技術(shù)特征：

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

步驟1：獲取N個(gè)單類水聲目標(biāo)類信號(hào)作為樣本信號(hào)，對(duì)樣本信號(hào)進(jìn)行FFT變換，得到每個(gè)樣本信號(hào)頻譜的幅度譜，所有樣本信號(hào)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(gè)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(gè)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(jì)算SVDD單類分類器h_t的加權(quán)分類錯(cuò)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(cè)試信號(hào)的特征，構(gòu)成測(cè)試樣本y；

步驟12：對(duì)測(cè)試樣本y進(jìn)行識(shí)別，判斷測(cè)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(cè)試樣本y判為目標(biāo)類；如果H(y)＜0，測(cè)試樣本y判為非目標(biāo)類。

2.根據(jù)權(quán)利要求1所述一種基于多模型融合的單類水聲目標(biāo)識(shí)別方法，其特征在于：

步驟8中，計(jì)算SVDD單類分類器h_t的加權(quán)分類錯(cuò)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(bào)錯(cuò)，否則，取T＝t-1，并轉(zhuǎn)至步驟11。