一种新型的水下探测目标自动识别系统

传统 的识 别 系 统
９ ．２ ７ ９
００ ６ ．５
９ ．６ ８９
００ ９ ．１
新 型 的识 别 系统
９ ．６ ８ ９
００ ９ ．１
４ 小 结
本 文 通过 在 水 下探 测 目标 识别 系 统 中 引人 人 工 神经 网络 ，并 在 神 经 网络 中引人 动 量 项 和采 用 可 变 步长 。与传 统 的识别 算 法 相 比 ，该 算 法 通过 计 算 机仿 真 实 验 的结 果 表 明 ：系 统 的识 别 速度 得 到 了
表 ２ 人 工神 经 网络 的收敛 周期 与初 始步 长 的关 系
第 七 步 ：用 已经训 练 好 的神 经 网络 对 另外 的 ９ ６幅 干 涉 图像 进 行 分 类 。输 出 判决 结 果 并 给 出响
应 。这 里对 干 涉 图像 进行 识 别 和分 类 的基本 思 想是 ：首先 将 需要 分 类 的干 涉 图像 输 人到 已经利 用 样 本 干涉 图像 训 练好 的 Ｂ Ｐ人 工神 经 网络 ，然后 再 通过 Ｂ Ｐ人 工 神经 网络 的各 个 隐含 层及 其 输 出层 ，最
后通 过 判 断 Ｂ Ｐ人 工 神 经 网络 的 输 出值 来 达 到对 输 入 的 干涉 图像 进行 判 读 分 类 的 目的 。若输 出结 果
为＋ ，则 是 双环 图像 ，说 明水 下无 物 体 。若 输 出结 果 为一 ，则 是单 环 图像 ，说 明水 下有 物 体 ，此 时 １ １ 启动 报警 系 统 ，发 出报警 警报 。整 个软 件 系统 的流程 如 图 ３所 示 。
第 五 步 ：Ｂ Ｐ网络 的学 习 。用 实 验得 到 的 ９ ６幅 图像样 本 对该 一 阶 四层 神 经 网络 进 行训 练 。Ｂ Ｐ网
络 的学 习过 程 如 图 ２所 示 。
图 ２ Ｂ Ｐ人工 神经 网络 的训 练流 程
第六 步 ：对人 工 神 经 网络 进 行优 化 。 由于受 激 布 里 渊散 射 水 下 探测 目标 的 干涉 图像 的数 据 信 息
Ｆ Ｐ标 准具 形成 干涉 图像 ，如 图 １ — 所示 。
图 １ 多级 干 涉条纹 （ ）双环 图像 （ 下无物 体 ） （ ）单环 图像 （ 下 有物体 ） ａ 水 ｂ 水
由于人 工 神 经 网络 除 了具 有 自学 习 、非 线性 自适应 性 和非 线 性 并行 处 理信 息 的 能力 以外 ，还 能 够对 其输 入一 出数 据进 行处 理和 分析并 掌 握它 们之 间的 内在规 律 ，然 后对 新输 入 的数 据再 运 用这 些 输 规律 进 行 推算 并 找 出其 对 应 的输 出结 果 。因此 ，人 们 把人 工 神 经 网络 引用 到受 激 布 里 渊散 射水 下 探
３ 实 验 结 果 与 分 析
在实 验 中 ，首 先分 别让 神经 网络 优化 前后 的两种 识别 系统
对９ ６幅待 识别 的图像进 行 识别 ，这 里从 ９ ６幅 图像 的识别 时 间
和识 别 率两 方 面对识 别 系 统改 进前 后 进行 了 比较 ，结 果 如 表 ３
所示 。
由表 ３可 知 ：引入 动量 项 和可 变步长 以后识 别 系统 的识别
３ Ｆ
Ａ‘ ｎ １ 一１ １ ＋ ）＝ １ ）（
Ｏ． （） ｔ ｎ （ Ｏ
（） １
表 １ 人 工神 经 网络 的 收敛周 期 与动 量 因子 的关 系
・
１ ０５・
上 式 中 ，为 动量 因子 。从 表 １中 的数据 可 以明显 看 出 ，通 过 引入 合适 的动量 系数项 可 以大 大减
中 图分 类 号 ： Ｐ ９ ： ３ Ｔ 文献 标 识 码 ： Ａ 文 章 编 号 ：６ ３ ７ ５ （ ０ ２ ０ — １ ４ ０ １７ — ０ ９ ２ １ ）８ ０ ０ — ４
１ 研 究 背景
当前 的水 下 探测 目标 的识 别方 法 对 水下 静 止 目标 的 自动 识别 是 有效 的 ．但 是 当水 下 目标 的运 动 速 度较 大 时 ，现 有 的识别 系统 就不 能实 现对 目标 的实 时探测 【 ｌ Ｊ 此 ．本 文采 用布 里 渊散 射进 行水 下 。为
代 宏 伟
（ 节 学院数 学与 计算机 科 学学 院 ，贵 州 毕 节 ５ １ ０ ） 毕 ５ ７ ０
摘 要： 利用布 里 渊散 射提 出 了一 种基 于人 工神 经 网络 的 水 下探 测 目标 识 别 系统 ， 并在 神 经 网络 中 引入 动量 项和 采 用可 变步 长。 经过计 算机 仿 真 实验 。 结果表 明 ： 传统 的 水 下探 测 目标 识 别 系统相 比 ． 与 该 识 别 系统在识 别 时 间和识 别率 两方 面都 得到 了较 大的 改善 ． 些优 点对 实现 水 下探 测 目标 的 实时 自 这 动识 别是极 其 有利 的 。 关键词： 涉图像 ； 下探 测 ； 经 网络 ； 干 水 神 自动识 别 ； 动量 项 ； 可变步 长
