Page 197 - 应用声学2019年第4期

第 38 卷 第 4 期 程玉胜等： 水声被动目标识别技术挑战与展望 657

2.2 数据试验结果 络提取的深度特征值通过softmax函数映射到(0,1)
在对舰船辐射噪声信号进行一定的预处理后， 区间内，得到输出层的值。softmax函数的表达式为
使用堆叠自编码神经网络逐层提取输入数据的深 x i
e n
度特征。针对某商船信号，设计五层自编码神经网 y i = ∑ x j , (3)
e n
络，每一层网络节点数设置如表3所示。 j

表 3 自编码神经网络的神经元连接设置 式 (3) 中，x 表示网络第 n 层第 i 个节点的值，y i 表
i
n
Table 3 Nodes setting of auto-encoder 示输出层第i个节点的值。
neural network
对输入数据的深度特征提取，也可以认为是通
过自编码神经网络对网络权值的初始化。使用有类
网络层数 神经元连接设置
标数据对网络模型进行训练，通过计算输出层数据
第一层 1000-500-1000
与舰船类标之间的损失函数对整个网络模型进行
第二层 500-250-500
微调。随机选取每条信号产生样本的 3/4 及样本对
第三层 250-100-250
应的类标作为训练集数据，其他 1/4 及样本对应的
第四层 100-50-100 类标作为测试集数据。使用训练集数据训练网络

第五层 50-25-50 模型，使用测试集数据对训练完成的网络模型进行
所有网络训练完成后，提取每一层自编码神经 测试。
网络的隐藏层数据，该数据即为深度特征的逐层 识别过程中，使用训练完成的网络模型对测
提取数据。上述商船信号逐层提取的深度特征如 试集数据进行识别。计算网络前向输出数据，使用
图 4所示，图中由上至下，第1幅图为网络输入数据， softmax 函数将其映射到 (0,1) 区间，转换成概率表
第 2∼6 幅图为五层自编码神经网络逐层提取的深 达。在网络输出结果中自动检测输出概率最大项，
度特征图。 并对其进行标记。将网络输出结果同舰船真实类标
对 25 型 913 条船舶辐射噪声信号进行分析，逐 进行比对，判断识别结果是否正确。针对测试集数
层提取噪声信号的深度特征并用于分类识别。将网 据，实验结果表明，分类识别的正确率达到91.19%。

5
0
-5
100 200 300 400 500 600 700 800 900 1000
5
0
-5
50 100 150 200 250 300 350 400 450 500
5
0
-5
50 100 150 200 250
5
0
-5
10 20 30 40 50 60 70 80 90 100
5
0
-5
5 10 15 20 25 30 35 40 45 50
4
2
0
5 10 15 20 25
Ꭺፏᓬག஝

图 4 深度特征逐层提取图
Fig. 4 Depth features Extraction map layer-by-layer