CN115204214B 一种基于EfficientNet的水下目标识别方法 （西北工业大学）

一种基于EfficientNet的水下目标识别方法本发明公开了一种基于EfficientNet的水信号使用Mel谱特征提取方法得到每组回波信号生成对抗网络GAN_S对训练集进行扩充；将扩充后的训练样本输入深度卷积神经网络ConvNet_参数；将测试集中的Mel谱图像输入训练后的深2步骤1：对水下目标主动声呐回波信号使用Mel谱特征提取方法得到每组回波信号的所述深度卷积生成对抗网络GAN_S包括用来捕获数据特点分布细节的生成模型G和来设定生成模型G的任务是使得判别模型D判断错误的概率最大化，同时设定判别模型D生成模型G首先产生100维的随机噪声，通过全连接层映射为大小14x3的特征图；判别模型D则通过对生成器输出的384x384x3尺寸特征图进行卷积操作实3述深度卷积神经网络ConvNet_S的基础卷积块是基于EfficientNet网络模型搭建的，通过4[0002]目前传统水下目标分类识别方法通常是人工提取声纳回波中的若干特征并用于训练分类器完成目标识别。基于深度学习的识别方法可以直接从原始信号中自动提取特成对抗网络GAN_S对训练集进行扩充；将扩充后的训练样本输入深度卷积神经网络5帧和预加重，然后对每一帧信号进行FFT变换得到信号频谱，对信号频谱按照公式使用Mel滤波器组进行滤波，计算每个滤波器的能量并取对数后得[0013]进一步地，所述深度卷积生成对抗网络GAN_S包括用来捕获数据特点分布细节的生成模型G和来自真实训练数据x用来估计样本数据的判别型D的任务为辨别来自样本的数据和来自生成模型G的数据；定义生成模型G生成数据的分[0018]生成模型G首先产生100维的随机噪声，通过全连接层映射为大并将其转化为12×12×1024的特征图；使用分组对称填充方式，通过5个反卷积层3的特征图；判别模型D则通过对生成器输出的384×384×3尺寸特征图进行卷积操作实现数量均匀的256组，对每组的4通道特征图进行对称填充，经过填充得到的特征图尺寸为[0020]进一步地，所述深度卷积神经网络ConvNet_S的基础卷积块是基于EfficientNet6[0032]图7本发明实施例各算法在所建立的水池实验目标回波数据集上所得的实验结7帧和预加重，然后对每一帧信号进行FFT变换得到信号频谱，对信号频谱按照公式使用Mel滤波器组进行滤波，计算每个滤波器的能量并取对数后得[0043]进一步地，所述深度卷积生成对抗网络GAN_S包括用来捕获数据特点分布细节的生成模型G和来自真实训练数据x用来估计样本数据的判别型D的任务为辨别来自样本的数据和来自生成模型G的数据；定义生成模型G生成数据的分[0048]生成模型G首先产生100维的随机噪声，通过全连接层映射为大并将其转化为12×12×1024的特征图；使用分组对称填充方式，通过5个反卷积层3的特征图；判别模型D则通过对生成器输出的384×384×3尺寸特征图进行卷积操作实现数量均匀的256组，对每组的4通道特征图进行对称填充，经过填充得到的特征图尺寸为[0050]进一步地，所述深度卷积神经网络ConvNet_S的基础卷积块是基于EfficientNet8[0055]2.对上述所得实测目标主动声呐回波数据使用Mel谱特征提取方法得到四类共计[0058](2)加窗函数的目的是减少频域中的泄漏,将对每一帧音频信号乘以汉宁窗ω[0062](4)对功率谱用Mel滤波器组进行滤波，计算每个滤波器里的能量取对数后得到9g)来代表数据空间的映射，其中G是一个用含有参数θg的多层感知成器输出的384×384×3尺寸特征图进行卷积操作(Conv)实现特征提取，最后由全连接层在生成器的反卷积过程中对感受野要求相较低，所以本发明提出使用了2*2(C2)偶数大小进行对称填充，如图5所示。经过填充得到的特征图尺寸为(Channel，Width，Hight)=[0073]6.本发明基于在光学图像识别领域取得优秀效果的EfficientNet搭建了基础卷防止网络出现退化现象；通过使用多种尺寸卷积核的组合替换标准3*3卷积；使用素，每个卷积块中卷积核个数为448个；区块5由3个基础卷积块组成其中包含自注意力机积块中卷积核个数为128个；区块7由6个基础卷积块组成其中包含自注意力机制卷积核的[0075]7.设置测试集输入的批次大小为16，训练环境均相同的情况下进行了如表2所示四组实验。实验1为单独使用本发明提出的实验；实验3为单独使用现有的IAFNet网络模型；实验4为单独使用现有的Efficientnet_达到了92.5远高于其他现有的同时相比单独使用ConvNet_S也取得了2.5％的有效提被有效抑制，实验结果表明通过GAN_S对时频图数据集进行有规律的增广是一种有效且实[0079]图7本发明实施例各算法在所建立的水池实验目标