基于卷积神经网络的水声目标分类技术
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
深度学习的概念起源于人工神经网络，在本质 上是指一类对具有深层结构的神经网络进行有效 训练的方法。神经网络是一种由许多非线性计算 单元（神经元）组成的分层系统，通常网格的深度就 是其中的不包括输入层的层数。最早的神经网络 是心理学家 McCulloch 和数学逻辑学家 Pitts 建立的 MP 模型［1］，该模型实际上只是单个神经元的形式
ing，DL）方 法 通 过 模 拟 人 脑 神 经 网 络 对 物 体 的 由 局部到整体的辨识过程，为水声目标辨识提供了一 种新的方法，它通过对训练集中的数据的学习，可 以自动提取各种不同种类目标的分类特征，从而将 测试集中的数据进行正确的分类识别。所以，通过大 数据量的训练集的训练，可以直接应用到对各类水 声目标的分类辨识中，而且识别率比之前的方法高。
总第 296 期 2019 年第 2 期
舰船电子工程 Ship舰Ele船ctr电onic子En工gin程eering
Vol. 39 No. 2 153
基于卷积神经网络的水声目标分类技术∗
吕海涛 巩健文 孔晓鹏
（海军航空大学 烟台 264001）
摘 要 论文介绍了卷积神经网络方法以及其计算过程，然后根据卷积神经网络的特性，提出了应用于水声目标分类 的深度学习算法，仿真实验了卷积神经网络方法对水声目标的识别效果，并对舰艇、海洋环境噪声以及商船渔船等目标进行 识别。通过与传统水声目标分类方法做比较，验证基于卷积神经网络的深度学习方法对水声目标分类的辨识性能。
关百度文库词 卷积神经网络；深度学习；水声目标分类 中图分类号 TP391 DOI：10. 3969/j. issn. 1672-9730. 2019. 02. 038
Underwater Acoustic Targets Classification Based on Convolutional Neural Networks
Key Words convolutional neural networks，deep learning，underwater acoustic targets classification Class Number TP391
1 引言
随着潜艇隐身技术的不断发展，潜艇运行的自 噪声越来越低，而且受海洋环境噪声、海洋生物噪 声以及商船渔船的噪声影响，给搜潜和反潜工作带 来了很大的挑战，如何准确从其他噪声中辨识出潜 艇和舰艇噪声成为了搜潜的关键。新的降噪技术 的不断发展，大大降低了潜艇目标的显著性特征， 使之前使用的线谱、LOFAR（Low Frequency Analy⁃ sis and Recording）谱、Mel 复倒谱等特征提取技术 提取的特征效果明显降低，而且由这些方法得出的 分类结果类间相似度很大，同样削弱了分类效果。 因此，如何提取各类目标的显著性差异特征仍是制 约水声目标辨识的关键，而深度学习（Deep Learn⁃
∗ 收稿日期：2018 年 8 月 10 日，修回日期：2018 年 9 月 21 日 基金项目：山东省重点研发计划（编号：2016CYJS02A01）资助。 作者简介：吕海涛，男，硕士研究生，研究方向：反潜信息检测与处理技术。巩健文，男，博士研究生，研究方向：反潜信 息处理技术。孔晓鹏，男，博士，讲师，研究方向：反潜信息处理技术等。
2 卷积神经网络
卷积神经网络是近年发展起来并被广泛应用 的一种高效的识别方法。20 世纪 60 年代，Hubel 和 Wiesel 在研究猫脑皮层中用于局部敏感和方向选 择的神经元时发现其独特的网络结构可以有效地 降低反馈神经网络的复杂性，继而提出了卷积神经 网 络（Convolutional Neural Networks，CNN）。 CNN 现在被广泛应用于图像、语音等目标的分类识别。 2.1 卷积神经网络的结构
154
吕海涛等：基于卷积神经网络的水声目标分类技术
总第 296 期
化数学描述，具有执行逻辑运算的功能，但不能进 行学习。Hebb 首先提出了对生物神经网络有关学 习的思想［2］。Rosenblatt 随后提出了感知器模型及 其学习算法［3］。在随后的几十年里，尽管神经网络 的研究出现过一段与 Minsky 对感知器的批评有关 的 低 潮 期［4］，但 Grossberg［5］、Kohonen［6］、Narendra &Thathatchar［7］、von der Malsburg［8］、Widrow&Hoff［9］、 Palm［10］、Willshaw&von der Malsburg［11］、Hopfield［12］ 等仍然逐步提出了许多神经网络的新模型。最开 始的感知机拥有输入层、输出层和一个隐含层。
LV Haitao GONG Jianwen KONG Xiaopeng （Naval Aeronautical University，Yantai 264001）
Abstract This paper introduces the convolutional neural networks method and it's computing process，with the characteris⁃ tics of convolutional neural networks，the deep learning algorithm applied in underwater acoustic targets classification is raised. With the simulation experiment of convolutional neural networks method，the ships，the ambient sea noise，the merchant ships and the fishing-boat are classified. With the comparison of classic underwater acoustic targets classification methods，the identification performance of convolutional neural networks method turns out to be better.
