基于卷积神经网络的水下目标特征提取方法研究

发布时间：2020-12-12 01:44

　　随着科技水平的推进,人类的活动领域不断的扩展,针对海洋水下目标的检测已经成为探索海洋秘密的关键技术。在以往水下目标检测技术中,主要是依靠时域特征、频域特征,这些特征提取过程过于依赖人的经验和主观意识,进而使得特征提取技术一致成为水下目标检测的技术难点。本文的研究就是针对这样的研究背景,利用LoFAR谱的方式把时域信号和频域信号有效的融合,实现基于信号融合的特征提取方法。并且针对卷积网络在全连接操作时会丢失特征图空间信息的不足,通过引入多维特征加权算法来对空间信息进行加权强化,该算法采用最大检出假说理论和二维图像熵理论作为了特征图层的权值评价标准,并给出了空间(spatial)和通道(channel)两个维度的加权算法。进而提出了基于多维特征加权网络的水下目标特征提取算法流程。为了进一步增强卷积网络的局部特征提取能力,本文继续分析了线性卷积滤波器在处理线性不可分特征上的局限性,以及过完备的线性滤波器组还会产生提取特征的冗余,进而给网络训练带来负担。再结合径向基神经网络的非线性处理能力,提出了一种RICNN网络模型,在该模型中,通过引入局部正则化层来解决深度增加对网络收敛速度的影响,全局均... 

【文章来源】：哈尔滨工程大学黑龙江省 211工程院校

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

神经元模型

图 2.2 递归网络 所示，同一层之间的神经元传播，这也被称为递归分层指的是反馈传播。前馈网络以以及小脑网络模型为代表[30]。图 2.3 前馈多层网络

10图 2.3 前馈多层网络结构是在浅层网络中应用最为广泛的模型算法进行优化的。反向传播算法也作为了 所示，它是一种常见的多层前馈网络，包，层与层之间的连接权重是通过 BP 算法每层节点的激活情况即输出的值只受到来列线性和非线性变换逐层在隐藏层中传递分为前向传播和反向调节两个阶段，只有的数据是逐层将信息传送到末端的输出层误差信号逐层地回传到了开始端的输入层

【参考文献】：
期刊论文
[1]基于图像熵的各向异性扩散相干斑噪声抑制[J]. 李金才,马自辉,彭宇行,黄斌.  物理学报. 2013(09)
[2]水下目标噪声与背景噪声的建模与仿真[J]. 魏辉,许爱强,尹德强.  国外电子测量技术. 2011(12)
[3]被动声纳目标识别技术的现状与发展[J]. 丁玉薇.  声学技术. 2004(04)
[4]径向基函数神经网络[J]. 邱丽芳,周立华,彭志刚.  湖南工业职业技术学院学报. 2002(01)
[5]基于线谱特征提取的被动声纳目标识技术研究[J]. 曾庆军,王菲,黄国建,李洪瑞.  船舶工程. 2001(03)
[6]舰船噪声识别(Ⅰ)──总体框架、线谱分析和提取[J]. 吴国清,李靖,陈耀明,袁毅,陈岳.  声学学报. 1998(05)
[7]基于主动声纳的水下目标特征提取技术综述[J]. 卢迎春,桑恩方.  哈尔滨工程大学学报. 1997(06)
[8]试用聚类分析对船只噪声和脑电分类[J]. 陈庚,魏学环,王玉红,金璋瑞.  声学学报. 1991(04)



本文编号：2911622