結合批規范化層的深度學習模型在水中目標識別中的應用
網絡安全與數據治理
孫悅，彭圓，賈連徽，曹琳，郭欣雨，徐劍秋
水下測控技術重點實驗室
摘要： 針對深度學習模型在訓練水聲樣本數據時會出現穩定性差進而導致分類識別效果不佳的問題，從網絡的局部連接、空間位置排列以及模型設計的角度出發，研究在原有一維序列卷積核與一維序列池化的基礎上，引入批規范化層，構建了深度學習網絡模型。通過歸一化處理，達到加速網絡模型的收斂過程以及提高訓練過程中的穩定性的目的。最終為驗證該模型的有效性，對3類水聲目標樣本數據進行網絡訓練和模型驗證，證明該模型對水聲目標數據分類識別有一定程度的性能提升。
中圖分類號：TP183;TP391文獻標識碼：ADOI:10.19358/j.issn.2097-1788.2024.04.007
引用格式：孫悅，彭圓，賈連徽，等.結合批規范化層的深度學習模型在水中目標識別中的應用［J］.網絡安全與數據治理，2024，43（4）：41-45,52.
引用格式：孫悅，彭圓，賈連徽，等.結合批規范化層的深度學習模型在水中目標識別中的應用［J］.網絡安全與數據治理，2024，43（4）：41-45,52.
Application of deep learning model combined with batch normalization layer in underwater target recognition
Sun Yue，Peng Yuan，Jia Lianhui，Cao Lin，Guo Xinyu，Xu Jianqiu
Science and Technology on Underwater Test and Control Laboratory
Abstract： In view of the poor stability of deep learning in training underwater acoustic targets, resulting in poor classification and recognition performance, from the perspectives of local connectivity, spatial arrangement, and model design of the network, based on the original one-dimensional sequence convolution kernel and one-dimensional sequence pooling, this paper introduces batch normalization layer to build a deep learning network model. By normalizing, the goals of accelerating the convergence process of the network model and improving the stability during the training process are achieved. To verify the effectiveness of the model, network training and model validation are carried out on sample data of three types of underwater acoustic targets, which proves that the model also has a certain degree of performance improvement in improving the classification and recognition performance of underwater acoustic target data.
Key words : underwater acoustic target; deep learning; classification; network model
引言
傳統識別方式是針對確定性的數據，目標樣本確定，目標類型確定，應用已有的水聲特征提取方法，對確定性的數據進行特征提取，最終實現分類識別［1］。然而，由于數據值有誤或缺失以及各個傳感器的影響造成水聲數據的不確定性，影響了對水下目標的分類識別準確率。再加上當前具備可分辨性的物理特征數量稀少，受當前信號處理機制性能瓶頸限制，多目標強干擾、低信噪比等條件下的目標特征提取與識別能力尚無法滿足需求［2］。智能識別的出現革新了特征提取的模式，小樣本學習、遷移學習、深度學習等技術的迅猛發展，為智能水聲目標識別提供了新的機遇與挑戰［3］。深度學習是機器學習領域中的一種研究方法，它通過構建具有多個層次結構的神經網絡來模擬人類大腦的功能和思維過程。近年來，隨著計算機硬件性能的提升和大數據的普及，深度學習已經取得了眾多重要的研究和應用成果，成為人工智能領域的熱點之一。深度學習作為人工智能領域的一個子集被廣泛地應用于水聲目標識別領域。本文從網絡的局部連接、空間位置排列以及模型的設計角度出發，采用序列卷積與批規范化層的方式構造網絡模型，通過對比實驗得出添加了批規范化層的網絡模型收斂速度更快、分類識別效果也更好。
本文詳細內容請下載：
http://m.jysgc.com/resource/share/2000005967
作者信息：
孫悅，彭圓，賈連徽，曹琳，郭欣雨，徐劍秋
（水下測控技術重點實驗室，遼寧大連116013）
此內容為AET網站原創，未經授權禁止轉載。