积层选用n个1*1的逐点卷积层时,训练参数可由n*m降至n(n<n*m)个。因此,这种改进可以减少训练参数,进而降低模型复杂度,而且1*1卷积层的加入增加了网络的深度,使模型变的更为紧凑。此外,每个1*1的卷积核作用在上层的32个特征图上,能够将32个通道相同位置的特征信息以不同的权重进行结合。这可以大大增强网络对水声信号的某些局部特征的感知能力。
【参考文献】：
期刊论文
[1]深度学习在水下目标被动识别中的应用进展[J]. 徐及,黄兆琼,李琛,颜永红. 信号处理. 2019(09)
[2]水声目标特征分析与识别技术[J]. 方世良,杜栓平,罗昕炜,韩宁,徐晓男. 中国科学院院刊. 2019(03)
[3]听觉外周计算模型在水中目标分类识别中的应用[J]. 王磊,彭圆,林正青,蒋行海,牟林,张凤珍. 电子学报. 2012(01)
[4]基于ST-FRFT的非合作水声脉冲信号检测方法[J]. 王晓燕,方世良,朱志峰. 信号处理. 2011(08)
[5]舰船辐射噪声的高阶统计量特征提取及特征压缩[J]. 陈凤林,林正青,彭圆,牟林,张凤珍,王磊. 应用声学. 2010(06)
[6]应用希尔伯特黄变换的水下目标特征提取[J]. 李秀坤,谢磊,秦宇. 哈尔滨工程大学学报. 2009(05)
[7]基于倒谱分析的被动水声目标分类[J]. 田杰,张春华,刘维,黄海宁,薛山花. 系统工程与电子技术. 2005(10)
[8]基于双谱的水下目标辐射噪声的特征提取与分类研究[J]. 彭圆,申丽然,李雪耀,王科俊. 哈尔滨工程大学学报. 2003(04)
[9]基于高阶统计量的水下目标动态线谱增强算法研究[J]. 郭业才,赵俊渭,陈华伟,李桂娟,韩静. 西北工业大学学报. 2002(03)
博士论文
[1]船舶及鲸类声信号特征提取和分类识别研究[D]. 李新欣.哈尔滨工程大学 2012
硕士论文
[1]基于深度学习方法的水下声音目标识别研究[D]. 卢安安.哈尔滨工程大学 2017
本文编号：3212414
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3212414.html
