Page 126 - 应用声学2019年第2期

272 2019 年 3 月

由上述结果可以看出，该水下目标识别分类方 [5] 陈冬, 李钢虎, 赵亚楠. 基于 MVDR 的 MFCC 方法在水下目
法在本文所采用几组测试集条件下，对水面目标的 标识别中的应用 [J]. 声学与电子工程, 2013(3): 23–25.
Chen Dong, Li Ganghu, Zhao Yanan. Application of
识别分类正确率在 86% 以上，对水下目标的识别分
MFCC method based on MVDR in underwater tar-
类正确率在 87%以上，说明本文提出的基于 MFCC get recognition[J]. Acoustics and Electronic Engineering,
的水下目标识别分类方法是可行的。另外，识别分 2013(3): 23–25.
[6] Hinton G E, Salakhutdinov R R. Reducing the dimen-
类过程仅需要输入水下声目标声压数据，其间数据
sionality of data with neural networks[J]. Science, 2006,
处理、分类识别都不经人工干预，因此该方法可应用 313(5786): 504–507.
于水下无人平台对水下目标进行智能化识别分类。 [7] Vincent P, Larochelle H, Lajoie I, et al. Stacked denois-
ing autoencoders: learning useful represent actions in a
deep network with a local denoising criterion[J]. Journal
3 结论
of Machine Learning Research, 2010, 12: 3371–3408.
[8] Hinton G E, Osindero S , Teh Y W. A fast learning algo-
本文针对未来水下无人平台智能化识别分类 rithm for deep belief nets[J]. Neural Computation, 2006,
水下目标的需求，提出了一种基于梅尔倒谱系数特 18(7): 1527–1554.
[9] Krizhevsky A, Sutskever I, Hinton G E. Imagenet classi-
征和长短时记忆网络的水下声目标智能识别分类
fication with deep convolutional neural networks[C]. Ad-
方法，该方法通过提取水下声目标的 MFCC特征系 vances in Neural Information Processing Systems, 2012.
数作为深度学习模型输入向量，有监督训练 LSTM [10] Szegedy C, Liu W, Jia Y Q, et al. Going deeper with
convolutions[C]. Proceeding of the IEEE Conference on
模型，以实现对未知目标噪声进行识别分类。经验
computer Vision and Pattern Recognition, 2015.
证表明，该模型能够有效地区分水面和水下两类目 [11] Mikolov T, karafiat M, Burget L, et al. Recurrent neural
标，且具备一定的智能识别分类能力。 network based language model[C]. Interspeech, 2010, 2:
3.
[12] Hochreiter S, Schmidhuber J. Long short-term memory[J].
Neural Computation, 1997, 9(8): 1735–1780.
参 考 文 献
[13] Chung J, Gulcehre C, Cho K H, et al. Empirical evalua-
tion of gated recurrent neural networks on sequence mod-
[1] 韩雪. 基于听觉特征的水中目标辐射噪声特征提取 [D]. 哈尔 eling[J]. arXiv Preprint, arXiv: 1412.3555, 2014.
滨: 哈尔滨工程大学, 2013. [14] Goodfellow I, Pouget-Abadie J, Mirza M, et al. Genera-
[2] 李新欣. 船舶及鲸类声信号特征提取和分类识别研究 [D]. 哈 tive adversarial nets[C]. Advances in Neural Information
尔滨: 哈尔滨工程大学, 2012. Processing Systems, 2014: 2672–2680.
[3] 王华奎, 朱三文. 基于改进 MFCC 的水下目标识别算法 [15] Mirza M, Osindero S. Conditional generative adversarial
[C]//中国声学学会水声学分会 2013 年全国水声学学术会议 nets[J]. arXiv Preprint, arXiv: 1411.1784, 2014.
论文集, 2013, 32(5): 338–340. [16] Greff K, Srivastava R K, Koutník J, et al. LSTM: a search
[4] 刘许, 宋阳. 多特征融合的舰船目标分类研究 [J]. 舰船科学技 space odyssey[J]. IEEE Transactions on Neural Networks
术, 2016, 38(7A): 88–90. and Learning Systems, 2017, 28(10): 2222–2232.
Liu Xu, Song Yang. Classification of ship targets based [17] Gers F, Schraudolph N N, Schmidhuber J. Learning pre-
on multi feature fusion[J]. Ship Science and Technology, cise timing with LSTM recurrent networks[J]. Journal of
2016, 38(7A): 88–90. Machine Learning Research, 2003, 3(1): 115–143.