ing，DL）方 法 通 过 模 拟 人 脑 神 经 网 络 对 物 体 的 由 局部到整体的辨识过程，为水声目标辨识提供了一 种新的方法，它通过对训练集中的数据的学习，可 以自动提取各种不同种类目标的分类特征，从而将 测试集中的数据进行正确的分类识别。所以，通过大 数据量的训练集的训练，可以直接应用到对各类水 声目标的分类辨识中，而且识别率比之前的方法高。
总第 296 期 2019 年第 2 期
舰船电子工程 Ship舰Ele船ctr电onic子En工gin程eering
Vol. 39 No. 2 153
基于卷积神经网络的水声目标分类技术∗
吕海涛 巩健文 孔晓鹏
（海军航空大学 烟台 264001）
摘 要 论文介绍了卷积神经网络方法以及其计算过程，然后根据卷积神经网络的特性，提出了应用于水声目标分类 的深度学习算法，仿真实验了卷积神经网络方法对水声目标的识别效果，并对舰艇、海洋环境噪声以及商船渔船等目标进行 识别。通过与传统水声目标分类方法做比较，验证基于卷积神经网络的深度学习方法对水声目标分类的辨识性能。
关百度文库词 卷积神经网络；深度学习；水声目标分类 中图分类号 TP391 DOI：10. 3969/j. issn. 1672-9730. 2019. 02. 038
Underwater Acoustic Targets Classification Based on Convolutional Neural Networks
Key Words convolutional neural networks，deep learning，underwater acoustic targets classification Class Number TP391
1 引言
随着潜艇隐身技术的不断发展，潜艇运行的自 噪声越来越低，而且受海洋环境噪声、海洋生物噪 声以及商船渔船的噪声影响，给搜潜和反潜工作带 来了很大的挑战，如何准确从其他噪声中辨识出潜 艇和舰艇噪声成为了搜潜的关键。新的降噪技术 的不断发展，大大降低了潜艇目标的显著性特征， 使之前使用的线谱、LOFAR（Low Frequency Analy⁃ sis and Recording）谱、Mel 复倒谱等特征提取技术 提取的特征效果明显降低，而且由这些方法得出的 分类结果类间相似度很大，同样削弱了分类效果。 因此，如何提取各类目标的显著性差异特征仍是制 约水声目标辨识的关键，而深度学习（Deep Learn⁃
∗ 收稿日期：2018 年 8 月 10 日，修回日期：2018 年 9 月 21 日 基金项目：山东省重点研发计划（编号：2016CYJS02A01）资助。 作者简介：吕海涛，男，硕士研究生，研究方向：反潜信息检测与处理技术。巩健文，男，博士研究生，研究方向：反潜信 息处理技术。孔晓鹏，男，博士，讲师，研究方向：反潜信息处理技术等。
2 卷积神经网络
卷积神经网络是近年发展起来并被广泛应用 的一种高效的识别方法。20 世纪 60 年代，Hubel 和 Wiesel 在研究猫脑皮层中用于局部敏感和方向选 择的神经元时发现其独特的网络结构可以有效地 降低反馈神经网络的复杂性，继而提出了卷积神经 网 络（Convolutional Neural Networks，CNN）。 CNN 现在被广泛应用于图像、语音等目标的分类识别。 2.1 卷积神经网络的结构
154
吕海涛等：基于卷积神经网络的水声目标分类技术
总第 296 期
化数学描述，具有执行逻辑运算的功能，但不能进 行学习。Hebb 首先提出了对生物神经网络有关学 习的思想［2］。Rosenblatt 随后提出了感知器模型及 其学习算法［3］。在随后的几十年里，尽管神经网络 的研究出现过一段与 Minsky 对感知器的批评有关 的 低 潮 期［4］，但 Grossberg［5］、Kohonen［6］、Narendra &Thathatchar［7］、von der Malsburg［8］、Widrow&Hoff［9］、 Palm［10］、Willshaw&von der Malsburg［11］、Hopfield［12］ 等仍然逐步提出了许多神经网络的新模型。最开 始的感知机拥有输入层、输出层和一个隐含层。
LV Haitao GONG Jianwen KONG Xiaopeng （Naval Aeronautical University，Yantai 264001）
Abstract This paper introduces the convolutional neural networks method and it's computing process，with the characteris⁃ tics of convolutional neural networks，the deep learning algorithm applied in underwater acoustic targets classification is raised. With the simulation experiment of convolutional neural networks method，the ships，the ambient sea noise，the merchant ships and the fishing-boat are classified. With the comparison of classic underwater acoustic targets classification methods，the identification performance of convolutional neural networks method turns out to be better.