APP下载

基于深度自编码网络的舰船辐射噪声分类识别

2019-03-07严韶光康春玉夏志军李昆鹏

舰船科学技术 2019年2期
关键词:分类深度特征

严韶光,康春玉,夏志军,李昆鹏

(1. 海军大连舰艇学院 研究生队,辽宁 大连 116018;2. 海军大连舰艇学院 水武与防化系,辽宁 大连 116018)

0 引 言

水下被动目标的自动识别对于提高装备智能化程度有着重要意义,也是国内外水声领域的研究重点和难点。依靠舰船辐射噪声来解决目标分类识别问题是主要途径,近些年来陆续提出了一些新的解决方法,如提取连续谱特征,使用遗传算法改进的神经网络分类器完成目标分类识别[1];将免疫算法[2](Artificial immune algorithm,AIA)与支持向量机[3](Support vector machine,SVM)结合,不断选择适应度最高的SVM作为分类器[4];运用最小均方无失真响应(Minimu Variance Distortionless Response,MVDR)谱系数[5]作为特征参数,使用多分类支持向量机作为分类器等方法[6],但识别效果仍然有待提高。

2006 年,Hinton 提出的深度学习[7–9](Deep Learning,DL)直接掀起了人工智能又一轮研究热潮[10],且在语音识别[11–12]、图像识别[13–14]等模式识别领域取得了巨大的成功。但其在被动声呐目标识别这一模式识别领域的研究尚处于起步阶段。深度学习通过模拟人类大脑识别信息的过程,有意识的过滤无关信息,再从中逐层深入提取特征并据此完成分类识别。深度自编码器[15](Stacked Autoencoders,SAE)作为深度学习中的一种无监督学习网络,相比较线性的分类识别方法,SAE中的各层自编码器进行编码和解码的训练采用了非线性激活函数,它能够提取更充分的特征用于分类识别。相对于浅层神经网络而言,SAE能提取输入数据中最具代表性的深层特征来高效地完成目标的分类识别[16]。

本文在提取舰船辐射噪声Welch功率谱特征的基础上,提出了基于SAE的目标分类识别方法。……

登录APP查看全文

猜你喜欢

分类深度特征
分类算一算
如何表达“特征”
不忠诚的四个特征
深度观察
深度观察
深度观察
教你一招:数的分类
线性代数的应用特征