基于深度学习的水下目标识别方法研究

摘要

针对传统机器学习在水下目标识别方面严重依赖先验知识、识别精度低的难题,提出基于深度学习的水下目标辨识方法.该方法通过短时傅里叶变换进行时频分析获取水下目标信号的LOFAR谱图,将目标从一维序列空间映射至类别可分性更高的二维矢量空间.利用深度卷积神经网络自适应实现对目标LOFAR图特征提取,最后采用全连接层将特征变换至类别空间,用Softmax函数实现水下目标智能辨识.结合7类不同水下目标的实测舰船辐射噪声数据从网络模型结构参数、激活函数、池化方法以及数据片段长度等方面对深度学习分类精度进行验证.结果表明,利用二维时频谱图变换和卷积神经网络相结合的方法可有效降低噪声的影响,分类精度可达98.57％.验证了基于深度学习的水下目标辨识方法的有效性,为海洋装备智能目标探测与识别提供了一种新的研究思路与方法.