【技术实现步骤摘要】
本专利技术属于水声信号处理领域，特别是涉及基于垂直阵的浅海水面水下目标分辨的深度学习方法。
技术介绍
1、在浅水波导中，区分浅源是被动声纳系统的难点之一。
2、在浅水波导中，利用vla接收含噪信号来判别源深度是一种有效手段。基于vla的浅海波导源深度判别方法主要分为三类，即基于匹配场的方法、基于模态能量分布的方法和基于深度学习的方法。匹配场在环境失配下稳健性(robustness)会大打折扣。基于模态能量分布的方法在实际情况中很难有效的划分各阶模态以及获得各阶模态能量分布。现有的深度学习算法存在一个难题，即获得的浅源和深源的特征分布可能会出现类间重叠。部分原因在于一些环境参数和物理特性限制下二者特征分布相似度较高，例如在分界深度附近。
3、对于解决水面水下目标特征重叠问题的研究，一篇相关的研究是基于特征工程和传统机器学习方法的水下目标分类研究。这种方法通常依赖于手工设计的特征提取和选择，然后使用传统的机器学习算法进行分类，如支持向量机(svm)、随机森林等。这种方法的缺点在于：
4、需要领域专家手动设计特征，这需要大量的领域知识和经验，并且很难捕捉到复杂的特征模式。
5、泛化能力受限于手动设计的特征和选择的算法，难以处理复杂的场景变化和数据分布。
6、对于环境噪声和干扰的鲁棒性较差，容易受到外部环境变化的影响而导致性能下降。
技术实现思路
1、为解决现有技术中存在的，水面水下目标的特征分布在特征空间上重叠的问题，本专利技术
2、基于垂直阵的浅海水面水下目标分辨的深度学习模型构建方法，所述方法包括：
3、采集训练用浅海水面水下目标对应的训练用水文数据的步骤；
4、根据所述训练用水文数据，得到相应声场的相干谱数据集的步骤；
5、根据预设模型，对所述相干谱数据集进行特征提取并抑制噪声的步骤；
6、对所述预设模型进行端对端优化的步骤。
7、进一步，提供一个优选实施方式，所述方法还包括：对所述预设模型中浅源和深源类别的损失进行平衡的步骤。
8、进一步，提供一个优选实施方式，采用类平衡交叉熵损失函数对所述预设模型中浅源和深源类别的损失进行平衡。
9、进一步，提供一个优选实施方式，根据所述训练用水文数据，基于简正波模型，得到相应声场的相干谱数据集。
10、进一步，提供一个优选实施方式，所述预设模型为se-rcbb模型。
11、基于同一专利技术构思，本专利技术还提供了基于垂直阵的浅海水面水下目标分辨的深度学习模型构建装置，所述装置包括：
12、采集训练用浅海水面水下目标对应的训练用水文数据的模块；
13、根据所述训练用水文数据，得到相应声场的相干谱数据集的模块；
14、根据预设模型，对所述相干谱数据集进行特征提取并抑制噪声的模块；
15、对所述预设模型进行端对端优化的模块。
16、基于同一专利技术构思，本专利技术还提供了基于垂直阵的浅海水面水下目标分辨的深度学习方法，所述方法包括：
17、采集目标浅海水面水下目标对应的水文数据的步骤；
18、根据所述的构建方法构建的模型，对所述水文数据进行特征提取并抑制噪声的步骤。
19、基于同一专利技术构思，本专利技术还提供了基于垂直阵的浅海水面水下目标分辨的深度学习装置，所述装置包括：
20、采集目标浅海水面水下目标对应的水文数据的模块；
21、根据所述的构建装置构建的模型，对所述水文数据进行特征提取并抑制噪声的模块。
22、基于同一专利技术构思，本专利技术还提供了计算机储存介质，用于储存计算机程序，当所述计算机程序被计算机读取时，所述计算机执行所述的构建方法。
23、基于同一专利技术构思，本专利技术还提供了计算机，包括处理器和储存介质，当所述处理器读取所述计算机储存介质中储存的计算机程序时，所述计算机执行所述的构建方法。
24、与现有技术相比，本专利技术提供的技术方案的有益之处在于：
25、本专利技术提供的基于垂直阵的浅海水面水下目标分辨的深度学习方法，针对水面水下目标在由于物理特性和环境参数相似下的分辨准确率低的问题，对水面水下目标的特征分布重叠区域进行研究，利用深度学习方法对类间距离和类内距离进行限制，即增大类间距离和减小类内距离，分离了二者的特征分布，进而抑制了类间重叠。能够有效的抑制类间重叠，实现高的分辨准确率。
