[发明专利]一种基于ShuffleNetV2分类网络和梅尔谱特征的水声目标识别方法

说明书

本发明涉及一种基于ShuffleNetV2分类网络和梅尔谱特征的水声目标识别方法，使用ShuffleNetV2 0.5x版本和ShuffleNetV2 1.0x版本的ShuffleNetV2网络，并对其进行修改以匹配梅尔谱特征。其中包括网络每层输入张量形状的变化，输出通道的变化以及GlobalPool层卷积核大小的变化。除此之外，在2个网络中的底层分别加入了一层批量归一化层，用来规范化每批输入数据的均值和方差。本发明的识别方法中还使用了数据增强，增加了样本数据量，提高模型的泛化能力；同时使用了特征增强来标准化梅尔谱特征样本范围。实验结果表明，本发明在移动端小型设备下，基于多种实测水声目标的分类实验结果表明，作为一种融合深度学习和人工梅尔谱特征的水声目标识别方法，其识别效果目前是最优的。

技术领域

本发明属于水声目标识别领域，特别涉及一种基于ShuffleNet V2分类网络和梅尔谱特征的水声目标识别方法。

背景技术

水声目标识别是水声信号处理的重要组成部分，也是水声信息获取和水声信息对抗的重要技术支撑。近来，深度CNN网络如ResNet和DenseNet，已经应用于水声目标识别技术，提高了水声目标识别的正确识别率。但是，ResNet和DenseNet计算复杂度高，影响网络训练速度，较难应用于移动端小型设备。ShuffleNet是一个计算效率极高的CNN算法，该算法采用了点态组卷积(pointwise group convolution)和通道随机混合(channelshuffle)两种新的运算，在保证计算精度的同时大大降低了计算成本。与ShuffleNet相比，ShuffleNet V2进一步提高了分类的准确性。因此针对水声目标样本数量有限和技术方法的移动端设备应用，轻量化卷积网络ShuffleNet V2是更好的选择。

水声目标识别不同于图像识别，将ResNet、DenseNet和ShuffleNet等深度网络应用于水声目标识别需要对原始水声信号进行处理。传统水声目标被动识别系统中，特征提取和分类器通常是两个相对独立的环节，其分步处理方法需要考虑特征提取和分类器的匹配程度。特征和分类方法的匹配才是有效提高正确识别率的关键。

发明内容

本发明解决的技术问题是：为了解决现有目标识别系统较难部署到移动端设备，本发明提出一种基于ShuffleNet V2分类网络和梅尔谱特征的水声目标识别方法。本发明将ShuffleNet V2引入水声目标识别，联合梅尔谱特征，提出了一种水声目标深度识别方法。实验结果表明，作为一种融合深度学习和人工梅尔谱特征的水声目标识别方法，其识别效果目前是最优的。

本发明的技术方案是：一种基于ShuffleNet V2分类网络和梅尔谱特征的水声目标识别方法，包括以下步骤：

步骤1：对待识别的水声目标进行标签读取，之后对几类带标签的水声目标进行预处理，将水声目标分为训练集样本和验证集样本，且训练集样本数大于验证集样本数。

步骤2：对训练集样本和验证集样本均进行特征提取和特征增强，设计梅尔频率尺度滤波器组，获得特征增强后的多类目标训练集和验证集的梅尔谱特征；

步骤3：将多类目标训练集和验证集的梅尔谱特征作为修改后ShuffleNet V2网络模型的输入，对网络模型进行训练和验证，最终完成水声目标识别。

本发明进一步的技术方案是：所述步骤1中，标签读取具体是读取水声目标文件具体路径名，根据路径名中的目标类别信息来生成几类水声目标对应的标签信息。

本发明进一步的技术方案是：所述步骤1中，对几类水声目标每段目标数据进行分帧，帧重叠25％-75％)，用于增加样本数量。

本发明进一步的技术方案是：所述训练集样本与验证集样本的数量比为7：3。

本发明进一步的技术方案是：所述步骤2中，包括以下子步骤：