[发明专利]基于卷积神经网络的水下目标特征提取方法

摘要

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。

主权项

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；(2)、将第j段数据信号的采样样本Mj(n)做归一化和中心化处理；归一化处理：uj(n)=Mj(n)max[Mj(i)],1≤i≤L]]>L的取值设置为2的整数次幂；中心化处理：xj(n)=uj(n)-1LΣi=1Luj(i);]]>(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，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；(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)。