[发明专利]一种基于GRU-NIN模型的水声目标识别方法

权利要求书

1.一种基于GRU-NIN模型的水声目标识别方法，其特征在于，包括以下步骤：

步骤1：数据处理；

读取已知标签的水声目标样本，将水声目标样本划分为训练集、验证集和测试集；

步骤2：构建GRU-NIN模型；

所述GRU-NIN模型包括输入层、2个GRU层、一维MLP卷积层、一维全局平均池化层、Softmax输出层和4个Dropout层；所述4个Dropout层分别设置在2个GRU层、一维MLP卷积层、一维全局平均池化层后面；

将水声目标样本首先从输入层依次输入第1个GRU层、第1个Dropout层、第2个GRU层和第2个Dropout层，输出全部隐含状态信息；将全部隐含状态信息作为多通道特征图输入一维MLP卷积层和第3个Dropout层，获取跨特征图特征；再将跨特征图特征输入一维全局平均池化层和第4个Dropout层，计算跨特征图特征的空间平均；最后将跨特征图特征的空间平均输入Softmax层完成目标类别属性判别；

步骤3：采用训练集和验证集数据对GRU-NIN模型进行训练；

对GRU-NIN模型进行随机初始化，采用稀疏分类交叉熵损失函数计算损失，采用Adam算法优化梯度；在训练过程中，首先进行前向传播计算GRU-NIN模型输出，再通过反向梯度传播算法更新网络参数，降低损失函数的损失值不断减小误差，使模型的实际输出逼近期望输出；最后完成对GRU-NIN模型的训练，得到最终的GRU-NIN模型；

步骤4：GRU-NIN模型测试；

使用测试集对最终的GRU-NIN模型进行测试，采用查准率、召回率和F1值三个指标对网络模型进行误差度量；三个指标的定义分别如下：

其中TP为预测是目标i实际也是目标i的目标样本数，FN为预测不是目标i但实际是目标i的目标样本数，FP为预测是目标i实际不是目标i的目标样本数，TN为预测不是目标i实际也不是目标i的目标样本数；P为查准率，即所有预测是目标i的目标中，实际是目标i的比例；R为召回率，即所有实际为目标i的目标中，成功预测为目标i的比例；F1的值与模型性能正相关。

2.根据权利要求1所述的一种基于GRU-NIN模型的水声目标识别方法，其特征在于，所述GRU层计算如下：

r_t＝σ(W_rxX_t+W_rhh_t-1+b_r)

z_t＝σ(W_zxX_t+W_zhh_t-1+b_z)

其中，r_t和z_t分别为t时刻的重置门和更新门，为t时刻的候选隐含状态，h_t和h_t-1分别为t时刻和t-1时刻输出的隐含状态；σ为sigmoid函数，X_t为输入，W_rx、W_rh、W_zx、W_zh、和均为GRU层中的参数矩阵，b_r、b_z和b均为GRU层中的参数向量，·为矩阵中的点乘运算。

3.根据权利要求1所述的一种基于GRU-NIN模型的水声目标识别方法，其特征在于，所述第1个GRU层和第2个GRU层的隐含节点数分别为32和64。

4.根据权利要求1所述的一种基于GRU-NIN模型的水声目标识别方法，其特征在于，所述一维MLP卷积层使用ReLU非线性激活函数，卷积核大小为32。

5.根据权利要求1所述的一种基于GRU-NIN模型的水声目标识别方法，其特征在于，所述一维MLP卷积层使用单层1x1卷积避免网络过拟合。

6.根据权利要求1所述的一种基于GRU-NIN模型的水声目标识别方法，其特征在于，所述4个Dropout层的dropout rate取值均为0.25。

7.根据权利要求1所述的一种基于GRU-NIN模型的水声目标识别方法，其特征在于，所述采用Adam算法进行优化时，学习率设为0.0001，训练次数为50次。