[发明专利]基于卷积神经网络的水下目标特征提取方法

说明书

本发明提供的是一种基于卷积神经网络的水下目标特征提取方法。1、将原始辐射噪声信号的采样序列，分成25个连续部分，每个部分再设置25个采样点；2、将第j段数据信号的采样样本做归一化和中心化处理；进行短时傅里叶变换得到LoFAR图；4、将向量赋值到已有3维张量中；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。本发明方法的识别率与传统卷积神经网络算法相比，对特征图层进行了空间信息多维度的加权操作，来弥补因全连接层的一维向量化所带来的空间信息丢失的缺陷。

技术领域

本发明涉及的是一种水下目标特征提取方法。

背景技术

目前，关于水下目标特征提取主要有时域和频域两种方法，时域即从波形结构特征进行提取，时域分析主要基于以下理论：目标之间的结构、材料或是形状之间差异会反映在其回波形状上，目标差异越明显其波形结构差异越明显；此外回波的接收角度和目标的姿态不同，也会对时域的波形产生较大影响，这些差异也隐藏着目标之间的特性，即从波形结构里提取目标的分类特征。频域特征指将信号处理后得到的频谱特征，通过谱估计的方法对目标进行辨别，并从中进行目标特征参数提取，其方法包括有无参谱估计，参数化谱估计和高阶谱估计。但是在实际操作中，水下信号多为非平稳信号，频率变化较剧烈，还参杂着很多背景噪声。如果变换到频域空间上就会导致时序的结构信息丢失，不能完整的刻画出目标信号在时序上的长时结构特征。这就使得当前基于频域的水下目标特征提取方法的效果深受质疑。因此，如何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成为本发明需要解决的关键问题。

传统的CNN网络是一个具有多隐层的的深度神经网络结构。对这种网络进行如下描述：

卷积神经网络中每一层都是由多个二维特征图罗列而成，每个特征图中一个像素代表一个神经元节点。网络中把神经元节点分为卷积神经元和池化神经元。池化神经元组成二维池化特征图，其激活值对应特征图像素值，而池化特征图的组合又形成了池化层。卷积神经元、卷积特征图和卷积层之间存在类似的关系。CNN网络以卷积层和池化层交替栈式结构连接而成，网络将二维图像数据作为输入。区别于传统模式识别手段，样本的数据处理、特征提取以及分类流程都隐式的嵌入到这种深度互联结构的卷积网络中。一般情况下，卷积层又被称为特征提取层，前一层的某一局部感受野以适当大小输入到卷积层对应的神经元上，将这一过程称为提取局部特征，也就是说局部特征之间的位置关系较上一层的输入是未发生位置变化的；又将池化层称为特征映射层或下采样层，将每个特征图映射为一个平面。为了保持特征映射过程中特征的位移、旋转不变性，卷积层的激活函数通常采用激活值不易发散的Sigmoid函数。另外，因为每个特征映射层上的神经元采用权值共享的原则，从而极大的减少了网络参数的数量，又避免了因过多的自由参数带来的过拟合现象。网络中每一个特征提取层(卷积层)后伴随着一个特征映射层(池化层)，这种带有池化结构的网络，可以使得模型对原始数据具有很强的降噪和抗干扰能力。

池化层中某一区域内的多个神经元，只有激活值大的那个神经元才能起到强化权值的作用，这也符合了“最大值检出假说”。这种神经元在不断强化自身的同时还控制了周围神经元的输出结果，也就是特征映射图中提取到的特征为每个局部区域的相同特征。

卷积神经网络结构以原始图像作为网络输入，图中使用了4层网络结构，每层各个特征图中的相邻神经元以卷积核大小为单位，逐层将局部信息向下层传递，而下层则对传递过来的信息进行卷积运算即特征提取，如边缘特征或方向特征。网络的训练过程则是不断修改卷积核中参数的过程。而同一个卷积核是被特征图所共享的，可以视卷积核为一个可滑动的滤波器，扫描整个特征图的过程记为对某一特征进行提取的过程。而作为二次特征提取的池化层更像是模糊滤波器。可以理解为将众多杂糅在输入数据中的特征信息经过网络的过滤最终分散到了各个低分辨率特征图上。