針對傳統(tǒng)機器學習在水下目標識別方面嚴重依賴先驗知識、識別精度低的難題,提出基于深度學習的水下目標辨識方法。該方法通過短時傅里葉變換進行時頻分析獲取水下目標信號的LOFAR譜圖,將目標從一維序列空間映射至類別可分性更高的二維矢量空間。利用深度卷積神經(jīng)網(wǎng)絡(luò)自適應(yīng)實現(xiàn)對目標LOFAR圖特征提取,最后采用全連接層將特征變換至類別空間,用Softmax函數(shù)實現(xiàn)水下目標智能辨識。結(jié)合7類不同水下目標的實測艦船輻射噪聲數(shù)據(jù)從網(wǎng)絡(luò)模型結(jié)構(gòu)參數(shù)、激活函數(shù)、池化方法以及數(shù)據(jù)片段長度等方面對深度學習分類精度進行驗證。結(jié)果表明,利用二維時頻譜圖變換和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法可有效降低噪聲的影響,分類精度可達98.57%。驗證了基于深度學習的水下目標辨識方法的有效性,為海洋裝備智能目標探測與識別提供了一種新的研究思路與方法。

【文章頁數(shù)】：5 頁


本文編號：4005175