本發(fā)明涉及一種水聲目標(biāo)識別方法，這個方法是基于多模型融合的單類水聲目標(biāo)識別方法，是一種準(zhǔn)確度高和泛化性好的單類水聲目標(biāo)識別方法。

背景技術(shù)：

在水聲目標(biāo)識別領(lǐng)域，單類目標(biāo)識別是指只能獲得一類樣本(即目標(biāo)類樣本)用于訓(xùn)練分類器，訓(xùn)練好的分類器要能夠判斷測試樣本是目標(biāo)類樣本或者非目標(biāo)類樣本。由于獲取水聲數(shù)據(jù)樣本成本高，代價大，水聲目標(biāo)數(shù)據(jù)是小樣本數(shù)據(jù)，單類目標(biāo)識別常常出現(xiàn)欠學(xué)習(xí)或過學(xué)習(xí)的問題。因此單類目標(biāo)識別的正確率和泛化性能較低的問題一直難以解決。

現(xiàn)有的水聲目標(biāo)識別方法主要是用于多類目標(biāo)識別的方法，這些方法主要分為多類目標(biāo)的特征提取和多類目標(biāo)分類器這兩大部分?，F(xiàn)有的水聲目標(biāo)特征提取方法多依賴先驗(yàn)知識和專家知識，但是在單類水聲目標(biāo)識別應(yīng)用中常常無法獲得有關(guān)目標(biāo)類和非目標(biāo)類區(qū)別的先驗(yàn)知識和專家知識，因此現(xiàn)有多類水聲目標(biāo)特征提取方法無法滿足單類水聲目標(biāo)識別的要求。單類目標(biāo)識別的訓(xùn)練樣本只有一個類別，因此用于多類水聲目標(biāo)識別的分類器無法實(shí)現(xiàn)單類目標(biāo)識別。在中國知網(wǎng)、萬方、IEEE和Springerlink等國內(nèi)外數(shù)據(jù)庫上，沒有檢索到應(yīng)用于單類水聲目標(biāo)識別的特征提取方法和分類器設(shè)計方法。而現(xiàn)有的用于其它應(yīng)用領(lǐng)域的單類目標(biāo)識別方法，沒有針對單類水聲目標(biāo)小樣本識別問題，無法解決由此產(chǎn)生的單類水聲目標(biāo)識別的準(zhǔn)確度低和泛化性能較低的問題。

技術(shù)實(shí)現(xiàn)要素：

為了解決單類水聲目標(biāo)識別的正確率和泛化性能較低的問題，本發(fā)明提出一種基于多模型融合的單類水聲目標(biāo)識別方法，這個方法集成了以下模型：基于深度自編碼網(wǎng)絡(luò)的單類水聲目標(biāo)特征提取模型、用于單類分類器的集成學(xué)習(xí)模型和支持向量數(shù)據(jù)域描述單類分類器(Support Vector Data Description，SVDD)?；诙嗄Ｐ腿诤系膯晤愃暷繕?biāo)識別方法為解決訓(xùn)練樣本只有一類，小樣本的單類水聲目標(biāo)識別的準(zhǔn)確度低和泛化性能較低的問題提供一種新的技術(shù)途徑和方法。

技術(shù)方案

所述一種基于多模型融合的單類水聲目標(biāo)識別方法，其特征在于：包括以下步驟：

步驟1：獲取N個單類水聲目標(biāo)類信號作為樣本信號，對樣本信號進(jìn)行FFT變換，得到每個樣本信號頻譜的幅度譜，所有樣本信號頻譜的幅度譜組成訓(xùn)練樣本矩陣；利用訓(xùn)練樣本矩陣訓(xùn)練深度自編碼神經(jīng)網(wǎng)絡(luò)；

步驟2：利用步驟1訓(xùn)練好的深度自編碼神經(jīng)網(wǎng)絡(luò)，提取單類水聲目標(biāo)的特征，構(gòu)成初始訓(xùn)練樣本集

