[发明专利]基于小样本训练图卷积网络的水下目标识别方法

说明书

本发明公开了一种基于小样本训练图卷积网络的水下目标识别方法，主要解决现有技术中对水下声音数据进行特征提取导致信息丢失以及小样本的水声数据无法有效拟合网络的问题。本发明的步骤如下：(1)生成小样本的训练集；(2)提取训练集中每个样本的特征；(3)构建特征矩阵集合；(4)构建知识图谱；(5)将知识图谱转换为连接矩阵；(6)构建图卷积网络；(7)训练图卷积网络；(8)对水下目标进行识别。本发明通过提取多个特征充分表征水声信号的特性，并且利用知识图谱融合特征特性，对小样本数据下网络的拟合提供了优化方向，具有网络不易过拟合、准确率高的优点。

技术领域

本发明属于信号处理技术领域，更进一步涉及声音目标识别技术领域中的一种基于小样本训练图卷积网络的水下目标识别方法。本发明针对水下声音数据获取难度大，特征提取导致信息丢失等多个现实问题，利用图网络进行知识嵌入以丰富先验知识的手段实现水下小样本目标的识别。

背景技术

目前，国内外对于水下目标分类识别的主要方法是基于语音信号处理与分类器相结合的模式识别方法，通常采用的方法一般包括利用声呐采集数据、对数据进行预处理、特征提取、分类决策等流程。最重要的两个步骤是特征提取和分类方法的选择。特征的提取一般是单一特征向量或是多特征向量直接拼接形成新的特征向量，分类识别的模型主要是一些主流的经典机器学习方法和深度学习方法，如K近邻、聚类、支撑矢量机、深度神经网络DNN(Deep Neural Networks)等。这些方法尽管在水下目标识别任务中取得了较好的分类结果，但是由于提取的特征数量不多，因此在特征提取操作后存在着信息丢失的风险；没有结合先验知识考虑到特征之间的联系性，盲目的对特征进行简单的拼接，而没有利用先验知识对特征之间联系性进行表征；在使用深度学习网络进行分类是还需要大量的数据对网络进行训练。因此在针对小样本情况下的水下目标识别时，分类精度并不高。

中国海洋大学在其申请的专利文献“一种多特征融合的水下目标识别方法”(申请号：202010930201.7申请公布号：CN112183582A)中公开了一种对声音信号从时域提取的短时能量特征和从频域提取的伽马通频率倒谱系数GFCC(Gammatone frequency cepstralcoefficients)进行首尾相接融合形成新的特征向量进行目标识别的方法。该方法的具体步骤为：对采集到的水声信号进行标准化处理，将结果映射到[0,1]之间，然后对信号分别在时域和频域上提取短时能量特征和GFCC特征，并将其首尾拼接形成融合成新的特征向量，用卷积神经网络(Convolutional Neural Networks)CNN-长短期记忆网络LSTM(LongShort-Term Memory)集成时序网络模型进行分类预测。该方法通过模拟人耳的听觉感知特性，提高了水下目标识别方法的分类精度。但是，该方法仍然存在的不足之处是，由于该方法提取到的特征数量少，无法全面的表征出原始声音信号各种特性，而且各个特征所表征的信息既独立而有相互影响，利用已有的先验知识对特征之间联系性进行表征，能够更好的将知识嵌入到输入数据中，而该方法中直接将两个特征直接进行拼接融合，则会丢失这部分信息。

王升贵等人在其发表的论文“基于深度学习的水下目标识别方法研究”(基于深度学习的水下目标识别方法研究[J].舰船科学技术,2020,42(23):141-145.)中提出了一种利用深度卷积神经网络对目标LOFAR图特征提取后，利用全连接网络对信号进行分类的方法。该方法的具体步骤为：利用深度卷积神经网络自适应实现对目标二维时频谱图(LOFAR)特征提取，然后采用全连接层将特征变换至类别空间，最后利用softmax函数实现水下目标智能辨识。该方法有效的降低了噪声的影响。但是，该方法仍然存在的不足之处是，由于该方法使用的网络包括了三个卷积层，以及一个全连接层，因此需要大量训练数据，但是当样本的数量不足时，无法有效的拟合网络。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于小样本训练图卷积神经网络的水下目标识别方法，用于解决提取信号特征少，无法全面表征水下目标声音特性的问题和样本不足时无法有效拟合网络的问题。