[发明专利]一种机载雷达测深浅海底质分类方法

权利要求书

1.一种机载雷达测深浅海底质分类方法，其特征在于：包括以下步骤：

步骤1：基于“三段式”波形分解和二次曲面LM拟合算法，提取机载雷达测深多元波形和地形特征；

步骤2：构建强度和点云特征兼顾的双支CNN动态迁移学习分类模型，通过对强度分支和点云分支进行双重训练，提升网络结构的整体稳定性；

步骤3：通过动态调控网络自适应调整点云分支的全连接层参数，实现参数权重迁移，增强整体双支CNN动态迁移学习分类模型的泛化性和鲁棒性。

2.根据权利要求1所述的机载雷达测深浅海底质分类方法，其特征在于：在步骤1中，机载雷达测深多元波形和地形特征的提取方法如下：

步骤1.1：基于“三段式”波形分解方法，提取机载雷达测深多元波形特征；

步骤1.2：基于二次曲面LM拟合算法，提取机载雷达测深多元地形特征。

3.根据权利要求2所述的机载雷达测深浅海底质分类方法，其特征在于：“三段式”波形包括高斯函数拟合水面回波、双指数函数拟合水体回波和韦伯函数拟合底部回波；机载雷达测深多元波形特征包括振幅、波宽、半幅波宽、波形面积、偏态、峰度、反向散射截面系数、残差振幅和残差波宽；机载雷达测深多元地形特征包括坡度、高斯曲率、粗糙度、水深标准差、高程熵、起伏度、平均偏差、变异系数、凹凸系数。

4.根据权利要求1所述的机载雷达测深浅海底质分类方法，其特征在于：在步骤2中，双支CNN动态迁移学习分类模型的构建方法如下：

步骤2.1：机载雷达测深振幅信息即为强度信息，通过对提取的振幅特征进行内插获得机载雷达测深强度图像；

步骤2.2：将机载雷达测深强度图像依据海底点云分辨率大小进行分割，分割后的图像单元仅代表一种底质类型，通过分辨图像单元的颜色和纹理特征来实现强度分支分类；

步骤2.3：迁移强度分支的训练参数至点云分支，提取的多元波形和地形特征参数作为点云分支的输入矩阵，基于自主架构的CNN网络模型和迁移训练参数，完成点云分支训练；

步骤2.4：为保证强度分支与点云分支的差异值越来越小，实现两个分支的拟合趋近，需要使用MK-MMD概率适配方法度量两个分支分布间的距离；假设强度分支和点云分支在最后的高层输出分别为Y_t^A和Y_t^F，利用MK-MMD概率适配方法度量出Y_t^A与Y_t^F之间的差异distance(Y_t^A,Y_t^F)，并将该差异添加到双支CNN迁移学习模型的损失函数中，损失函数如公式(1)所示：

式中，zⁱ(θ)是点云分支样本xⁱ的预测标签；其中，i＝1,2,…,N；θ＝(θ₁,θ₂)是点云分支中动态调控网络的参数；yⁱ为点云分支样本的标记标签；λ是正则项系数；P＝(p₁,…,p_m)是动态调控网络预测得到的加权参数，||·||₁表示L₁范数；

步骤2.5：L₁范数能够使双支CNN迁移学习模型的权值矩阵更加稀疏，缓解模型过拟合问题；将目标损失函数进行优化，如公式(2)所示：

其中，L₂＝||P||₁；

步骤2.6：采用如公式(3)所示的具有可导性的等价形式来表示L₁范数：

式中，ε是一个很小的正常量。

5.根据权利要求1所述的机载雷达测深浅海底质分类方法，其特征在于：在步骤3中，动态调控网络的训练策略如下：

步骤3.1：通过动态调控网络得到加权向量，并将该向量迁移至点云分支，动态调控网络中隐藏层与输出层的连接参数的更新规则如公式(4)所示：

式中，为隐藏层与输出层的连接参数，m表示迭代次数，τ_M为学习率，Loss为目标损失函数；

步骤3.2：动态调控网络输入层与隐藏层的连接参数的更新规则如公式(5)所示：

式中，为输入层与隐藏层的连接参数，m表示迭代次数，τ_M为学习率，为的一阶导数，为激活函数，是隐藏层第j个神经元的输入，是输入层第i个神经元的输出，n为最后一层全连接层的神经元个数，为隐藏层与输出层的连接参数，为动态调控网络中输出层的局部梯度；

步骤3.3：固定动态调控网络，训练点云分支；然后固定点云分支，训练动态调控网络，通过不断交叉迭代完成训练参数的自适应动态调控。