[发明专利]一种基于GRU-NIN模型的水声目标识别方法

说明书

本发明公开了一种基于GRU‑NIN模型的水声目标识别方法，本发明方法基于多层堆叠GRU结构，将多层堆叠GRU结构顶层所有GRU输出的隐含状态作为MLP卷积操作中输入的多通道特征图，通过一层1x1卷积微网络，实现了不同滤波器得到的多通道特征图之间的整合，使网络学习到复杂的跨特征图特征，同时压缩GRU隐含状态维度；MLP卷积层后连接全局平均池化层，计算MLP卷积后特征图的空间平均，然后将输出馈入Softmax层来加强特征图和类别之间的对应关系。在此框架下，本发明模型可以实现水声目标识别的特征提取和分类识别任务。实验结果表明，该模型比多层堆叠GRU模型具有更好的分类识别性能。

技术领域

本发明属于目标识别技术领域，具体涉及一种水声目标识别方法。

背景技术

水声目标识别是水声信号处理的重要组成部分，也是水声信息获取和水声信息对抗的重要技术支撑。由于海洋环境复杂，利用目标辐射噪声进行水声目标识别具有很大的挑战性。然而，传统水声目标被动识别系统中，特征提取和分类器通常是两个相对独立的环节，其分步处理方法没有考虑特征提取和分类器的匹配程度。同时，传统的基于机器学习(Machine Learning,ML)的水声目标识别方法多采用手工设计的特征和浅层分类器。这些手工设计的特征依赖于专家知识和先验知识，泛化能力较弱；浅层分类器的线性和非线性拟合能力有限。近年来，随着深度学习(Deep Learning,DL)方法在计算机视觉领域的广泛应用，越来越多的用于水下目标识别的深度学习方法被提出。区别于传统浅层学习方法，深度学习方法通过多层线性和非线性拟合，将样本在原空间的特征表示变换到一个新的特征空间，从而使用于分类的信息更加凸显。同时，深度网络能够从原始数据中自动学习特征表示，避免了依赖手动特征提取，简化了构建水声目标被动识别系统流程。

门控循环单元(Gated Recurrent Unit,GRU)联合网络中网络(Network inNetwork,NIN)常用语目标识别。水声目标辐射噪声数据的时域信号是一个典型的包含幅值和相位信息的序列。GRU是一种典型的门控循环神经网络，具有内部反馈机制，擅长于捕获序列信息。与长短时记忆(Long Short-Term Memory，LSTM)网络相比，GRU网络参数较少，但其识别性能可与LSTM媲美。与标准卷积神经网络(Convolutional Neural Networks,CNN)相比，NIN在每个卷积层之后都采用了一个微网络(MLP卷积层)来增强局部建模。此外，NIN采用了全局平均池化，与全连接层相比，全局平均池化没有参数，不需要优化参数，避免了该层过拟合。而经典的多层堆叠GRU网络模型作为分类器时，会将多层堆叠GRU顶层某一GRU输出的隐含状态作为后续Softmax层的输入来完成分类任务。

发明内容

为了克服现有技术的不足，本发明提供了一种基于GRU-NIN模型的水声目标识别方法，本发明方法基于多层堆叠GRU结构，将多层堆叠GRU结构顶层所有GRU输出的隐含状态作为MLP卷积操作中输入的多通道特征图，通过一层1x1卷积微网络，实现了不同滤波器得到的多通道特征图之间的整合，使网络学习到复杂的跨特征图特征，同时压缩GRU隐含状态维度；MLP卷积层后连接全局平均池化层，计算MLP卷积后特征图的空间平均，然后将输出馈入Softmax层来加强特征图和类别之间的对应关系。在此框架下，本发明模型可以实现水声目标识别的特征提取和分类识别任务。实验结果表明，该模型比多层堆叠GRU模型具有更好的分类识别性能。

本发明解决其技术问题所采用的技术方案包括如下步骤：

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；