[发明专利]一种基于头脑风暴自动调整自编码网络的声呐识别方法

说明书

本发明公开了一种基于头脑风暴自动调整自编码网络的声呐识别方法，步骤包括：1)对收集到的声呐数据进行处理，处理成网络能够识别的输入信号，确定待识别样本类的个数以及每一类样本的特征数即样本维度，确定网络的训练样本和测试样本；2)选择深度神经网络作为网络模型；3)对网络模型进行优化及确定；4)对自动编码机进行分层训练；5)对网络模型进行微调；6)判断停止条件，设定最大迭代次数，判断是否满足最大迭代次数；步骤7)待识别样本输入分类，将待识别声呐数据样本输入到已经训练好的网络模型，利用训练好的网络对待识别样本进行分类；8)计算识别率，实现识别。本发明的方法，过程简化，识别准确率明显提高。

技术领域

本发明属于智能控制技术领域，涉及一种基于头脑风暴自动调整自编码网络的声呐识别方法。

背景技术

随着海洋资源的开发及国防科技发展的需要，对水声信号的智能化分析和处理已经成为各国研究的热点，广泛应用于深海勘探、智能鱼雷等，对水下目标自动识别技术的需求愈加迫切。由于海洋环境的复杂性，基于声呐信号的水下信号自动识别和分类又具有挑战性，因此，如何利用现有高维水下可用数据提高检测识别的准确率，不仅具有重要的理论意义，而且是基于现有水下信号获取、传送及处理成本等条件下最现实的选择。

自动编码网络是2007年Bengio Y等人提出的，其原理是通过对输入数据进行逐层特征变换，将原空间的样本特征表示变换为新的特征空间，自动学习分层特征表示，从而有利于类别的可视化功能，对于处理存在较多无标签及高维数据问题有很好的解决能力。

头脑风暴法是1939年美国创造学家A.F奥斯本首次提出的，又称智力激励法。2011年史玉回老师在第二次群智能国际会议(ICSI11)中提出一种新的群智能优化算法——头脑风暴优化算法(BSO)，该算法的概念和理论源于对人类头脑风暴法会议过程的模拟，被广泛应用于多个领域，具有非常好的发展前景。

由于海洋环境的复杂，带标签可用样本数据采集困难，存在大量不带标签声呐数据，且目标特征维度增加。而对声呐目标的识别，主要是对目标特征的提取，较优的特征提取才会得到较优的识别效果，而现有的识别方法未能充分利用声呐数据这一特点。因此，对声呐数据的识别的准确性不高。

发明内容

本发明的目的是提供一种基于头脑风暴自动调整自编码网络的声呐识别方法，解决了现有技术中声呐数据的识别的准确性不高、带标签数据样本采集困难的问题。

本发明所采用的技术方案是，一种基于头脑风暴自动调整自编码网络的声呐识别方法，按照以下步骤实施：

步骤1、对收集到的声呐数据进行处理，

处理成网络能够识别的输入信号，确定待识别样本类的个数以及每一类样本的特征数即样本维度，同时确定网络的训练样本和测试样本；

步骤2、选择深度神经网络作为网络模型；

步骤3、对网络模型进行优化及确定，

自编码网络模型主要由自动编码机和分类器两部分组成，其中，输入层个数为待分类物体特征个数，输出层个数为声呐数据中待识别物体类的个数，

对于网络模型的优化主要是对自动编码机结构的优化，既然自动编码机由输入层、隐藏层和输出层组成，因此，自动编码机结构的确定分为输入层节点数、输出层节点数、隐藏层层数及节点数优化三个方面；

步骤4、对自动编码机进行分层训练，

对自动编码机的分层训练分为初始化、编码解码、分层训练的目标函数建立、以及计算梯度变量更新；

步骤5、对网络模型进行微调，

将训练的网络隐藏层输出y即权值阈值作为自动编码机学习到的待分类的物体的特征，用于分类器的输入，并对网络模型进行微调；

步骤6、判断停止条件，