步驟3：根據(jù)訓(xùn)練樣本個數(shù)N，初始化樣本權(quán)值

步驟4：設(shè)置循環(huán)代數(shù)T，并令迭代標(biāo)記t＝1；

步驟5：按照概率p_t(i)從初始訓(xùn)練樣本集X中抽N個樣本組成訓(xùn)練樣本集X_t，其中

步驟6：利用訓(xùn)練樣本集X_t和n折交叉驗(yàn)證法選擇第t代SVDD分類器的核參數(shù)(C_t,σ_t)；

步驟7：利用訓(xùn)練樣本集X_t和核參數(shù)(C_t,σ_t)訓(xùn)練SVDD單類分類器h_t；

步驟8：計算SVDD單類分類器h_t的加權(quán)分類錯誤率其中

h_t(x_i)表示將樣本x_i放入分類器h_t中得到的分類結(jié)果；

步驟9：更新樣本權(quán)值：

其中

并進(jìn)行歸一化處理

步驟10：判斷t＝T是否成立；若成立，則轉(zhuǎn)至步驟11；若不成立，則取t＝t+1，轉(zhuǎn)至步驟5；

步驟11：步驟11：利用訓(xùn)練好的深度自編碼神經(jīng)網(wǎng)絡(luò)提取測試信號的特征，構(gòu)成測試樣本y；

步驟12：對測試樣本y進(jìn)行識別，判斷測試樣本y是否是目標(biāo)類，判斷公式如下：

$H\left(y\right)=\underset{t=1}{\overset{T}{\Σ}}{q}_t{h}_t\left(y\right)$

其中分類器權(quán)值為如果H(y)≥0，測試樣本y判為目標(biāo)類；如果H(y)＜0，測試樣本y判為非目標(biāo)類。

進(jìn)一步的優(yōu)選方案，所述一種基于多模型融合的單類水聲目標(biāo)識別方法，其特征在于：步驟8中，計算SVDD單類分類器h_t的加權(quán)分類錯誤率后，如果ε_t≥0.5或者ε_t＝0，判斷t是否等于1，若t等于1，則報錯，否則，取T＝t-1，并轉(zhuǎn)至步驟11。

有益效果

本發(fā)明提出了一種基于多模型融合的單類水聲目標(biāo)識別方法。本方法首先利用深度自編碼神經(jīng)網(wǎng)絡(luò)提取水聲目標(biāo)的特征，構(gòu)建水聲目標(biāo)深度特征訓(xùn)練樣本集；然后利用Adaboost算法(體現(xiàn)在步驟5至步驟10)進(jìn)行SVDD單類分類器集成學(xué)習(xí)(Ada-SVDDE)，得到單類水聲目標(biāo)識別模型。這個模型可以對測試樣本做出是否是目標(biāo)類的判斷。這個方法打破利用專家知識和先驗(yàn)知識提取水聲目標(biāo)的傳統(tǒng)模式，利用深度自編碼網(wǎng)絡(luò)直接從原始信號提取單類水聲目標(biāo)的特征；通過增加個體分類器之間的差異性和準(zhǔn)確性，利用集成學(xué)習(xí)，構(gòu)建準(zhǔn)確度高和泛化性好的單類水聲目標(biāo)識別模型。

本發(fā)明的附加方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實(shí)踐了解到。

附圖說明

本發(fā)明的上述和/或附加的方面和優(yōu)點(diǎn)從結(jié)合下面附圖對實(shí)施例的描述中將變得明顯和容易理解，其中：

圖1：本發(fā)明方法的流程圖。

具體實(shí)施方式

下面詳細(xì)描述本發(fā)明的實(shí)施例，所述實(shí)施例是示例性的，旨在用于解釋本發(fā)明，而不能理解為對本發(fā)明的限制。

本實(shí)施例中的基于多模型融合的單類水聲目標(biāo)識別方法集成了以下模型：基于深度自編碼網(wǎng)絡(luò)的單類水聲目標(biāo)特征提取模型、用于單類分類器的集成學(xué)習(xí)模型和支持向量數(shù)據(jù)域描述單類分類器(Support Vector Data Description，SVDD)，包括以下步驟：

步驟1：獲取N個單類水聲目標(biāo)類信號作為樣本信號，對樣本信號進(jìn)行FFT變換，得到每個樣本信號頻譜的幅度譜，所有樣本信號頻譜的幅度譜組成訓(xùn)練樣本矩陣；利用訓(xùn)練樣本矩陣訓(xùn)練深度自編碼神經(jīng)網(wǎng)絡(luò)。

步驟2：利用步驟1訓(xùn)練好的深度自編碼神經(jīng)網(wǎng)絡(luò)，提取單類水聲目標(biāo)的特征，構(gòu)成初始訓(xùn)練樣本集

步驟3：根據(jù)訓(xùn)練樣本個數(shù)N，初始化樣本權(quán)值

步驟4：設(shè)置循環(huán)代數(shù)T，并令迭代標(biāo)記t＝1。

步驟5：按照概率p_t(i)從初始訓(xùn)練樣本集X中抽N個樣本組成訓(xùn)練樣本集X_t，其中即對初始訓(xùn)練樣本集X進(jìn)行N次抽取操作，每次抽取1個樣本放入訓(xùn)練樣本集X_t中，且在X中保留該樣本，X中每個樣本被抽取到的概率為p_t(i)。

步驟6：利用訓(xùn)練樣本集X_t和n折交叉驗(yàn)證法選擇第t代SVDD分類器的核參數(shù)(C_t,σ_t)。

步驟7：利用訓(xùn)練樣本集X_t和核參數(shù)(C_t,σ_t)訓(xùn)練SVDD單類分類器h_t。

步驟8：計算SVDD單類分類器h_t的加權(quán)分類錯誤率其中

h_t(x_i)表示將樣本x_i放入分類器h_t中得到的分類結(jié)果。

進(jìn)一步的，在計算SVDD單類分類器h_t的加權(quán)分類錯誤率后，如果ε_t≥0.5或者ε_t＝0，判斷t是否等于1，若t等于1，則報錯，否則，取T＝t-1，并轉(zhuǎn)至步驟11。如果不滿足ε_t≥0.5或者ε_t＝0，則進(jìn)入下一步。

