[发明专利]一种基于卷积神经网络的水中个体目标匹配识别方法

权利要求书

1.一种基于卷积神经网络的水中个体目标匹配识别方法，其特征在于：主要包括以下步骤：

1)基于TensorFlow框架构建用于特征提取的卷积神经网络模型，其主要由构建3个基本模块、构建整个卷积神经网络构成；

2)对建立的卷积残差网络模型进行训练；

3)基于带标签个体目标辐射噪声参考数据建立个体目标数值特征匹配模板；

4)对未知个体目标辐射噪声数据进行识别，

所述对建立的卷积残差网络模型进行训练主要包括以下步骤：

1)记用于训练的水中目标辐射噪声信号库中的带个体信息标签样本为x＝{x₁(t),x₂(t),…,x_n(t),(n∈N^*)},矩阵中每一行数据对应一个样本，基于S变换对x进行时频变换预处理，设置时间和频率分辨率均为256，得到时频图像训练样本集x_Train；

2)基于x_img对卷积神经网络进行训练，从训练数据集x_Train中随机选择参考样本x_i，其对应标签为a，特征计算结果为f(x_i)，再随机选取一个标签为a的样本x_j，特征计算结果为f(x_j)，接着随机选择一个标签和a不同的样本x_k，设定其标签为b，特征计算结果为f(x_k)，采用梯度下降算法最小化以下代价函数J_S

其中α为正数；

3)根据上一步骤反复迭代优化，完成对卷积神经网络的训练。

所述基于TensorFlow框架构建用于特征提取的卷积神经网络模型中的构建3个基本模块部分，其构建步骤如下：

1)构建基本模块1，在数据输入层之后添加4个并行分支，分支1为直接分支，不添加任何操作，分支2包括3个卷积层，卷积层1参数为(1×1,128,1)，即卷积核尺寸为1×1，卷积核数量为128，卷积步长为1，表示方法下同，卷积层2和卷积层3的参数分别为(1×3,128,1)和(3×1,128,1)，分支3包括2个卷积层，参数分别为(1×1,128,1)和(3×3,128,1)，分支4包括1个池化层和1个卷积层，参数分别为(3×3,1)和(1×1,128,1)，其中池化层参数代表其尺寸为3×3，步长为1，表示方法下同，在4个并行分支之后添加网络整合层，将卷积特征在通道数量这个维度进行聚合，得到基本模块1的特征输出；

2)构建基本模块2，在数据输入层之后添加4个并行分支，分支1为直接分支，不添加任何操作，分支2包括3个卷积层，参数分别为(1×1,192,1)、(1×5,192,1)和(5×1,192,1)，分支3包括3个卷积层，参数分别为(1×1,192,1)、(1×3,192,1)和(3×1,192,1)，分支4包括1个池化层和1个卷积层，参数分别为(3×3,1)和(1×1,192,1)，在4个并行分支之后添加网络整合层，将卷积特征在通道数量这个维度进行聚合，得到基本模块2的特征输出；

3)构建基本模块3，在数据输入层之后添加3个并行分支，分支1为直接分支，不添加任何操作，分支2包括3个卷积层，参数分别为(1×1,256,1)、(1×7,256,1)和(7×1,256,1)，分支3在输入端包含2个并行子分支，子分支1包括3个卷积层，参数分别为(1×1,256,1)、(3×3,256,1)和(1×1,256,1)，子分支2包括1个池化层和1个卷积层，参数分别为(3×3,1)和(1×1,256,1)，子分支1和子分支2输出端共同连接1个卷积层，其参数为(1×1,256,1)，在3个并行分支之后添加网络整合层，将卷积特征在通道数量这个维度进行聚合，得到基本模块3的特征输出。