[发明专利]基于自适应卷积的水声信号分类识别方法

权利要求书

1.基于自适应卷积的水声信号分类识别方法，其特征在于：所述方法具体过程为：

步骤一、建立自适应卷积神经网络模型；

步骤二、将带标签的水声信号分为训练集和测试集；

将训练集输入自适应卷积神经网络模型，对自适应卷积神经网络模型进行训练，得到预训练好的自适应卷积神经网络模型；

将测试集输入预训练好的自适应卷积神经网络模型，若测试准确率大于等于85％，则认为预训练好的自适应卷积神经网络模型为最终训练好的自适应卷积神经网络模型；否则对模型参数进行调整，并再次利用训练集进行模型训练；直到获得训练好的自适应卷积神经网络模型；

步骤三、将待测试的水声信号输入训练好的自适应卷积神经网络模型，完成对水声信号的分类识别；

所述步骤一中建立自适应卷积神经网络模型；具体过程为：

自适应卷积神经网络模型包括输入层、特征提取层、特征图加权过滤层、三个全连接层、输出层；

所述特征提取层包括第一层自适应卷积层、第二层自适应卷积层；

第一层自适应卷积层接受输入层输入，输出相应的特征图，第二层自适应卷积层接受第一层自适应卷积层输出的特征图，第二层自适应卷积层输出的特征图经过特征图加权过滤层后，利用三个全连接层来最后输出分类结果；

输入层神经元数量为1*n，n为输入数据的长度，通道数为c；其中输入数据的长度n取决于水声信号分帧后的采样点数，通道数c为收集水声信号的水听器数量；

第一层自适应卷积层中卷积核的长度为25，通道数与输入层通道数保持一致为c，即卷积核尺寸为25×c，卷积核组数为6，采用激活函数为Tanh；

第二层自适应卷积层中卷积核的长度同样为25，通道数与第一层自适应卷积层的卷积核组数保持一致为6，即卷积核尺寸为25×6，卷积核组数为16，采用激活函数为Tanh；

第一层自适应卷积层包含第一个卷积层、第二个卷积层、第三个卷积层；

第二层自适应卷积层包含第一个卷积层、第二个卷积层、第三个卷积层；

所述第一层、第二层自适应卷积层的自适应卷积操作包括以下5步：

假设输入数据尺寸为1*n的一维水声信号，n为输入数据的长度，第一个卷积层、第二个卷积层、第三个卷积层中的卷积核尺寸均为1*25，通道数为c；*为尺寸；

(1)第一个卷积层在水声信号上进行步长为25的滑动卷积，计算水声信号每个采样窗口内特征的整体位置偏移值，并通过填充的方式使得采样窗口输出的数据长度与窗口保持一致，使得输出的张量长度与水声信号保持一致；具体过程为：

第一个卷积层的采样窗口在输入数据上进行遍历采样，输出为整体位置偏移值，填充的方式为在原始数据前后部分填充0；

(2)第二个卷积层在水声信号上进行步长为1的滑动卷积，计算水声信号每个采样点的局部位置偏移值，输出的张量长度与水声信号保持一致；

(3)将第一个卷积层与第二个卷积层输出的位置偏移值相加，获得第三个卷积层所有采样点的位置偏移值，最后将这些偏移值与采样点原始坐标相加，得到最终进行特征提取的采样点坐标；

利用Sigmoid函数对最终进行特征提取的采样点坐标进行归一化处理，函数式如下所示：

式中，x为最终的采样点坐标；

(4)利用下式对水声信号进行线性插值采样，输出重新采样后的水声信号；

x(p)＝(p-q₀)*x(q₀)+(q₁-p)*x(q₁)

式中，q₀和q₁为采样点p相邻的两个采样点坐标，x(p)、x(q₀)和x(q₁)分别为采样点p、q₀和q₁的采样值，通过对线性插值函数求偏导进行梯度下降调整自适应卷积神经网络模型参数；

(5)第三个卷积层在重新采样后的水声信号上进行步长为25的滑动卷积，对水声信号进行特征提取，输出长度为的特征向量。