[发明专利]一种基于改进型DBN的水声目标辨识方法及系统

权利要求书

1.一种基于改进型DBN的水声目标辨识方法，其特征在于，包括以下步骤：

获取水声目标实际辐射噪声信号，并经过快速傅里叶变换后得到频谱数据；

基于频谱数据通过保存好参数后的改进型DBN网络模型的三层堆叠RBM及全连接层计算得到各类别特征值，将特征值经softmax分类器转换为每类概率；

根据类别对应标签值，输出概率值最大的类别标签，并输出类别名称。

2.根据权利要求1所述的一种基于改进型DBN的水声目标辨识方法，其特征在于，所述实际辐射噪声信号是通过声纳采集设备采集到的辐射噪声信号。

3.根据权利要求1所述的一种基于改进型DBN的水声目标辨识方法，其特征在于，计算得到各类别特征值具体步骤为：

将频谱数据通过第一层RBM后得到一阶特征激活值，再将其作为第二层RBM的输入，得到二阶特征激活值，再将其作为第三层RBM的输入，得到三阶特征激活值，再将其输入到全连接层，计算得到各类别特征值。

4.根据权利要求1所述的一种基于改进型DBN的水声目标辨识方法，其特征在于，改进型DBN网络模型的建立包括以下步骤：

选取包含不同类别信号的训练集作为网络输入，采用含有三个RBM的DBN网络；

在DBN网络的每个RBM的隐含层上连接一个全连接层，并加上softmax分类器；且将上一层RBM的隐含层作为下一层RBM的输入，依次堆叠形成改进型DBN网络结构；

应用基于引入标签信息的改进型DBN网络训练算法，更新参数后保存得到改进型DBN网络模型。

5.根据权利要求4所述的一种基于改进型DBN的水声目标辨识方法，其特征在于，基于引入标签信息的改进型DBN网络训练算法的预训练步骤具体如下：

DBN网络由多层RBM堆叠而成，而每个RBM都是基于能量的概率分布模型，对于给定的状态向量h和v，RBM此时的能量函数表示为下式(1)：

其矩阵表示为式(2)：

E(v,h)＝-a^Tv-b^Th-v^TWh (2)

有了能量函数后，即可求得可视层的特征向量v和隐含层的特征向量h的联合概率分布，如公式(3)：

式中P(v，h)为函数运算目标，表示可视层和隐含层的联合概率分布，其中Z为归一化因子,W是可视层和隐含层之间的权值矩阵，v和h分别为网络可视层和隐含层神经元的取值向量，c和b分别为网络可视层和隐含层神经元的偏置向量，T表示转置；

对于训练集的m个样本，在训练过程中利用对数似然损失函数L作为其目标函数，计算其极小值，即为改进算法之前的目标函数：

引入标签信息，基于引入标签信息的网络训练目标函数为：

F＝L+J (5)

式中，L为函数(4)，J为引入的交叉熵损失函数，其值如下式(6)；其中μ是性能参数；

式中，m为样本个数，t为分类类别数，分别选取性能参数μ，l_i为样本标签值，y_i为从隐含层H_s到分类器softmax的输出向量，计算如下式(7)、式(8)：

U_s＝f(W_uH_s+b_u) (7)

式中：f(x)为ELU激活函数，H_s＝(h₁,h₂,…,h_n)，U_s＝(u₁,u₂,…,u_t)分别为全连接层输入、输出神经元的激活值；W_u，b_u为全连接层的权值和偏置；y_i为分类器softmax的输出；将分类器的输出与标签信息的交叉熵添加到原始的目标函数中，以该复合损失函数最小为目标对网络进行训练，得到改进DBN网络训练目标函数为：

利用梯度下降法更新权值：

式(10)为权值更新公式，其中，W为训练过程中的权值矩阵，F为目标损失函数，η为其学习速率；同时，偏置也按照同样的方式更新；

至此第一层RBM训练完毕；将数据输出给第二个隐含层，重复上述步骤，训练第二、三层RBM。