(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211264622.6 (22)申请日 2022.10.17 (71)申请人 天津工业大学 地址 300000 天津市西青区 宾水西道39 9号 (72)发明人 刘大利　申文豪　冯洪威　田禹　 苏宇辰　田文峰　 (74)专利代理 机构 天津企兴智财知识产权代理 有限公司 12 226 专利代理师 薛萌萌 (51)Int.Cl. G01S 15/88(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的小样本数水下目标识 别方法 (57)摘要 本发明提供了一种基于深度学习的小样本 数水下目标识别方法， 包括S1、 对水下目标辐射 噪声进行建模， 给出水下目标辐射噪声DEMON谱 处理方法， 对DEMON谱进行预处理； S2、 对辐射噪 声进行处理， 模拟目标不同的工作状态和运动状 态， 并抽取样本组合生成样本对， 用于神经网络 模型的训练、 验证和测试； S3、 设计基于一维卷积 神经网络的孪生网络模型， 对卷积神经网络的参 数进行训练， 用含不同多普勒频偏、 不同信噪比 和不同的谱线数量的验证集对网络性能进行评 估， 得到卷积神经网络模型， 用于计算两个水下 目标辐射噪声样本的 “相似度”， 进一步判断两个 样本是否为同类目标。 本发明有益效果： 可以解 决小样本数的水 下目标的识别问题。 权利要求书2页 说明书8页 附图2页 CN 115508838 A 2022.12.23 CN 115508838 A 1.一种基于深度学习的小样本数 水下目标识别方法， 其特 征在于： 包括如下步骤： S1、 对水下目标辐射噪声进行建模， 给出水下目标辐射噪声DEMON谱处理方法， 并对多 通道DEMON谱求通道间最大值， 得到单通道DEMON谱， 对单通道DEMON谱做减均值操作， 作为 卷积神经网络训练、 验证的样本； S2、 对水下目标辐射噪声进行处理， 模拟水下目标辐射噪声不同的工作状态和运动状 态， 加入多普勒频偏、 信噪比、 干扰谱线， 生成卷积神经网络所需的训练数据集、 验证数据集 和测试数据集， 并组合 生成样本对， 样本对用于卷积神经网络模型的训练、 验证和 测试； S3、 设计卷积神经网络模型： 用原始的水下目标辐射噪声DEMON谱对卷积神经网络的参数进行训练， 用含不同多普 勒频偏、 不同信噪比和不同的谱线数量的验证集对网络性能进行评估， 得到卷积神经网络 模型， 卷积神经网络模型用于计算两个水下目标辐 射噪声样本的相似度函数， 进一步判断 两个水下目标辐射噪声样本是否为同类目标。 2.根据权利要求1所述的一种基于深度学习的小样本数水下目标识别方法， 其特征在 于： 在步骤S1中的所述多通道DEMON谱表示为Xi(k)， 其中0≤i＜N， 0≤k＜L， N表示DEMON谱 处理的通道数， L表示 傅里叶变换的长度； 在每个频率处， N 通道的谱线取最大值， 组成一个单通道DE MON谱， 单通道DE MON谱为： 其中， Y(k)构成单通道数据； Xi(k)为多通道DE MON谱； 对Y(k)进行减均值操作， 调整Y(k)的中心点， 减均值操作为以下流 程： 每一个频点的谱线减去Y(k)的均值， 然后与0比较， 取较大值， 保证样本的谱线为非负 值， 减均值操作过程表示 为： 对Y′(k)进行归一化处理， 即谱线的最大值不能超过1， 在[0,1]范围内， 归一化处理操 作表示为： 其中， Z(k)为预处 理之后的样本 。 3.