[发明专利]一种基于干涉条纹和深度学习的水面水下分类目标的方法

摘要

本发明涉及一种基于干涉条纹和深度学习的水面水下分类目标的方法，先利用高斯射线声学模型仿真得到大量的声场干涉条纹图像，包括清晰图像、模糊图像和有随机深度误差的图像，作为深度置信网络DBN(Deep belief Network)和CNN的训练集进行，再将训练好的DBN作为CNN的前端处理模块，同时添加波束形成用于构成系统的预处理模块，最后将经过预处理的图像输入DBN，实现自主地对输入的条纹图像进行分类。该方法通过仿真大量的声场干涉条纹图像，解决了深度学习中训练集样本过小的问题；设计DBN模型优化了实际输入图像中的模糊和条纹偏移问题；设计CNN实现了自主地分类水面和水下目标。

主权项

1.一种基于干涉条纹和深度学习的水面水下分类目标的方法，其特征在于步骤如下：步骤1：获取某海域的温度T、深度h、盐度S与静水压力P；根据声速经验公式计算得到对应深度下的声速：C_h＝1449.2+4.6T‑0.055T²+0.00029T³+(1.34‑0.01T)(S‑35)+0.0168P其中：h为深度，C_h为对应深度h下的声速，T为温度，S为盐度，P为标准大气压下的静水压力；绘制声速剖面SSP：在海平面～混合层最大深度的范围内每隔2m计算一个声速值，混合层最大深度～声道轴深度的范围内每隔20m计算一个声速值，声道轴深度～声源深度的范围内每隔100m计算一个声速值，声源深度～海底深度的范围内每隔1000m计算一个声速值；步骤2：利用高斯射线声学模型BELLHOP和已知的SSP仿真得到声场干涉条纹图像集合；所述条纹图像包括不同声源深度和不同距离条件下的无干扰的完整图像，模糊图像和有随机深度误差的图像；步骤3、利用声场干涉条纹图像训练CNN网络：CNN的输入图像为灰度图，图像大小为256*256；CNN网络模型设计包括五个卷积层Conv，五个整流线性单元ReLu，四个池化层Pool和输出层，输出层包括全连接层FC和Softmax层；CNN中每层卷积层由若干卷积神经单元组成，每个神经单元的参数都是通过反向传播算法优化得到；每一层卷积层的计算公式如下：其中m*n是内核的大小，w(u,v)是位置为(u,v)的内核的权重，x_i,j是卷积层的输入，y_i,j是卷积运算的输出，i,j对应于卷积核的位置；采用最大池化操作：每层整流线性单元ReLu的输出y的定义如下：y＝max(0,y_i,j)将上一池化层输出的所有二维的图像特征平铺为全连接的一维向量，之后将其输入到Softmax层，Softmax的计算公式如下：T代表是分类的数目,T＝2，i，j是目标类别，输出y_i是该样本属于各个类别的标签，和是对全连接层计算得到的对应于各个类别的概率；每个Conv层的内核大小设为3，内核的步幅设为1，除了第一个Conv层的补零为10之外，其余的Conv层的补零全部设为1，各个Conv层的隐藏神经元数量分别设为64，64，128，256和512；各个Pool层的步幅和内核大小都设为2，隐藏神经元的数量分别为64，128，256和512；完全连接层的隐藏神经元数量为4096，Softmax层的神经元数量为2，输出值仅包含“0”和“1”，即Softmax层输出二进制分类标签：当声源深度≤20m时，输出为[0,1]；相反，如果声源深度>20m，则输出[1,0]CNN训练的成功率设置为94％，当测试结果>94％时，表示CNN已经训练完成；步骤4、利用声场干涉条纹图像训练DBN网络：DBN网络模型设计包括6层：四层堆叠的限制玻尔兹曼机RBM和反向传播神经网络BP层；DBN训练的成功率设置为90％，当测试结果>90％时，表示DBN已经训练完成；步骤5：输入的水声信号经过波束形成处理后输入到DBN，将训练好的DBN作为训练好的CNN的前端处理模块，而判决模块作为CNN的后端输出模块；步骤6：当CNN的输出标签为[0,1]标签时，判断为水面目标；输出[1,0]时，判断为水下目标。