26、本专利技术提供的基于垂直阵的浅海水面水下目标分辨的深度学习方法，通过使用简正波模型和kraken计算水下目标激发声场，构造相应的输入特征pfcs，有效地利用了水声信号的物理特性，提高了数据的信息含量和可分辨性。相比于传统方法中依赖手工设计的特征，这种数据预处理方式更能捕捉到水下目标的关键特征，提高了模型的性能。
27、本专利技术提供的基于垂直阵的浅海水面水下目标分辨的深度学习方法，设计的基于se-rcbb的深度学习模型结构能够在特征学习和噪声抑制方面取得显著效果。se-rcbb结构能够有效地关注重要特征，抑制噪声相关特征，提高了模型的鲁棒性和泛化能力。相比于一般的基于深度学习的方法，这种结构更符合水声信号处理的特点，能够更好地应对水下环境的复杂性。
28、本专利技术提供的基于垂直阵的浅海水面水下目标分辨的深度学习方法，采用了类平衡交叉熵损失函数和中心损失来平衡不同类别之间的距离，从而分离了特征分布并抑制了类间重叠。相比于传统方法和一般的基于深度学习的方法，这种损失函数设计更能够有效地处理类间重叠问题，提高了分类性能和模型的稳定性。
29、本专利技术提供的基于垂直阵的浅海水面水下目标分辨的深度学习方法，通过充分利用水声信号的物理特性、设计符合水下环境特点的网络结构以及采用有效的损失函数设计，取得了更好的水下目标分辨效果。传统方法和一般的基于深度学习的方法可能无法充分利用数据特点或无法处理类间重叠问题，而该方案通过综合考虑数据处理、模型设计和损失函数设计，提高了水下目标分辨的准确率和稳定性。
30、本专利技术提供的基于垂直阵的浅海水面水下目标分辨的深度学习方法，可以应用于水下目标识别和定位领域，如海洋勘测、水下探测、海洋资源开发等工作中。
本文档来自技高网...【技术保护点】
1.基于垂直阵的浅海水面水下目标分辨的深度学习模型构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于垂直阵的浅海水面水下目标分辨的深度学习模型构建方法，其特征在于，所述方法还包括：对所述预设模型中浅源和深源类别的损失进行平衡的步骤。
3.根据权利要求2所述的基于垂直阵的浅海水面水下目标分辨的深度学习模型构建方法，其特征在于，采用类平衡交叉熵损失函数对所述预设模型中浅源和深源类别的损失进行平衡。
4.根据权利要求1所述的基于垂直阵的浅海水面水下目标分辨的深度学习模型构建方法，其特征在于，根据所述训练用水文数据，基于简正波模型，得到相应声场的相干谱数据集。
5.根据权利要求1所述的基于垂直阵的浅海水面水下目标分辨的深度学习模型构建方法，其特征在于，所述预设模型为SE-RCBB模型。
6.基于垂直阵的浅海水面水下目标分辨的深度学习模型构建装置，其特征在于，所述装置包括：
7.基于垂直阵的浅海水面水下目标分辨的深度学习方法，其特征在于，所述方法包括：
8.基于垂直阵的浅海水面水下目标分辨的
9.计算机储存介质，用于储存计算机程序，其特征在于，当所述计算机程序被计算机读取时，所述计算机执行权利要求1所述的构建方法。
10.计算机，包括处理器和储存介质，其特征在于，当所述处理器读取所述计算机储存介质中储存的计算机程序时，所述计算机执行权利要求1所述的构建方法。
...【技术特征摘要】
1.基于垂直阵的浅海水面水下目标分辨的深度学习模型构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于垂直阵的浅海水面水下目标分辨的深度学习模型构建方法，其特征在于，所述方法还包括：对所述预设模型中浅源和深源类别的损失进行平衡的步骤。
3.根据权利要求2所述的基于垂直阵的浅海水面水下目标分辨的深度学习模型构建方法，其特征在于，采用类平衡交叉熵损失函数对所述预设模型中浅源和深源类别的损失进行平衡。
4.根据权利要求1所述的基于垂直阵的浅海水面水下目标分辨的深度学习模型构建方法，其特征在于，根据所述训练用水文数据，基于简正波模型，得到相应声场的相干谱数据集。
5.根据权利要求1所述的基于垂直阵的浅海水...
【专利技术属性】
技术研发人员：朴胜春，李圳，李楠松，王笑寒，郭俊媛，龚李佳，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。