船舶辐射噪声分类卷积神经网络的可视化分析和卷积核剪枝.pdfVIP

第46卷第1期电

子

与

信

息

学

报Vol.

46No.

1

2024年1月Journal

of

Electronics

Information

TechnologyJan.

2024

船舶辐射噪声分类卷积神经网络的可视化分析和卷积核剪枝

*

徐源超

蔡志明

孔晓鹏

黄

炎

(海军工程大学电子工程学院

武汉

430033)

摘

要：当前基于深度神经网络的船舶辐射噪声分类研究主要关注分类性能，对模型的解释性关注较少。本文首

先采用导向反向传播和输入空间优化，基于DeepShip数据集，构建以对数谱为输入的船舶辐射噪声分类卷积神经

网络(CNN)，提出了一种船舶辐射噪声分类CNN的可视化分析方法。结果显示，多帧特征对齐算法改进了可视化

效果，深层卷积核检测线谱和背景两类特征。其次，基于线谱是船舶分类的稳健特征这一知识，提出了一种卷积

核剪枝方法，不仅提升了CNN分类性能，且训练过程更加稳定。导向反向传播可视化结果表明，卷积核剪枝后的

CNN更加关注线谱信息。

关键词：船舶辐射噪声分类；卷积神经网络；可视化分析；神经网络剪枝；导向反向传播

中图分类号：TN911.7;

TP181;

TB56文献标识码：A文章编号：1009-5896(2024)01-0074-09

DOI:

10.11999/JEIT230149

VisualizationAnalysisandKernelPruningofConvolutionalNeural

NetworkforShip-RadiatedNoiseClassification

XU

Yuanchao

CAI

Zhiming

KONG

Xiaopeng

HUANG

Yan

(CollegeofElectronicEngineering,NavalUniversityofEngineering,Wuhan430033,China)

Abstract:

Current

research

on

the

classification

of

ship-radiated

noise

utilizing

deep

neural

networks

primarily

focuses

on

aspects

of

classification

performance

and

disregards

model

interpretation.

To

address

this

issue,

an

approach

involving

guided

backwardpropagation

and

input

space

optimization

has

been

utilized

to

develop

a

Convolutional

Neural

Network

(CNN)

for

ship-radiated

noise

classification.

This

CNN

takes

a

logarithmic

scale

spectrum

as

input

and

is

based

on

the

DeepShip

dataset,

thus

presenting

a

visualization

method

for

ship-

radiated

noise

classification.

Results

reveal

that

the

multiframe

feature

alignment

algorithm

enhances

the

visualization

effect,