[发明专利]一种基于CNN的水下目标声呐探测方法

权利要求书

1.一种基于CNN的水下目标声呐探测方法，其特征在于：具体包括以下步骤：

S1：通过主动声呐技术对水下目标进行360°声呐数据采集，得到原始声呐数据；

S2：对所述原始声呐数据进行预处理，得到声呐图像；

S3：对所述声呐图像进行缩放、镜像和逆时针旋转90°处理，获得扩充的声纳图像，基于所述扩充的声纳图像获得声呐图像数据集；并将所述声呐图像数据集按照7:3的比例划分为训练集和测试集；

S4：用所述训练集对CNN网络模型进行训练，获得到训练完成的CNN网络模型X-NET；所述CNN网络模型X-NET的隐藏层包括一个非线性激活层，所述非线性激活层采用的是非线性激励函数Sigmoid函数；

S5：将所述CNN网络模型X-NET中的非线性激励函数Sigmoid替换成Softplus函数，生成新的CNN网络模型Y-NET；将所述测试集输入到所述CNN网络模型Y-NET中，得到检测识别结果。

2.根据权利要求1所述的基于CNN的水下目标声呐探测方法，其特征在于，所述步骤S4中的CNN网络模型还包括：一个输入层和一个输出层，所述隐藏层还包括一个卷积层。

3.根据权利要求2所述的基于CNN的水下目标声呐探测方法，其特征在于，所述卷积层的卷积核数量为3，大小为101×31，步长为1。

4.根据权利要求1所述的基于CNN的水下目标声呐探测方法，其特征在于，所述S4中训练的方法具体为：

步骤一：设置CNN网络模型的初始超参数，并将所述训练集中的所有声呐图像分别进行标记，并缩放成统一尺寸；然后将缩放后的声呐图像输入到CNN网络模型中；

步骤二：将输入到CNN网络模型中的声呐图像进行自顶向下的非监督式学习和自底向上的监督式学习，并输出误差；

步骤三：根据所述输出误差来调整CNN网络模型的权重以及偏移量；并根据所述输出误差的收敛程度判断是否停止训练，得到训练完成的所述CNN网络模型X-NET。