申请/专利权人：西北工业大学

申请日：2021-05-16

公开（公告）日：2021-08-06

公开（公告）号：CN113221758A

主分类号：G06K9/00(20060101)

分类号：G06K9/00(20060101);G06N3/04(20060101);G06N3/08(20060101)

优先权：

专利状态码：有效-授权

法律状态：2023.07.14#授权;2021.08.24#实质审查的生效;2021.08.06#公开

摘要：本发明公开了一种基于GRU‑NIN模型的水声目标识别方法，本发明方法基于多层堆叠GRU结构，将多层堆叠GRU结构顶层所有GRU输出的隐含状态作为MLP卷积操作中输入的多通道特征图，通过一层1x1卷积微网络，实现了不同滤波器得到的多通道特征图之间的整合，使网络学习到复杂的跨特征图特征，同时压缩GRU隐含状态维度；MLP卷积层后连接全局平均池化层，计算MLP卷积后特征图的空间平均，然后将输出馈入Softmax层来加强特征图和类别之间的对应关系。在此框架下，本发明模型可以实现水声目标识别的特征提取和分类识别任务。实验结果表明，该模型比多层堆叠GRU模型具有更好的分类识别性能。

主权项：1.一种基于GRU-NIN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：数据处理；读取已知标签的水声目标样本，将水声目标样本划分为训练集、验证集和测试集；步骤2：构建GRU-NIN模型；所述GRU-NIN模型包括输入层、2个GRU层、一维MLP卷积层、一维全局平均池化层、Softmax输出层和4个Dropout层；所述4个Dropout层分别设置在2个GRU层、一维MLP卷积层、一维全局平均池化层后面；将水声目标样本首先从输入层依次输入第1个GRU层、第1个Dropout层、第2个GRU层和第2个Dropout层，输出全部隐含状态信息；将全部隐含状态信息作为多通道特征图输入一维MLP卷积层和第3个Dropout层，获取跨特征图特征；再将跨特征图特征输入一维全局平均池化层和第4个Dropout层，计算跨特征图特征的空间平均；最后将跨特征图特征的空间平均输入Softmax层完成目标类别属性判别；步骤3：采用训练集和验证集数据对GRU-NIN模型进行训练；对GRU-NIN模型进行随机初始化，采用稀疏分类交叉熵损失函数计算损失，采用Adam算法优化梯度；在训练过程中，首先进行前向传播计算GRU-NIN模型输出，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不断减小误差，使模型的实际输出逼近期望输出；最后完成对GRU-NIN模型的训练，得到最终的GRU-NIN模型；步骤4：GRU-NIN模型测试；使用测试集对最终的GRU-NIN模型进行测试，采用查准率、召回率和F1值三个指标对网络模型进行误差度量；三个指标的定义分别如下： 其中TP为预测是目标i实际也是目标i的目标样本数，FN为预测不是目标i但实际是目标i的目标样本数，FP为预测是目标i实际不是目标i的目标样本数，TN为预测不是目标i实际也不是目标i的目标样本数；P为查准率，即所有预测是目标i的目标中，实际是目标i的比例；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的比例；F1的值与模型性能正相关。

全文数据：

权利要求：

百度查询： 西北工业大学 一种基于GRU-NIN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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD