基于深度神经网络的水下目标识别技术研究.pdfVIP

摘要

随着人类日常消耗造成陆地资源的枯竭，海洋必将成为人类未来获取资源的

重要来源之一，而水下目标识别技术作为人类探索海洋资源必不可缺少的部分，

越来越受到各国研究人员的关注。近年来，随着深度学习技术在各个领域应用的

成功，本文通过研究当前常用的深度神经网络（比如卷积神经网络和循环神经网

络等）方法，并结合数值分析等机器学习知识对网络模型参数优化，从而对深度

神经网络模型进行改进。利用深度神经网络提取特征用来替代现有的传统提取特

征的方法（比如小波变换、梅尔频率倒谱系数和希尔伯特黄变换等），探索其在

水下场景下目标识别的可行性，以期相比于基于传统特征提取的水下目标识别方

法有更高的识别准确率。具体而言，本文工作如下：

1）详细介绍了几种典型的特征提取和分类方法，作为本文对比实验的基准

方法。并对当前深度神经网络的两种网络模型进行了基本理论阐述。

2）通过分析常用的损失函数的优劣，提出一种基于卷积神经网络（CNN）

的水下目标识别方法。该方法将一个正则项嵌入到基本均方误差损失函数从而得

到了目标函数。同时，基于改进的目标函数，本文对CNN前向传播和反向传播

进行了分析，得到改进了适用于本文数据集的水下目标识别的CNN。

3）通过分析循环神经网络（RNN）和长短时记忆网络（LSTM）的各自优劣，

提出一种基于LSTM-RNN的水下目标识别方法。该方法结合本文数据集特点，

通过使用LSTM隐藏层神经元替代原生RNN隐藏层神经元，建立了LSTM-RNN，

避免了RNN的长期依赖关系所造成梯度爆炸和梯度消失的影响。

本文提出的两种方法在主动声呐回波信号的数据集进行了仿真验证，都获得

了很好的效果。并与作为基准的传统机器学习方法和改进的CNN方法对比，得

出基于LSTM-RNN方法在水下场景的目标识别准确率提升了至少2%的性能效

果。

关键词：水下目标识别,特征提取,卷积神经网络,循环神经网络,长短时记忆,长

短时记忆循环神经网络

Abstract

Withthedepletionofterrestrialresourcescausedbydailyconsumptionofhuman

beings,theoceanwillbecomeoneoftheimportantsourcesofhumanresourcesinthe

future.Underwatertargetrecognitiontechnologyisanindispensablepartofhuman

explorationofmarineresources,andithasattractedmoreandmoreattentionfrom

researchersinvariouscountries.Inrecentyears,withthesuccessofdeeplearning

technologyinvariousfields,thispaperimprovesthedeepneuralnetworkmodelby

studyingthecommonlyuseddeepneuralnetworks(suchasConvolutionalNeural

NetworksandRecurrentNeuralNetworks)algorithms,combinedwithtraditional

machinelearningknowledgeandotherparameteroptimizationmethods.Usingdeep

neuralnetworktoextractfeaturestoreplaceexistingtraditionalextractionfeatures

(suchaswavelettransform,Mel-freque