使用深度学习的多通道水下目标识别
Multi-channel underwater target recognition using deep learning作者机构:中国科学院声学研究所语言声学与内容理解重点实验室北京100190 中国科学院大学北京100049 中国科学院声学研究所水下环境特性重点实验室北京100190 中国科学院声学研究所声场声信息国家重点实验室北京100190 中国科学院新疆理化技术研究所新疆民族语音语言信息处理重点实验室新疆830011
出 版 物:《声学学报》 (Acta Acustica)
年 卷 期:2020年第45卷第4期
页 面:506-514页
核心收录:
学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 1002[医学-临床医学] 082403[工学-水声工程] 08[工学] 081104[工学-模式识别与智能系统] 0824[工学-船舶与海洋工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0702[理学-物理学] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家自然科学基金项目(61901466,11590774,11590770) 国家重点研发计划项目(2019QY1805)资助
主 题:深度神经网络 深度学习 水下目标识别 通道特征 特征提取 平均正确率 水听器阵列 频率区间
摘 要:为解决低信噪比条件下水下目标识别率低的问题,提出一种适用于多通道水听器阵列的深度学习水下目标识别方法。首先是采用子通道特征级联的方法利用多通道信息;在特征提取方面,采用对信号的不同频率区间进行加权的特征提取器,并对提取的特征进行正则规整;最后采用深度神经网络(Deep Neural Network,DNN)实现目标识别。实验首先在仿真条件下对所提出方法的有效性进行验证,结果表明在-15 dB信噪比条件下的五目标识别任务中,使用多通道级联特征的深度神经网络的识别正确率达到96.7%,显著高于基于支持向量机(Support Vector Machine,SVM)的方法。在后续的湖上试验中,深度神经网络的平均正确率达到96.0%,进一步验证了所提出方法的有效性。