[发明专利]一种基于深度神经网络的海洋噪声信号识别方法

说明书

本发明公开了一种基于深度神经网络的海洋噪声信号识别方法，该方法通过建立DNN深度神经网络模型，对模型每层神经元的权值进行前向运算和反向传播的不断训练与更新，得到能够分辨出不同类型海洋噪声信号的分类权值，从而实现对不同类型海洋噪声信号的识别；本发明识别方法利用深度置信网络进行DNN深度神经网络的初始权值训练，将得到的权值作为深度神经网络训练的初始权值，之后对数据进行训练，从而实现对不同类型海洋噪声信号的识别。本发明利用深度神经网络及深度置信网络训练出的初值使得测试结果准确度高，能达到高精确的识别要求。

技术领域

本发明属于微弱信号检测领域，具体涉及一种基于深度神经网络的海洋噪声信号识别方法。

背景技术

实际工程应用领域中，海洋噪声信号在所处的海洋环境中大量存在，但是对其研究却不多。在对于其分类研究中，过去使用的都是如SVM、随机共振等经典的方法，而许多方法都是选择对其大部分噪声滤除然后提取有用的特定信号。这类完整信号在现实中未必就不具备价值，对其细化分类在某些领域具有很高的价值。

基于深度学习算法对不同的海洋噪声信号进行分类学习，建立一个共计五层的DNN深度神经网络对不同种类的海洋噪声信号进行训练。通过对模型每层神经元的权值进行前向运算和反向传播的不断训练与更新得到能够分辨出不同类型海洋噪声信号的分类权值，最终能分辨出相应不同海洋噪声信号，对不同类型海洋噪声信号进行识别。

然而以往的深度学习算法都是建立在随机初值选取的背景下，在实际训练中这种初值往往结果误差较大，使得存在最终结果和实际结果相似度低的问题。因此，DNN深度学习网络随机初值下训练精度低的问题是急需解决的问题。

发明内容

本发明的目的是为了解决现有技术中存在的缺陷，提供一种能够有效提高测试结果准确度，达到高精度的识别要求。

为了达到上述目的，本发明提供了一种基于深度神经网络的海洋噪声信号识别方法，该方法通过建立DNN深度神经网络模型，对模型每层神经元的权值进行前向运算和反向传播的不断训练与更新，得到能够分辨出不同类型海洋噪声信号的分类权值，从而实现对不同类型海洋噪声信号的识别；本发明识别方法利用深度置信网络进行DNN深度神经网络的初始权值训练，将得到的权值作为深度神经网络训练的初始权值，之后对数据进行训练，从而实现对不同类型海洋噪声信号的识别。

进一步的，本发明识别方法利用深度置信网络进行DNN深度神经网络的初始权值训练，将得到的权值作为深度神经网络训练的初始权值，再通过非线性sigmoid激励函数实现函数值归一化，求出实际输出与期望输出的误差函数，然后利用梯度下降算法求极小值得出一个权值的误差系数，利用这个系数与权值求和不断更新权值，最终得到能够分辨出不同类型海洋噪声信号的分类权值。

进一步的，DNN深度神经网络分为五层，包括输入、输出层和三层隐藏层；其中，输入层是首层有24个神经元，第一层隐藏层有20个神经元，第二隐藏层有16个神经元，第三层隐藏层有8个神经元,输出层有4个神经元。本发明相比现有技术具有以下优点：

本发明采用深度神经网络及深度置信网络算法，克服了利用随机初始权值迭代后出现结果精度低、易陷入局部最优、收敛效率低等缺点，利用深度神经网络及深度置信网络训练出的初值使得测试结果准确度高，能达到高精确的识别要求。将置信网络训练的初始权值带入深度神经网络中训练，最终高精度实现分类，识别不同海洋噪声信号。

附图说明

图1为采用本发明进行海洋噪声信号识别的方法流程图。

具体实施方式

下面结合附图对本发明进行详细说明。