[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

说明书

本发明公开了一种基于卷积神经网络的水中个体目标匹配识别方法，首先构建用于水中目标辐射噪声时频图像特征提取的卷积神经网络模型，其次通过S变换预处理生成带标签目标噪声时频图像数据对卷积神经网络模型进行训练和完善，接着基于S变换生成带标签目标噪声时频图像参考数据，通过卷积神经网络处理得到个体目标数值差异性特征模板，最后基于卷积神经网络对未知目标数据进行处理得到数值特征，通过模板匹配方法对个体目标进行识别。本发明与传统基于物理机理的特征提取与识别方法相比，具有更强的非线性数据处理能力，能够更有效识别水中个体目标。

技术领域

本发明涉及水声目标分类识别技术以及人工智能技术的领域，具体涉及一种基于卷积神经网络的水中个体目标匹配识别方法。

背景技术

水中目标识别技术是利用声纳接收的水中目标辐射噪声以及其它传感器信息判别目标类型的信息处理技术，可为声纳员提供目标特征信息，判别目标类型，是进行综合决策的重要依据。传统目标识别通常将水中目标分为水面舰艇、潜艇、商船、鱼雷等若干类别，结果更侧重于目标分类，而个体目标识别则需要在分辨目标类型的基础上进一步识别出目标具体型号和舷号，对目标识别的精细程度提出了更高要求。目前，水下目标探测与识别已经成为海军武器装备现代化发展的重要研究方向，也是当今军事技术研究领域的难点之一，其内容涉及声场建模、机器学习、模式识别等多学科交叉应用。

水中个体目标识别的核心研究内容是对个体目标信号声特征的提取和表达。由于不同水中目标结构设计和建造工艺的差异性，不仅不同类别水中目标辐射噪声特征存在差别，不同型号和同型号不同舷号的同类目标也具有各自独有的特性，这就为个体目标的特征提取提供了物理基础。对水中个体目标辐射噪声信号进行处理，通过挖掘和提取固有差异性个体特征，可以实现个体目标识别。

传统声纳目标识别主要通过提取具有可分性的物理特征来实现分类。由于海洋环境的复杂性和水声信道的特殊性，声纳目标信号通常信噪比较低并且受周围环境综合影响大，个体差异性特征往往是多种原始特征按贡献程度和关联性综合后的结果。传统特征提取方法从物理机理与现象出发，通过信号处理与变换提取物理特征，因此难以提取到能刻画清晰个体差异性的声信号特征，存在环境适应性弱，泛化能力差等不足，难以满足实际使用需求和作战要求。

作为近年来人工智能领域的研究热点，深度学习通过将多个隐藏计算层逐层叠加来提高特征的层级抽取能力，通过大量数据训练对神经网络拟合关系进行优化后，可以实现对复杂非线性数据关系的逼近。卷积神经网络是一种经典并且广泛应用的深度学习方法，其基本结构由卷积层和池化层组成，其中卷积层实现对特征的提取，池化层对数据进行降维和压缩。由于卷积神经网络采用了局部连接的结构和权值共享的策略，和全连接网络相比，大幅度降低了网络的复杂度，使得模型易于训练并具有强鲁棒性。目前，卷积神经网络已经成为诸多国内外专家研究的热点，不仅网络结构优化改进方法层出不穷，在图像识别、视频目标检测与跟踪等领域中的应用中表现出了极为优秀的处理性能。

发明内容

本发明的目的在于克服现有技术存在的不足，而提供一种基于卷积神经网络的水中个体目标匹配识别方法。

本发明的目的是通过如下技术方案来完成的：这种基于卷积神经网络的水中个体目标匹配识别方法，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：