[发明专利]一种深层神经网络和水声目标声纹特征提取方法

权利要求书

1.一种基于深层神经网络结构的水声目标声纹特征提取方法，深层神经网络结构包括输入层、隐层和输出层，用于水声目标声纹特征的提取，其特征在于：所述输入层中的节点数为水声目标信号原始信号谱的频点数、基频取值范围内的所有频率的频点数以及谐波阶次之和，输出层的节点数为原始信号谱的频点数，所述隐层的层数大于等于2，隐层的节点数小于输入层的节点数。

2.根据权利要求1所述的一种基于深层神经网络结构的水声目标声纹特征提取方法，其特征在于，所述深层神经网络结构由多个浅层神经网络顺序堆叠形成，所述浅层神经网络包括输入层、隐层和输出层，浅层神经网络的隐层层数为1。

3.根据权利要求2所述的一种基于深层神经网络结构的水声目标声纹特征提取方法，其特征在于，按浅层网络堆叠顺序依次对浅层神经网络进行训练，并将在先神经浅层网络的隐层输出作为相邻在后浅层神经网络的训练数据。

4.根据权利要求2所述的一种基于深层神经网络结构的水声目标声纹特征提取方法，其特征在于，对所有浅层网络进行预训练，将浅层神经网络学习得到的权重作为所述深层神经网络结构对应层的初始化权重。

5.根据权利要求4所述的一种基于深层神经网络结构的水声目标声纹特征提取方法，其特征在于，在深度神经网络结构对应层的初始化权重基础上，对深层神经网络结构的权重进行微调，使其性能达到最优。

6.根据权利要求2～5中任一所述的一种基于深层神经网络结构的水声目标声纹特征提取方法，其特征在于，所述深层神经网络结构和浅层神经网络的激活函数为sigmoid函数。

7.根据权利要求2～5中任一所述的一种基于深层神经网络结构的水声目标声纹特征提取方法，其特征在于，采用批量梯度下降算法对所述深层神经网络结构和浅层神经网络进行训练。

8.根据权利要求2～5中任一所述的一种基于深层神经网络结构的水声目标声纹特征提取方法，其特征在于，所述深层神经网络结构和浅层神经网络进行网络学习的代价函数为信号重构的均方误差。

9.根据权利要求2～4任一所述的一种基于深层神经网络结构的水声目标声纹特征提取方法，其特征在于，所述深层神经网络结构和浅层神经网络采用批量梯度下降算法进行网络权重更新，具体由公式：

给出，其中，W_ij为网络j层到i层的权重系数，α为学习率。

10.根据权利要求1所述的一种基于深层神经网络结构的水声目标声纹特征提取方法，其特征在于，主要包括：

获取水声目标原始信号谱的步骤；

从水声目标原始信号谱中提取基频和谐波的步骤；

将提取基频、谐波以及水声目标原始信号谱输入权利要求1中深层神经网络结构对原始信号谱进行重构的步骤。