[发明专利]一种基于改进型DBN的水声目标辨识方法及系统

说明书

本发明提供一种基于改进型DBN的水声目标辨识方法及系统：方法包括获取水声目标实际辐射噪声信号，并经过快速傅里叶变换后得到频谱数据；基于频谱数据通过保存好参数后的改进型DBN网络模型的三层堆叠RBM及全连接层计算得到各类别特征值，将特征值经softmax分类器转换为每类概率；根据类别对应标签值，输出概率值最大的类别标签，并输出类别名称。水声目标辨识方法引入隐含层输出和标签信息的交叉熵，改进DBN网络训练的目标函数，解决无监督预训练过程中的分类信息模糊问题，削弱海洋环境噪声的影响，在辨识速度足够的条件下提高辨识准确率。

技术领域

本发明属于水声目标检测与识别领域，具体涉及一种基于改进型DBN的水声目标辨识方法及系统。

背景技术

近年来，由于计算力的提升及神经网络训练、优化算法的改进，深度学习的方法被广泛应用到水下目标识别中。深度学习在水声目标探测识别中的潜力巨大：与浅层模型相比，深度学习模型可以通过模拟大脑学习过程，刻画水声目标数据丰富的内在信息，最终提升识别精度。因此，为提高国防实力，选择最佳对抗方案快速有效地探测与防御水声目标的进攻，夺取战场先机，开展水声目标智能辨识研究势在必行。

有效的水声对抗技术需要系统的快速反应能力和正确决策能力，也即需要高的辨识速度以及高的辨识准确率。传统的深度置信网络(Deep BeliefNetwork，DBN)分为无监督预训练和有监督反向调参两个阶段，但无监督预训练的过程容易陷入分类信息模糊的僵局，尤其应用于水声目标检测与识别领域，在海洋环境噪声较高且繁杂的背景下，易误将不重要的背景噪声信息作为主要分类目标进行区分。

发明内容

本发明的目的在于通过提出一种基于改进型DBN的水声目标辨识方法及系统，水声目标辨识方法解决无监督预训练过程中的分类信息模糊问题，削弱海洋环境噪声的影响，在辨识速度足够的条件下提高辨识准确率。

为达到上述目的，本发明采用了以下技术方案：

一种基于改进型DBN的水声目标辨识方法，包括以下步骤：

获取水声目标实际辐射噪声信号，并经过快速傅里叶变换后得到频谱数据；

基于频谱数据通过保存好参数后的改进型DBN网络模型的三层堆叠RBM及全连接层计算得到各类别特征值，将特征值经softmax分类器转换为每类概率；

根据类别对应标签值，输出概率值最大的类别标签，并输出类别名称。

作为本发明的进一步改进，所述实际辐射噪声信号是通过声纳采集设备采集到的辐射噪声信号。

作为本发明的进一步改进，计算得到各类别特征值具体步骤为：

将频谱数据通过第一层RBM后得到一阶特征激活值，再将其作为第二层RBM的输入，得到二阶特征激活值，再将其作为第三层RBM的输入，得到三阶特征激活值，再将其输入到全连接层，计算得到各类别特征值。

作为本发明的进一步改进，改进型DBN网络模型的建立包括以下步骤：

选取包含不同类别信号的训练集作为网络输入，采用含有三个RBM的DBN网络；

在DBN网络的每个RBM的隐含层上连接一个全连接层，并加上softmax分类器；且将上一层RBM的隐含层作为下一层RBM的输入，依次堆叠形成改进型DBN网络结构；

应用基于引入标签信息的改进型DBN网络训练算法，更新参数后保存得到改进型DBN网络模型。

作为本发明的进一步改进，基于引入标签信息的改进型DBN网络训练算法的预训练步骤具体如下：

DBN网络由多层RBM堆叠而成，而每个RBM都是基于能量的概率分布模型，对于给定的状态向量h和v，RBM此时的能量函数表示为下式(1)：