基于深度学习的海洋目标识别方法研究

• 作 者: 吴昊
• 出 处: 天津工业大学
• 发表日期: 2019年01期
• 关键词: 深度学习 海洋目标 分类框架 生成式对抗网络 轻量级神经网络

随着深度学习的不断发展,深度学习已经在图像、语音、自然语言处理、大数据特征提取等方面获得广泛的应用。越来越多的领域在融入深度学习技术之后,使得原本比较难处理的任务变得容易。海洋目标的识别与分类一直是水声信号处理领域中研究的重要内容,然而传统方法各方面资源消耗较大,因此,在海洋目标的识别中,越来越多的研究者使用深度学习方法。本文主要研究了基于深度学习的海洋目标识别方法。本文将深度学习与海洋目标识别领域相结合,通过对海洋目标进行预处理和特征提取从而达到识别和分类的目的。首先,通过各种渠道收集海洋音频数据,经过筛选和整理后将其汇聚为实验数据集。由于直接对音频文件进行分类效果不好,所以本文尝试将海洋目标转换为几种频谱后再进行分类,从而达到提高识别率的目的。实验结果表明,这种方法大大提高了识别精度。通过实验发现,LOFAR频谱在多个频谱对比中具有最高的准确性,即LOFAR谱是本文所选四类谱图中最适合深度学习训练的频谱。同时,本文以卷积神经网络为基础,设计了适合LOFAR样本的网络结构,大大提高了识别精度,准确率达到90.3%,达到了可以实际应用的预期目标。其次,由于目前基于深度学习的海洋目标的数据集较少,而数据集的规模对深度神经网络框架的模型训练效果起着至关重要的作用,所以本文通过设计适合LOFAR频谱的生成式对抗网络对水声数据集进行扩充,从而进一步提高了深度学习在海洋目标处理领域的分类识别能力,准确率达到95.6%。最后,在实际应用中对识别速率有较高的要求,所以本文设计了用于资源受限的嵌入式设备识别LOFAR谱图的轻量级神经网络,实验结果显示,参数量下降了14%,计算量下降了91.3%,计算速度得到提高。本文在海洋目标处理领域应用深度学习技术,对海洋目标进行预处理和特征提取,通过使用生成式对抗网络对数据集进行扩充,从而达到识别和分类的目的,并且使用轻量级神经网络降低了模型体积,提高了识别速度,达到了可以在资源受限的嵌入式设备上使用的标准。