基于深度学习的水下声纳图像分类方法研究

摘要

随着声纳技术的快速发展，水下声纳图像分类领域的研究正在不断深入。水下声纳图像的分类研究无论在军事上还是民用上都有着重要意义，在军事上，有助于发现水雷、潜艇等，在民事上，有助于发现鱼群、检测坝底的完好程度等，能为今后的水下目标识别提供一定的借鉴作用。
　　传统的水下声纳图像分类方法是采取不同的提取特征方法来完成的分类，使其不能被广泛应用于水下声纳图像分类。而深度学习模型是通过内部网络结构自动提取图像特征，对图像分类有着重要影响。结合水下声纳图像的特点，研究深度学习相关理论与研究方法后，为水下声纳图像的分类构建深度信念网络(Deep Belief Network，DBN)和卷积神经网络（Convolutional Neural Network,CNN），并进行相应的分类实验。实验结果表明，CNN的分类效果优于DBN，但CNN中滤波器权值矩阵初始化的随机性会影响最终分类精度。针对CNN中滤波器权值矩阵初始化的随机性问题，结合水下声纳图像的特点和DBN内部网络结构，提出一种基于深度学习的自适应权值卷积神经网络（Adaptive Weights，AW-CNN）来完成对水下声纳图像的分类。利用DBN迅速得到良好特征提取矩阵的优势来自适应调整CNN滤波器权值矩阵的分布，即将DBN训练学习得到的权值矩阵来代替CNN中随机生成的滤波器权值矩阵。AW-CNN可以解决CNN中滤波器权值初始化的随机问题，避免陷入局部最优，提高分类正确率。在完成AW-CNN分类后，为了进一步提高水下声纳图像分类正确率，对原始声纳图像数据集进行预处理(AW-CNN with preprocessed dataset)，最终完成对水下声纳图像的分类。
　　实验从有效性，收敛性和可视化方面分别对AW-CNN进行验证。得到在保证收敛速度的基础上，AW-CNN的分类正确率更高的实验结果。同时可视化实验直观得到了AW-CNN可以更好的提取特征的效果。在验证了AW-CNN有效性、收敛性并对AW-CNN进行可视化后，用阶梯初始化水平集和灰度共生矩阵来对数据集进行预处理。实验结果表明，AW-CNN with preprocessed dataset的分类正确率最高，证明了数据集预处理有利于水下声纳图像分类，也进一步的证明了AW-CNN的有效性。

目录

声明

摘要

第1章绪论

1．1研究背景及意义

1．2国内外研究现状

1．2．1水下声纳图像分类研究现状

1．2．2深度学习图像分类研究现状

1．3论文主要研究内容

1．4论文组织结构

第2章相关理论与研究方法

2．1深度学习相关理论

2．1．1深度学习的基本概念

2．1．2深度学习模型简介

2．2深度信念网络相关理论

2．2．1受限玻尔兹曼机原理

2．2．2深度信念网络多层网络结构

2．2．3反向传播算法原理

2．3卷积神经网络相关理论

2．3．1卷积和池化

2．3．2激活函数

2．3．3优化算法

2．4本章小结

第3章基于深度学习的水下声纳图像分类方法

3．1实验环境

3．2实验评价指标

3．3数据集的构建

3．4基于DBN的水下声纳图像分类

3．4．1吉布斯采样

3．4．2对比散度算法

3．4．3深度信念网络模型

3．4．4基于DBN的水下声纳图像分类实验结果与分析

3．5基于CNN的水下声纳图像分类

3．5．1激活函数和优化算法实验结果与分析

3．5．2卷积神经网络模型

3．5．3基于CNN的水下声纳图像分类实验结果与分析

3．6本章小结

第4章基于AW-CNN的水下声纳图像分类

4．1自适应权值卷积神经网络模型

4．1．1自适应权值卷积神经网络优势分析

4．1．2自适应权值卷积神经网络实现过程

4．2基于AW-CNN的水下声纳图像分类过程

4．3实验结果与分析

4．3．1 AW-CNN有效性实验结果与分析

4．3．2 AW-CNN收敛性实验结果与分析

4．3．3 AW-CNN可视化实验结果与分析

4．3．4预处理数据集分类正确率分析

4．3．5 AW-CNN分类混淆矩阵实验结果与分析

4．4本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