买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:西北工业大学
摘要:本发明为基于多尺度稀疏SRU分类模型的水声目标识别方法,该方法利用不同层级SRU学习到的不同特征表达,对输入数据多尺度的特征进行特征融合,将融合后的特征组合作为分类器最后一层的特征输入,完成多类目标的分类识别任务。同时,在该分类模型中添加跳跃连接来加快了模型收敛,减小训练时间。
主权项:1.基于多尺度稀疏SRU分类模型的水声目标识别方法,其特征在于,包括以下步骤:步骤1:水声目标样本数据获取和预处理,包括以下三个步骤:步骤1.1:定义有若干水声目标,其中取n类水声目标作为研究对象并进行标记,其中n≥3;其中n类水声目标各带有m个音频文件;其中m≥15;将每类水声目标中的每个音频文件从初始开始截取t秒,再分帧,得到水声目标样本数据,其中t≥5;步骤1.2:将得到的水声目标样本数据分为训练集、验证集和测试集,且步骤1.3:将训练集、验证集数据进行标准化处理,给测试集数据增加不同SNR的带限白噪声后进行标准化处理;步骤2:将步骤1.3中标准化处理后的训练集、验证集和测试集的时域波形作为多尺度稀疏SRU分类模型的输入,进行模型训练和测试,包括以下子步骤:步骤2.1:构建多尺度稀疏SRU分类模型,包括以下两步骤:步骤2.1.1:构建多尺度SRU块,每个SRU块都是由一个单层或多层堆叠SRU联合一个跳跃连接组合而成;不同的SRU块通过不同层堆叠的SRU来学习输入数据的特征表达,堆叠层数不同,隐含节点数不同,学习到的特征是不同的,这些特征可以被认为是输入数据不同的特征表达形式;浅层堆叠和较少的隐含节点数获取低层次特征,深层堆叠和较多的隐含节点数学习高层次特征;越低层次的特征能反映数据的局部特性,高层次的特征则具有抽象性和不变性;;其中,单层SRU的计算如下: 式中,Xt是第t个时间步的输入;σ是sigmoid函数,将输入映射到0到1之间,ht-1是t-1时刻的隐含状态;Wf、Wr和W为参数矩阵,vf,vr,bf和br为训练中需要学习的参数向量;公式1和2分别定义了t时刻的遗忘门ft和重置门rt;式3定义了t时刻的候选隐含状态式4定义了t时刻最终的隐含状态ht,其中为一个跳跃连接,g是非线性tanh函数,将输入映射到-1到1之间,是一个点积运算符;步骤2.1.2:构建稀疏连接所以将步骤2.1.1得到的多个多尺度的SRU块进行稀疏连接,获得不同SRU块学习到的特征表达的融合形式,再将融合后的特征组合作为分类器即模型顶层的特征输入,完成多类目标的分类识别任务;所述模型由输入层、4个SRU块、多特征层和1个全连接层组成;其中,每个SRU块都由一个SRU和一个LayerNormalization层构成;LayerNormalization层多用于RNN网络中,在通道方向上对目标输入进行归一化操作;每个SRU块在模型输入和多特征层间添加跳跃连接,构成了网络的局部构造;所述4个SRU块中的SRU分别为1层、2层、3层和4层;隐含节点数分别为16、32、64和256;每个SRU块内部结构都是全连接的,非稀疏的,4个SRU块之间则是稀疏连接的;模型顶层连接1层全连接层;全连接层不激活,直接作为判别层输出实际输出概率;步骤2.2:对标准化处理后的训练集和验证集进行模型训练,首先进行前向传播计算实际输出概率,再通过反向梯度传播算法更新网络参数,降低损失函数的损失值来不断减小误差,使模型的实际输出概率越来越接近期望输出概率;步骤2.3:为了测试失匹配条件下所创建模型对未知数据集的训练效果,将测试集作为已保存最优模型的输入,对模型分类性能进行进一步的测试,测试时,使用F1值对网络模型进行误差度量,其中F1值的定义如公式5: 其中P为查准率,即所有预测是目标i的目标中,实际是目标i的百分比,i=1,2,3;R为召回率,即所有实际为目标i的目标中,成功预测为目标i的百分比;F1值可以看作是P和R的加权平均值;使用F1值评价不同算法的优劣;F1值越高,模型算法分类性能越好;步骤3:将步骤2.2中获得的验证集正确识别率作为训练过程中的评价指标,步骤2.3中的F1值作为测试过程中的评价指标。
全文数据:
权利要求:
百度查询: 西北工业大学 基于多尺度稀疏SRU分类模型的水声目标识别方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。