CN115510898B 一种基于卷积神经网络的舰船声尾流检测方法 （西北工业大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115510898B(45)授权公告日2025.07.01

(21)申请号202211087636.5

(22)申请日2022.09.07

(65)同一申请的已公布的文献号申请公布号CN115510898A

(43)申请公布日2022.12.23

(73)专利权人西北工业大学

地址710072陕西省西安市友谊西路

(72)发明人杨长生苟文博梁红

(74)专利代理机构西安凯多思知识产权代理事务所(普通合伙)61290

专利代理师刘新琼

(51)Int.CI.

GO6F18/10(2023.01)

GO6F18/213(2023.01)

GO6F18/214(2023.01)

GO6N3/0464(2023.01)

GO6N3/08(2023.01)

(56)对比文件

CN109583942A,2019.04.05CN114550164A,2022.05.27审查员李邵飞

权利要求书1页说明书4页附图1页

(54)发明名称

一种基于卷积神经网络的舰船声尾流检测方法

(57)摘要

CN115510898B本发明涉及一种基于卷积神经网络的舰船声尾流检测方法，属于目标检测领域。包括采集有尾流和无尾流时散射回波信号，对采集到的散射回波信号进行预处理，对预处理后的散射回波信号做小波变化得到小波系数矩阵，将时频特征图像集按照一定的比例划分为测试集和训练集，搭建卷积神经网络进行训练，利用训练好的模型

CN115510898B

开始

开始

数据集

预处理

训练集

构建卷积神经网络

网络优化

优化后网络模型

遇足检利要求

是

实现舰船尾流

检测

测试集

CN115510898B权利要求书1/1页

2

1.一种基于卷积神经网络的舰船声尾流检测方法，其特征在于步骤如下：

步骤1:采集有尾流和无尾流时散射回波信号；分别采集检测平台在不同深度、不同速度、不同信号发射角度以及发射不同信号频率和形式下的有尾流和无尾流时散射回波；

步骤2:对采集到的散射回波信号进行预处理，滤除不在频响范围内的噪声；

步骤3:对预处理后的散射回波信号做小波变化得到小波系数矩阵，然后进行可视化得到时频特征图像集；

步骤4:将时频特征图像集按照一定的比例划分为测试集和训练集，并对每一张时频图标注对应的标签；

步骤5:综合考虑网络的检测准确率、计算量和占用内存的大小，搭建卷积神经网络；所述的卷积神经网络为WakeNet检测网络，WakeNet由三个普通卷积层、四个bottleneck结构和一个全局平均池化层构成，输入网络的时频图首先经过卷积核大小为3×3的卷积层捕获宏观特征，之后经过四层bottleneck结构获取更深层次的特征，然后经过卷积核大小为1×1的卷积层提高网络的非线性分类性能，随后采用全局平均池化层对特征矩阵进行降维，最后采用卷积核大小为1×1的卷积层作为全连接层输出分类结果；

步骤6:使用训练集训练和优化卷积神经网络；

步骤7:将待测数据经过预处理、时频特征提取之后，通过优化好的神经网络模型给出检测结果，实现舰船尾流目标检测。

2.根据权利要求1所述基于卷积神经网络的舰船声尾流检测方法，其特征在于：步骤5所述的bottleneck结构为倒残差结构，是由Resnet网络中的残差结构改进而来，bottleneck结构首先经过卷积核大小为1×1的卷积层提高特征维度，然后经过3×3的DW卷积提取特征，最后经过卷积核大小为1×1的卷积层降低特征维度。

3.根据权利要求1所述基于卷积神经网络的舰船声尾流检测方法，其特征在于：步骤6中通过调节网络的超参数以提高网络的学习效果和性能，所述的超参数包括：学习率和批次大小。

4.一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1所述的方法。

5.一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现权利要求1所述的方法。

CN115510898B说明书