Page 29 - 《应用声学》2021年第4期

第 40 卷 第 4 期 逄岩等： 基于 Gammatone 滤波器组时频谱和卷积神经网络的海底底质分类 513

-5.0 -2.5 0 2.5 5.0 -5.0 -2.5 0 2.5 5.0
(a) ReLU (b) sigmoid

-5.0 -2.5 0 2.5 5.0

-5.0 -2.5 0 2.5 5.0
(c) tanh (d) softplus
图 3 4 种激励函数
Fig. 3 Four kinds of activation function

C3: f. maps
S4: f. maps
16@10T10
C1: feature maps 16@5T5
Input 6@28T28 C5: layer
S2: f. maps F6: layer Output
32T32 120
6@14T14 84 10

Gaussian connections
Full connection
Convolutions Subsampling Convolutions Subsampling Full connection
图 4 LeNet-5 卷积神经网络结构示意图 [19]
Fig. 4 The schematic diagram of LeNet-5 CNN [19]
相对于利用分类器分类人工提取的底质分类 络结构如图 4 所示。该 CNN 模型包含 2 个卷积层、

特征实现底质的分类，CNN方法将底质数据特征提 2 个池化层、2 个全连接层以及 1 个 softmax 输出层，
取与分类两个过程融为整体，利用自身网络结构中 通过卷积、参数共享以及池化等操作对手写体数字
的多个卷积核自下而上、由浅入深提取学习底质数 取得了优秀的识别率。
据的特征，独立得到底质数据全面综合的特征信息 在本文中，以LeNet-5卷积神经网络为基础，构
后利用全连接层完成底质分类。在解决人工选取有
造包含 2 个卷积层、2 个池化层和 3 个全连接层共 7
效分类特征难点的同时通过自身模型的训练优化
层网络层的 CNN 模型。第一个卷积层的卷积核数
自动得到最有效的分类特征，进而达到底质识别分
量为 6，核大小设置为 5×5，进行卷积操作时的步长
类的目的。
为 1；第二个卷积层的卷积核数量增加到 20，同时
2.2 本文所构建的CNN模型 核大小减小为 2×2，但卷积操作的卷积步长仍然保
LeNet-5 [19] 卷积神经网络是 Yann LeCun 于 持不变为 1。同时在 2 个卷积层各带有 1 个池化层，
1998 年提出用于手写体数字识别的 CNN，其网 池化核的大小均为 2×2，统一设置池化步长为 2，同