基于深度学习理论的水声目标识别方法研究

[1]王强. 基于深度学习理论的水声目标识别方法研究[D]. 西北工业大学.

8 |" Z0 `+ j- I; Q: w1 ]

目标识别是水声探测的重要任务之一，也是水声信号处理领域的难题。利用各种信号分析处理手段提取特征，再结合模式识别方法设计分类器对目标类别属性进行判断，这是现有研究常用的方法。在面向实用时，这类方法尚难以解决训练-测试失配和样本类别缺失等问题。

2 p Z. l* `2 C7 W4 e; L& k* a

为了解决上述问题，本文分别从特征提取、识别方法以及构建联合优化系统三个方面进行研究。基于深度学习、因子分析、生成式概率建模等理论提出了特征学习及增强方法，分别针对有、无样本类别信息情况开展了有监督识别和无监督聚类方法研究，并通过对三个实测水声数据集的实验研究，证明了本文方法的有效性。本文主要工作包括：

1）提出谱乘法及因子分析方法用于增强传统目标特征特征容易受到多种工况影响是训练-测试失配问题产生的原因之一。本文在信号级提出一种谱乘法用于增强目标特征，用于实测噪声环境下提取鲁棒特征。本文还提出利用因子分析方法提取不同时刻水声信号共有特征进而提高鲁棒性的方法。这两种方法的有效性分别在有监督的目标识别和无监督聚类系统中得到了验证。

2）提出对不同数据集具有适应性的深度学习特征提取方法选择适用于当前数据集的特征是水声目标识别的重要问题。以往研究中提取的多种特征对不同数据集的测试性能差异很大。本文从深度学习角度，基于数据集自动学习用于特征提取的底层神经网络参数，提取出最有可能表达出当前数据集信息的特征。实验表明，这种学习策略可以有效地提高特征在不同数据集上的鲁棒性。

! ` B. L* c/ _8 U, P

3）研究堆叠神经网络在水声目标识别中的应用本文将能够对新数据进行不断训练的深度学习方法引入到水声目标识别问题中，研究这类方法在水声目标识别系统中的性能。实验表明，这些方法既继承了深度学习特征对不同数据集的鲁棒性特点，不弱于组合了最优特征和分类器的传统方法，又能在原有堆叠深度学习特征和分类器的基础上进一步提高系统整体性能。

9 [5 B9 e! g7 J2 u' T

4）提出新的卷积神经网络架构用于水声目标识别

本文提出了一种用于水声目标信号的卷积神经网络架构，实现了从信号波形到信号类别的直接映射关系。对卷积核施加均值为零的约束、L2 正则化约束以及正交化约束，以提升卷积神经网络的性能。实验结果表明，该方法能够显著地提升识别性能。

" v* ~. {5 \2 C {: Q

5）基于传统特征及深度学习特征的无监督水声目标聚类方法研究

# ^, t. S& r* N# e

本文面对水声数据集类别信息缺失问题提出的挑战，对水声数据聚类方法进行了研究：1）引入 k-means 和高斯混合模型（GMM）用于分析无类别信息数据集；2）引入基于 Dirichlet 过程的 GMM（DP-GMM）聚类方法，用于解决类别数目估计的问题；3）测试了多种特征和聚类方法的组合在水声数据集上的性能。结果显示，与有监督目标识别任务相似，深度学习特征在不同数据集上聚类性能也更加稳健。

6）特征提取和识别/聚类一体化系统构建方法研究

本文区分有监督识别和无监督聚类，分别提出了构建一体化系统的方法。在有监督识别中，构建了不同的深度神经网络，通过底层网络实现对水声信号特征提取，然后通过 softmax 层连接到输出的类别信息层。实验表明，这些深度神经网络能够通过整体优化策略进一步提高性能。在无监督聚类中，基于图模型架构，提出一种深度生成式聚类方法，并提出相应的联合优化算法实现了目标特征提取以及聚类方法的融合。该方法通过 Gibbs 采样进行学习优化，构建了一套能够直接从目标信号底层信息中提取特征并进行聚类分析的一体化系统。在不同数据集上通过与其他聚类方法进行对比，证明了一体化系统具有更好的性能。

3 F* ~0 s, ]; Q$ L7 L0 h6 q

关键词：水声目标识别，被动声呐信号，特征提取，谱乘法，深度神经网络，卷积神经网络，因子分析，深度生成式聚类方法，Dirichlet 过程，高斯混合模型，聚类分析

. F4 m# \1 D. Q3 t ( Y& T' w& V3 [, E - ? j% ?* H# W- i