小 收敛 周期 ，从 而提 高 Ｂ Ｐ神经 网 络的训 练效 率 。此实 验 中将 的最佳 取值 确定 为 ０４ ．。
其 次采 用可 变步 长 。方法 是在 Ｂ Ｐ人 工神 经 网络学 习开始 时 。为 了加 快 网络 的收 敛速 度 而选取 较
大的 学习步 长 ，然后 随 着 网络 学 习 的逐 步进 行 ，人们 逐步 减小 Ｂ Ｐ人 工神 经 网络 的变 步长 法 。学 习步
目标探 测 ，同 时把 人工 神 经 网络 引 入到 该 水下 探 测 目标 识别 系 统 ，并 在神 经 网 络 中引 入 动量 项 和采
用 可变 步长 ．以进一 步减 少 系统 的识别 时 间和提 高 系统 的识别率 。
２ 识 别 原 理
利 用 布里 渊 散 射进 行 水下 目标探 测 是基 于 布 里渊 散 射信 号 的有 无 来判 断 海水 中是 否有 潜 艇 、水 雷 等物 体 的圆 。在利 用受 激 布里 渊散射 探测 系统进 行水 下 目标 探测 的实 验 中 ．先让 探 测到 的信号 通过
图像信息获取
图像预处理 特征提取 Ｈ 特征选择 分类器 Ｈ 输出类别
图 ３ 目标识 别 系统框 架 图
具 体 的图像 识别 软 件界 面如 图 ４ 。读 人 的干 涉图像 的右 下角 的方 块是 用来 表示 识别 结果 的。读人 的干 涉 图像 为 双 环 图像 时 ，表 明 水 下 没有 物 体 ，该 方 块 为 黑 色 ；为单 环 图像 时 ，表 明有 物体 ，该 方块 为红 色 。
率和 识别 时 间都 得到 了 明显 的改善 。 然后 又 分别 让 传 统识 别 系统 和新 型 识 别 系统 对 ９ ６幅待识
・
图 ４ 软件 界 面
１６ ・ ０
别 的 图像 进 行识 别 ，结果 如 表 ４所示 。 由表 ４可 知 ： 相对 于传 统 的识 别 系 统 而言 ，该 识 别 系 统在 识 别 率 和识别 时 间两 方 面都 得到 了 明显 的改 善 。 表 ３ 改 进前 后识 别 系统 的识 别率 和 识别 时 间
所 以神 经 网络 输人 层和 输 出层 的输 出节 点 数分 别 为 ５和 １ 。
其 次是 对 Ｂ Ｐ神 经 网络 隐含 层节 点数 进行 确 定 。根 据神 经 网络 理论 和实 际 经验［， ６ 本实 验将 第 二 隐 １ 含 层 的节 点数 为设 为 ４ ，第 一 隐含层 的 节点 数为 １ 。 ２
识别 率
（ ） ％
表 ４ 传 统识 别系 统 和新型 识别 系 统 的 比较
识别 率
（ ） ％
识 别 时间
（ ） ｍｓ
识别 时 间
（ ｓ ｍ ）
人 工 神 经 网 络 优 化 前 的识别 系统 ９ ．２ ８０ 人 工 神 经 网 络 优 化 后 的识别 系统
００ ６ ． ２
长的 变化规 律 如 （ ）式 所示 。 ２
＝１（一 １ １
１Ｔ ｌ Ｕ
）
（） ２
其 中， 表示 Ｂ Ｐ神 经 网络 的学 习步 长 ，Ｔ是 Ｂ Ｐ神 经 网络 训 练 学 习 的周 期 ，Ｍ 是 一 个 正 整 数 。 在本 实验 中 ，的初值 设 定为 ｌ ｌ ｘ ０。根据 表 ２的数 据本 实验 将初 始步 长 的最佳 值确 定为 ０３ ．。
・
１４ ・ ０
测 目标 的 自动 识 别 中 。为 了进一 步 提 高识 别 系 统 的识 别 率 和 识别 速 度 ，本文 在 这 里 的神 经 网 络 中引 入 了动量 项 和可 变步 长 。此算 法 的具 体 步骤 如下 。
第一 步 ：样本 的选 择 。本 实 验 共 得 到 ９ ６幅单 环 干涉 子 图像 和 ９ ６幅双 环 干涉 子 图像 。对 于每 类 干涉 图像 ，我们从 中选 出 ４ ８幅 作为 学 习样 本 ，剩余 的 ４ ８幅作 为检 验样 本 。 第 二步 ：对样 本 图像 进行 平 滑 消 噪 。针 对 干 涉 图像 的噪 声 的特 点 ，这里 采 用 “ 中值 滤 波 ”这 一 滤波 平 滑技 术对 图像 进行 消 噪处 理［ ３ １ 。
存 在 一定 的相 关性 ，所 以采用 Ｂ Ｐ神 经 网络 对 此进 行处 理 时 ，会 造 成 网络 的 收敛速 度 太 小 ，从 而导 致
Ｂ Ｐ神 经 网络 的学 习 速度 较 慢 。为 了克服 这 种 弊病 ，进 一 步提 高 系 统 的识别 速 度 ，此 实 验采 用 了两 种
措施对 Ｂ ＰБайду номын сангаас经 网络 进行 了优化问， 种是 引入 动量 项 ，另 一种 是 采用 可变 步 长 。 一 首先引入 动量项 。这里在 权值调 整算式 中加入动 量项 ，目的是 为 了加速 Ｂ Ｐ神经 网络算法 的收敛 ，
收 稿 日期 ：０ ２ ０ — １ ２ １— ５ ０