文献类型：期刊文章

作　　者：王小宇[1] 李凡[1] 曹琳[3] 李军[2] 张驰[1] 彭圆[3] 丛丰裕[1]

Wang Xiaoyu;Li Fan;Cao Lin;Li Jun;Zhang Chi;Peng Yuan;Cong Fengyu(School of Biomedical Engineering,Faculty of Electronic Information and Electrical Engineering,Dalian University of Technology,Dalian,Liaoning 116024,China;Department of Underwater Weaponry and Chemical Defense,Dalian Naval Academy,Dalian,Liaoning 116018,China;Science and Technology on Underwater Test and Control Laboratory,Dalian,Liaoning 116013,China)

机构地区：[1]大连理工大学电子信息与电气工程学部生物医学工程学院,辽宁大连116024 [2]海军大连舰艇学院水武与防化系,辽宁大连116018 [3]水下测控技术重点实验室,辽宁大连116013

出　　处：《信号处理》

基　　金：国家自然科学基金项目支持(91748105);中央高校基本科研业务费支持(DUT2019);水下测控技术重点实验室基金支持(614240705010617,614240705011707)。

年　　份：2020

卷　　号：36

期　　号：6

起止页码：958-965

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：由于水声信号的高度复杂性,基于特征工程的传统水下目标识别方法表现欠佳。基于深度学习模型的水下目标识别方法可有效减少由于特征提取过程带来的水声信号信息损失,进而提高水下目标识别效果。本文提出一种适用于水下目标识别场景的卷积神经网络结构,即在卷积模块化设计中引入卷积核为1的卷积层,更大程度地保留水声信号局部特征,且降低模型的复杂程度;同时,以全局平均池化层替代全连接层的方式构造基于特征图对应的特征向量主导分类结果的网络结构,使结果更具可解释性,且减少训练参数降低过拟合风险。实验结果表明该方法得到的水下目标识别准确率(91.7%)要优于基于传统卷积神经网络(69.8%)和基于高阶统计量特征的传统方法识别表现(85%)。这说明本文提出的模型能更好保留水声信号的时域结构,进而提高分类识别效果。

关 键 词：水下目标识别 卷积神经网络 高阶统计量

分 类 号：TN911.7]