[发明专利]基于主动深度学习的水下目标识别方法

权利要求书

1.一种基于主动深度学习的水下目标识别方法，其特征在于，该方法包括如下步骤：

步骤1：对水声信号原始数据进行预处理，并将其划分为备选集和测试集，备选集和测试集为互斥关系，建立初始状态下为空集的训练集；

步骤2：从步骤1中划分的备选集中，选择一部分数据，获取标注后从备选集移动到训练集，作为初始训练数据；

步骤3：使用训练集中的数据训练CNN模型，并在训练完成时记录模型性能；

步骤4：在剩余的备选集中，按照主动学习策略，挑选一定数量的数据，获取标注后移动到训练集；

步骤5：重复步骤3和4，直至备选集中的所有数据都加入训练集；

步骤6：模型训练结束，根据每步记录的模型性能，得出模型性能随训练数据量的增多而增长的变化关系。

2.根据权利要求1所述的基于主动深度学习的水下目标识别方法，其特征在于，步骤1中所述的对水声信号原始数据进行预处理，所述的数据预处理方法包括：对声信号高频部分进行预加重、将较长时间的信号划分为较短的片段的分帧、使帧的边缘平滑过渡到0的加窗。

3.根据权利要求1所述的基于主动深度学习的水下目标识别方法，其特征在于，步骤1中所述的将水声信号数据划分为互斥的备选集和测试集，具体方法是：从所有预处理后的水声信号数据中，随机抽取20％作为测试集，剩余作为备选集，并对测试集中的数据进行标注以作为CNN模型性能评判的标准。

4.根据权利要求1所述的基于主动深度学习的水下目标识别方法，其特征在于，步骤3中所述的使用训练集中的数据训练CNN模型，其中所述的CNN模型的结构如下表所示，它包含五个特征提取模块，前三个模块为一个卷积层+一个池化层的结构，后两个模块为两个卷积层+一个池化层的结构；特征提取后将输出展开成向量，随后连接三个全连接层，其中，第一个全连接层使用Dropout随机舍弃一部分神经元的输出，以降低过拟合；最后一个全连接层使用Softmax分类输出；此外，处理的是一维声呐回波数据，故网络中的特征图、卷积核和池化核都调整为一维结构；

5.根据权利要求1所述的基于主动深度学习的水下目标识别方法，其特征在于，步骤4中所述按照主动学习策略挑选一定数量的数据，其中所述主动学习样本选择策略包括：“不确定性标准”主动学习策略，以及“不确定性+多样性标准”主动学习策略。

6.根据权利要求5所述的基于主动深度学习的水下目标识别方法，其特征在于，所述“不确定性标准”主动学习样本选择策略的具体步骤是，从未标注样本中选择模型判定最模糊的样例，即模型对其所属类别的置信度最低的样例；对每一个样例x，使用分类器输出的可能性最大的两个预测的概率计算其不确定性，即unc(x)：

式中，p(y₁|x)和p(y₂|x)分别表示分类器输出中，样例x可能性最大和次大的两个所属类别的概率；unc(x)的值越大，说明模型对可能性最大的样例的置信度越高，分类器越不可能将样例分错；因此，主动学习器选择unc(x)值最小的样例作为不确定性最大的样例，送予标注并添加进训练集。

7.根据权利要求5中所述的基于主动深度学习的水下目标识别方法，其特征在于，所述“不确定性+多样性标准”主动学习样本选择策略的具体步骤是，在“不确定性标准”的基础上，使用距离度量来判断样例多样性，再将不确定性和多样性综合考虑，选择不确定性较高、样本多样性较大的数据作为选择结果；使用高斯核距离来度量两个样本x_i和x_j之间的相似度：

其中，σ是高斯核参数，设为1；

计算样例x对于某个由样例构成的集合Z的相似度时，用样例样例x与集合Z中和它相似度最大的样例之间的距离来表示：

sim(x,Z)值越小，说明样例x与集合Z之间的相似度越小，亦即样例x与集合Z中已有元素的冗余程度越小，这样选择出的样例的多样性越大；

使用“不确定性+多样性标准”的主动学习策略选择n个样例用于训练，则先使用“不确定性标准”选择m个不确定性较大的样本构成集合M＝{x₁,x₂,…,x_m}，再从M中使用如下式所示的综合考虑不确定性和多样性的方法，选择n个最优的样本：

score(x)＝λunc(x)+(1-λ)sim(x,M)

其中，λ为权衡参数，用于衡量不确定性和多样性的重要程度，设为0.8；最终计算出的score(x)分值最小的样例是综合考虑不确定性和多样性都较大的样例，其训练价值最大。