根据权利要求1所述的一种基于深度学习的小样本数水下目标识别方法， 其特征在 于： 在步骤S2中的带多普勒频偏的水 下目标辐射噪声表示 为： L1(t)＝L( ηt) 其中， L(t)为目标辐射噪声， η为尺度变换因子， η＝c/(c+v)≈1 ‑v/c＝1‑fd， v为相对径 向运动速度， c为 水中声速， fd＝v/c表示相对的多普勒频偏； 通过改变fd的值， 生成带不同多 普勒频偏的水 下目标辐射噪声； 不同信噪比的水 下目标辐射噪声表示： L2(t)＝L(t)+δ N(t) 其中， n(t)为高斯白噪声； 调整系数δ 的值， 生成不同信噪比的水 下目标辐射噪声； 不同谱线的水下目标辐射噪声， 通过改变L(t)中正弦信号的数量， 生成不同干扰谱线权　利　要　求　书 1/2 页 2 CN 115508838 A 2的水下目标辐射噪声。 4.根据权利要求1所述的一种基于深度学习的小样本数水下目标识别方法， 其特征在 于： 在步骤S2中的所述样本对的抽取 方法为以下流 程： 对多个种类的水下目标辐射噪声分别 进行DEMON处理， 得到的多个样本Z(k)， 构成训练 样本； 在同类目标的样本中， 任取两个样 本， 构成一组样本对， 称为正样 本对； 在任意两种不 同类目标的样本中， 任意各取一个样本， 构成一组样本对， 称为负样本对； 重复样本抽取和 组合过程， 得到多组正样本对和负 样本对， 用于卷积神经网络模型的训练； 对多个种类的水下目标辐射噪声进行处理， 加入多普勒频偏、 信噪比、 干扰谱线， 模拟 目标不同的工作状态和运动状态， 然后进行DEMON处理， 得到的多个样本Z(k)， 构成验证和 测试样本； 在同类目标的样本中， 任取两个样本， 构成一组正样本对； 在任意两种不同类目 标的样本中， 任意各取一个样本， 构成一组负样本对； 重复样本抽取和组合过程， 得到多组 正样本对和负 样本对， 用于卷积神经网络模型的验证和 测试； 给上述的样本对添加标签， 正样本对的标签为1， 负 样本对的标签为0 。 5.根据权利要求1所述的一种基于深度学习的小样本数水下目标识别方法， 其特征在 于： 在步骤S 3中的所述基于卷积神经网络模型， 具备对称的结构， 由两个共享权重的一 维卷 积神经网络组合全连接网络组成； 卷积神经网络模型 的输入为两个样本构成的样本对， 每 个样本的数据量为2048； 一维卷积神经网络包含4个卷积层、 4个池化层和2个全连接层； 每 个卷积层的卷积核 数量为4， 长度为4， 每个池化层将数据量压缩为上一池化层的一半， 全连 接网络输出数据为64； 卷积神经网络模型输出 的两路数据计算交叉熵损失， 通过最小化交 叉熵损失， 进行卷积神经网络模型 的训练和优化； 最终卷积神经网络模型得到两个样本的 相似度函数， 相似度函数用于判断两个样本是否为同一类目标。 6.一种电子设备， 包括处理器以及与处理器通信连接， 且用于存储所述处理器可执行 指令的存储器， 其特征在于： 所述处理器用于执行上述权利要求 1‑5任一所述的一种基于深 度学习的小样本数 水下目标识别方法。 7.一种服务器， 其特征在于： 包括至少一个处理器， 以及与所述处理器通信连接的存储 器， 所述存储器存储有 可被所述至少一个处理器执行的指 令， 所述指 令被所述处理器执行， 以使所述至少一个处理器执行如权利要求 1‑5任一所述的一种基于深度学习的小样本数水 下目标识别方法。 8.一种计算机可读取存储介质， 存储有计算机程序， 其特征在于： 所述计算机程序被处 理器执行时实现权利要求1 ‑5任一所述的一种基于深度学习的小样本数水下目标识别方 法。权　利　要　求　书 2/2 页 3 CN 115508838 A 3