步驟9：更新樣本權(quán)值：

其中

并進(jìn)行歸一化處理

步驟10：判斷t＝T是否成立；若成立，則轉(zhuǎn)至步驟11；若不成立，則取t＝t+1，轉(zhuǎn)至步驟5。

步驟11：步驟11：利用訓(xùn)練好的深度自編碼神經(jīng)網(wǎng)絡(luò)提取測試信號的特征，構(gòu)成測試樣本y。

步驟12：對測試樣本y進(jìn)行識別，判斷測試樣本y是否是目標(biāo)類，判斷公式如下：

$H\left(y\right)=\underset{t=1}{\overset{T}{\Σ}}{q}_t{h}_t\left(y\right)$

其中分類器權(quán)值為如果H(y)≥0，測試樣本y判為目標(biāo)類；如果H(y)＜0，測試樣本y判為非目標(biāo)類。

基于上述原理，下面給出具體實(shí)施例：

(1)有目標(biāo)類水聲信號480個，非目標(biāo)類信號1440個；隨機(jī)抽取240個目標(biāo)類信號作為訓(xùn)練數(shù)據(jù)，其余數(shù)據(jù)全部做測試數(shù)據(jù)。并對每個水聲訓(xùn)練數(shù)據(jù)信號做FFT變換，獲得每個信號頻譜的幅度譜，構(gòu)成(240*2048)的訓(xùn)練樣本矩陣。

(2)利用訓(xùn)練樣本訓(xùn)練五層深度自編碼神經(jīng)網(wǎng)絡(luò)，深度自編碼神經(jīng)網(wǎng)絡(luò)每層的神經(jīng)元個數(shù)為2048,500,100,500,2048，當(dāng)訓(xùn)練完成，利用中間隱含層的神經(jīng)元的激活值作為水聲目標(biāo)的特征，得到(240*100)的訓(xùn)練樣本的特征矩陣

(3)訓(xùn)練樣本集為初始化樣本權(quán)值，

$D_1\left(1\right)=D_1\left(2\right)=...-D_1\left(240\right)=\frac{1}{N}=\mathrm{0.0042.}$

(4)設(shè)置循環(huán)代數(shù)T＝10，迭代標(biāo)記t＝1。

(5)計算第一代樣本抽取概率故

p₁(1)＝p₁(2)＝p₁(3)＝...＝p₁(240)＝0.0042，按照樣本抽取概率p₁(i)從X中抽取240個樣本組成樣本集X₁。

(6)利用X₁，將240個樣本分成5份，每次取其中4份訓(xùn)練，1份測試，用這樣5折交叉驗(yàn)證法選出第1代SVDD分類器的最佳核參數(shù)(C₁,σ₁)＝(0.01,1.6)。

(7)用X₁和(6)中得到的最佳核參數(shù)(C₁,σ₁)＝(0.01,1.6)訓(xùn)練SVDD分類器h₁。

(8)根據(jù)被錯誤分類樣本的權(quán)值求和計算出h₁的加權(quán)分類錯誤率ε₁＝0.1917，

(9)更新樣本權(quán)值，得到第二代的樣本權(quán)值：

D′₂(1)＝0.001,D′₂(2)＝0.001,D′₂(3)＝0.042,...,D′₂(240)＝0.001，其中有46個被錯誤分類樣本權(quán)值為0.042。

再歸一化處理，得到

D₂(1)＝0.0026,D₂(2)＝0.0026,D₂(3)＝0.0109,...,D₂(240)＝0.0026，其中有46個被錯誤分類樣本歸一化后的權(quán)值為0.0109。

(10)t＝1+1＝2，轉(zhuǎn)至(5)

(11)循環(huán)重復(fù)，得到十代SVDD分類器的加權(quán)分類錯誤率

ε₁＝0.1917，ε₂＝0.1860,ε₃＝0.1859....，

計算分類器權(quán)值q₁＝1.6518,q₂＝1.6820,q₃＝1.6825...。

(12)利用訓(xùn)練好的5層深度自編碼網(wǎng)絡(luò)對240個目標(biāo)類水聲信號和1440個非目標(biāo)類信號進(jìn)行特征提取，得到測試樣本的特征矩陣(1680*100)。

(13)將測試樣本的特征矩陣(1680*100)依次計算，得到每個測試樣本的類別屬性矩陣(1680*1)。

(14)根據(jù)類別屬性矩陣的正負(fù)判斷歸屬，得出目標(biāo)類測試數(shù)據(jù)識別正確率是87.3％，非目標(biāo)類測試數(shù)據(jù)識別正確率是90.5％。

盡管上面已經(jīng)示出和描述了本發(fā)明的實(shí)施例，可以理解的是，上述實(shí)施例是示例性的，不能理解為對本發(fā)明的限制，本領(lǐng)域的普通技術(shù)人員在不脫離本發(fā)明的原理和宗旨的情況下在本發(fā)明的范圍內(nèi)可以對上述實(shí)施例進(jìn)行變化、修改、替換和變型。