基于深度学习的声呐目标检测与识别

发布时间：2020-04-09 23:38

【摘要】：近年来,全球国际政治形势趋于复杂化、严峻化,海域内生态环境恶化。如何合理的开发海洋资源,有效保护国家领海主权,是各国当下面临的重要任务。另外,水下声呐目标检测与识别一直以来都困扰着国内外水声界,如何提高水下声呐目标检测的精度与速度是各国迫在眉睫的重大研究课题。在这样的迫切需求和研究背景下,本论文展开了基于深度学习的声呐目标检测与识别等关键技术的研究。其中主要包括了:三维声呐信号数据预处理,低信噪比下声呐目标特征提取,水下声呐目标检测定位及分类等。对于声呐目标的特征提取、检测定位及分类主要从以下两个方面对其研究:(1)提出了一种基于Faster R-CNN的声呐目标检测方法。为了提高水下声呐目标检测的精度和速度,利用海量的水声数据进行特征提取研究。本文将Faster R-CNN这一算法模型应用于水下声呐目标检测,并做相关适配性改进,使之能更好的发挥神经网络在声呐目标检测上的优势。通过大量的声呐数据训练并做测试研究表明,本文采用的深度学习技术可以高效实现复杂水下环境中声呐目标的特征提取。通过区域加速卷积神经网络,提高了低信噪比下水下声呐目标检测的精度与速度,为复杂水下声呐目标的特征提取提供新的研究手段。(2)提出了一种基于SSD的声呐目标检测方法。通过对基于Faster R-CNN的声呐目标检测方法进行实验研究发现,使用深度学习这一技术突破了传统图像处理方法在低信噪比下声呐目标检测的瓶颈,检测准确率较传统图像处理方法得到大幅度提升。但是,基于Faster R-CNN的声呐目标检测方法在实时检测方面,速度还有待提升。因此,针对以上Faster R-CNN对应的问题,本文将基于回归思想的目标检测算法—SSD模型应用于声呐目标检测,并做相关适配性改进。通过实验研究发现,在本文实验环境下,基于SSD的声呐目标检测方法在精度上几乎接近基于Faster R-CNN的声呐目标检测方法,并且在测试速度上比基于Faster R-CNN的声呐目标检测方法快4倍。论文通过对这些水下声呐目标检测关键技术的研究,期望在未来能为水下声呐目标检测系统的研制提供更多思路。
【图文】：

生物神经元,模型结构

（２）人工神经网络神经元模型逡逑通过对生物神经元模型的深入挖掘与分析，科学家通过简化生物神经元模型逡逑结构，并结合数学分析理论，模拟出了能在实际生产中应用的人工神经网络数学逡逑模型。如图２．２所示，人工神经元模型通过数学模型的方式表达出来，这一概念逡逑最先由ＭｃＣｕｌｌｏｃｈ邋Ｗ邋Ｓ和Ｐｉｔｔｓ邋Ｗ在１９４３年提出的，因此也被称为ＭｃＣｕｌｌｏｃｈ－Ｐｉｔｔｓ逡逑模型［３３］。其中；ｃ／，？，，．．．．．．，ｘ？表示输入信号，这里对应在生物神经网络模型中，逡逑表示一个生物神经元的不同树突接收到的不同信号。％，邋ｗ２，．．．．．．，ｗ？为权重，逡逑

曲线,人工神经元,模型结构,阶跃函数

等人提出反向传播算法时【２６】，解决了这一难题。这一算法的主要创新点在在于，逡逑将Ｓｉｇｍｏｉｄ函数来代替感知器中阈值函数（这里通常是指阶跃函数）来构造神经逡逑元网络。Ｓｉｇｍｏｉｄ函数与阶跃函数的曲线如图２．３所示。可以看出阶跃函数在逡逑时不可导，当《远离０时，Ｓｉｇｍｏｉｄ函数与阶跃函数类似，但不同的是Ｓｉｇｍｏｉｄ逡逑函数取值从０到１的变化不是突然完成的，而是平滑的完成的。因此可以看出，逡逑１０逡逑
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18;U666.7;TN912.34

【相似文献】