[发明专利]基于卷积神经网络的水下目标特征提取方法

权利要求书

1.一种基于卷积神经网络的水下目标特征提取方法，其特征是：

(1)、将原始辐射噪声信号的采样序列S(n)，分成25个连续部分，每个部分再设置25个采样点；

25个连续部分之间允许有数据交叉重叠的部分，交叉重叠度设置为50％；

(2)、将第j段数据信号的采样样本M_j(n)做归一化和中心化处理；

归一化处理：

L的取值设置为2的整数次幂；

中心化处理：

(3)、进行短时傅里叶变换经过变换后得到第j段数据信号的LoFAR图：

经过以上操作即得到完整的LoFAR图，建立卷积网络结构，所述卷积网络包括第一卷积层、第一池化层、第二卷积层、第二池化层、加权层和分类层，将已经获得的LoFAR图作为卷积网络的输入，执行以下分步：

1)在初始化阶段采用随机初始化参数方法为卷积网络中的权值进行赋值，并且确定网络参数调整方法为梯度下降方法，并设置网络训练终止条件，设置输出数据与标签数据的偏差阈值为0.07；

2)将处理好的LoFAR图作为网络的输入矩阵，在前向传播阶段，输入矩阵通过两次交替的卷积和池化运算将特征图传递到了加权层，得到初步的特征图信息；

3)在加权层为特征图进行加权，加权过程分为两部分：一个是spatial维度的加权，另一个是channel维度的加权；

(4)、获得两种权值向量后，将向量赋值到已有3维张量中；

所述将向量赋值到已有3维张量中具体包括：χ∈R^(K×W×H)为最后一层卷积层经过池化后的3维特征张量，K表示整个池化层中特征图的个数，W,H为每个特征图的平面维度，x_kij为3维特征张量中第k个特征图中第(i,j)个像素值，χ′∈R^(K×W×H)为加权之后的3维特征张量，x'_kij表示加权后的3维张量中第k个特征图下的第(i,j)个特征像素其获得方式是通过将已经计算好的空间权重因子α_ij、通道权重因子β_k与特征像素x_kij三者相乘，

x'_kij＝α_ijβ_kx_kij

空间权重因子α_ij的计算公式为：s_ij表示S中的第(i,j)个像素值，a和b为可调参数，S为特征张量中所有特征图的累加，Cⁱ为特征张量中的第i个特征图；

通道权重因子β_k的计算公式为：H_k为第k个特征图的熵值，其中f(i,j)表示特征二元组(i,j)出现的频数，HW为特征图像尺度大小；

最后在对χ'的每个特征图进行加和池化操作，将3维的带权特征张量聚合成一个一维的特征向量F＝{f₁,f₂,...,f_k}，其中f_k计算为式，

通过以上的处理将3维的带权特征张量聚合成一个一维的特征向量；

(5)、将得到特征向量输入到全连接层进行分类并计算与标签数据的误差，检查损失误差是否低于误差阈值，若低于则停止网络训练，否则进入步骤(6)；

(6)、使用梯度下降方法对网络从后向前逐层进行参数调整，并转入步骤(2)。