基于深度学习的水下目标识别分类方法研究.pdf

基于深度学习的水下目标识别分类方法研究

摘要

水下目标识别技术在海洋资源勘探、环境保护、军事侦察等领域具有重要意义。

由于水下环境的复杂性，水下目标识别技术面临诸多困难与挑战，近年来随着国防技

术的发展，水下目标识别技术变得越来越重要，因此有必要针对水下目标识别技术存

在的一些问题展开研究。本文针对水下目标识别中水下环境复杂，水下样本数量不足

的问题，开展水下目标特征提取研究，基于深度学习的水下目标识别分类方法研究和

基于迁移学习的水下目标识别研究。本文的主要研究内容一共有以下3点：

1.针对时域提取或频域提取不能适应复杂多变的特征提取环境的问题，开展水下

目标特征提取研究：研究短时傅里叶变换法和提取Mel谱图法两种特征提取方法的原

理与过程。通过线性调频信号和水下目标信号验证特征提取方法在水下目标识别中的

有效性和可行性，并对结果进行分析。通过不同特征提取方法对比，选择提取性能较

好的特征提取方法。

2.针对水声信号复杂，传统方法难以进行有效分类识别的特点，开展基于深度学

习的水下目标分类方法研究：研究卷积神经网络和残差神经网络两种分类识别的方法

的基本原理，网络结构和训练过程。通过卷积神经网络和残差神经网络目标识别分析

验证分类识别方法在水下目标识别的可行性，并通过不同分类识别方法的对比评估两

种分类方法在水下目标识别任务中的性能。

3.针对水下目标信号样本数量不足的问题，开展基于迁移学习的水下目标识别研

究：迁移学习是一种通过利用预训练模型来解决新任务的方法。通过迁移学习，可以

有效地缩短训练时间并提高识别准确率。本文研究迁移学习的原理和方法，设计迁移

学习有效性验证实验验证迁移学习的有效性。最后，通过结合前两部分的研究内容构

建基于迁移学习的水下目标识别框架。该框架在实际的水下目标识别任务中获得了

95.07%的识别准确率，有效解决水下目标识别存在的样本数量不足的问题。

关键词：水下目标识别；特征提取；分类识别；迁移学习

基于深度学习的水下目标识别分类方法研究

ABSTRACT

Underwatertargetrecognitiontechnologyisofgreatsignificanceinfieldssuchasmarine

resourceexploration,environmentalprotection,andmilitaryreconnaissance.Duetothe

complexityoftheunderwaterenvironment,underwatertargetrecognitiontechnologyfaces

manydifficultiesandchallenges.Inrecentyears,withthedevelopmentofnationaldefense

technology,underwatertargetrecognitiontechnologyhasbecomeincreasinglyimportant.

Therefore,itisnecessarytoconductresearchonsomeoftheproblemsexistinginunderwater

targetrecognitiontechnology.Inordertosolvetheproblemofcomplexunderwater

environmentandinsufficientunderwatersamplesinunderwatertargetrecognition,thispaper

conductsresearchonunderwatertargetfeatureextraction,underwatert