结合批规范化层的深度学习模型在水中目标识别中的应用
网络安全与数据治理
孙悦，彭圆，贾连徽，曹琳，郭欣雨，徐剑秋
水下测控技术重点实验室
摘要： 针对深度学习模型在训练水声样本数据时会出现稳定性差进而导致分类识别效果不佳的问题，从网络的局部连接、空间位置排列以及模型设计的角度出发，研究在原有一维序列卷积核与一维序列池化的基础上，引入批规范化层，构建了深度学习网络模型。通过归一化处理，达到加速网络模型的收敛过程以及提高训练过程中的稳定性的目的。最终为验证该模型的有效性，对3类水声目标样本数据进行网络训练和模型验证，证明该模型对水声目标数据分类识别有一定程度的性能提升。
中圖分類號：TP183;TP391文獻標識碼：ADOI:10.19358/j.issn.2097-1788.2024.04.007
引用格式：孫悅，彭圓，賈連徽，等.結合批規(guī)范化層的深度學習模型在水中目標識別中的應用［J］.網(wǎng)絡安全與數(shù)據(jù)治理，2024，43（4）：41-45,52.
引用格式：孫悅，彭圓，賈連徽，等.結合批規(guī)范化層的深度學習模型在水中目標識別中的應用［J］.網(wǎng)絡安全與數(shù)據(jù)治理，2024，43（4）：41-45,52.
Application of deep learning model combined with batch normalization layer in underwater target recognition
Sun Yue，Peng Yuan，Jia Lianhui，Cao Lin，Guo Xinyu，Xu Jianqiu
Science and Technology on Underwater Test and Control Laboratory
Abstract： In view of the poor stability of deep learning in training underwater acoustic targets, resulting in poor classification and recognition performance, from the perspectives of local connectivity, spatial arrangement, and model design of the network, based on the original one-dimensional sequence convolution kernel and one-dimensional sequence pooling, this paper introduces batch normalization layer to build a deep learning network model. By normalizing, the goals of accelerating the convergence process of the network model and improving the stability during the training process are achieved. To verify the effectiveness of the model, network training and model validation are carried out on sample data of three types of underwater acoustic targets, which proves that the model also has a certain degree of performance improvement in improving the classification and recognition performance of underwater acoustic target data.
Key words : underwater acoustic target; deep learning; classification; network model
引言
傳統(tǒng)識別方式是針對確定性的數(shù)據(jù)，目標樣本確定，目標類型確定，應用已有的水聲特征提取方法，對確定性的數(shù)據(jù)進行特征提取，最終實現(xiàn)分類識別［1］。然而，由于數(shù)據(jù)值有誤或缺失以及各個傳感器的影響造成水聲數(shù)據(jù)的不確定性，影響了對水下目標的分類識別準確率。再加上當前具備可分辨性的物理特征數(shù)量稀少，受當前信號處理機制性能瓶頸限制，多目標強干擾、低信噪比等條件下的目標特征提取與識別能力尚無法滿足需求［2］。智能識別的出現(xiàn)革新了特征提取的模式，小樣本學習、遷移學習、深度學習等技術的迅猛發(fā)展，為智能水聲目標識別提供了新的機遇與挑戰(zhàn)［3］。深度學習是機器學習領域中的一種研究方法，它通過構建具有多個層次結構的神經(jīng)網(wǎng)絡來模擬人類大腦的功能和思維過程。近年來，隨著計算機硬件性能的提升和大數(shù)據(jù)的普及，深度學習已經(jīng)取得了眾多重要的研究和應用成果，成為人工智能領域的熱點之一。深度學習作為人工智能領域的一個子集被廣泛地應用于水聲目標識別領域。本文從網(wǎng)絡的局部連接、空間位置排列以及模型的設計角度出發(fā)，采用序列卷積與批規(guī)范化層的方式構造網(wǎng)絡模型，通過對比實驗得出添加了批規(guī)范化層的網(wǎng)絡模型收斂速度更快、分類識別效果也更好。
本文詳細內(nèi)容請下載：
http://ihrv.cn/resource/share/2000005967
作者信息：
孫悅，彭圓，賈連徽，曹琳，郭欣雨，徐劍秋
（水下測控技術重點實驗室，遼寧大連116013）
此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權禁止轉載。