一维深度卷积网络的水下多目标识别方法

• 摘要：

  本发明提供的是一种一维深度卷积网络的水下多目标识别方法.采用6dB/倍频的一阶数字滤波器增强高频部分使信号频谱平坦;选用窗函数对信号进行截取,获得时长为170ms的信号作为卷积神经网络的最佳输入帧长;采用一维深度卷积网络对声音信号进行特征提取;使用训练样本集对卷积网络进行学习得到能获取最佳特征的网络结构参数;选择极限学习机对卷积网络的输出特征进行分类识别.本发明利用深度学习中的深度卷积网络对声音信号进行特征提取,替代传统的人工提取特征,自动提取的声音特征包含有更为丰富的识别信息.利用极限学习机对卷积网络自动提取的特征进行分类识别,能有效找出不同于传统人工分析的特征,提高了水下声音信号的识别率.

• 专利类型：

  发明专利

• 申请/专利号：

  CN201611019290.X

• 申请日期：

  2016.11.18

• 公开/公告号：

  CN106682574A

• 公开/公告日：

  2017-05-17

• 发明人：

  王科俊 卢安安 邢向磊

• 申请人：

  哈尔滨工程大学

• 主分类号：

  G06K9/00(2006.01)I,G,G06,G06K,G06K9

• 分类号：

  G06K9/00(2006.01)I,G06N3/04(2006.01)I,G06N99/00(2010.01)I,G,G06,G06K,G06N,G06K9,G06N3,G06N99,G06K9/00,G06N3/04,G06N99/00

• 主权项：

  一种一维深度卷积网络的水下多目标识别方法,其特征是:对水声信号的预加重、交叠分帧声音信号长度选择、输入卷积网络提取特征、调整选择网络参数、极限学习机进行分类识别,所述预加重是采用6dB/倍频的一阶数字滤波器增强高频部分使信号频谱平坦;所述交叠分帧声音信号长度选择是选用窗函数对信号进行截取,获得时长为170ms的信号作为卷积神经网络的最佳输入帧长;所述输入卷积网络提取特征是采用一维深度卷积网络对声音信号进行特征提取;所述调整选择网络参数是使用训练样本集对卷积网络进行学习得到能获取最佳特征的网络结构参数;所述极限学习机进行分类识别为选择极限学习机对卷积网络的输出特征进行分类识别.