Page 30 - 《应用声学》2021年第4期

514 2021 年 7 月

时 2 个池化层的池化方式均采用最大采样。最后的 近海所采集的侧扫声呐图像数据，采集记录底质类
3 个全连接层将输入特征进行特征映射实现最后的 型主要为沙、石和泥。由于底质的侧扫声呐图像在
底质分类目的。最终的CNN模型结构如表1所示。 成图前已经经过系统误差校正以及 Lambert 校正，
表 1 本文所采用的 CNN 模型结构 因此可以从图像中提取一维数据作为底质信号。从
Table 1 The CNN model structure used 沙、石和泥 3 种底质图像中分别提取 300 条长度为
in this paper 256点的一维数据作为底质信号数据，3组底质数据
中各随机抽取 250 条数据作为训练样本，剩余数据
本文 CNN 模型 核数量 尺寸 步长
作为测试样本，训练样本与测试样本的比例为5 : 1。
卷积层 5×5 1
6 由于实验数据是从底质图像中提取，假设每段
池化层 2×2 2
数据是在 1 s 的时间内采集，数据采样率为 256 Hz，
卷积层 2×2 1
20 最终前文所述的 Gammatone 滤波器参数中增益 c
池化层 2×2 2
设为1，阶数m设为4，滤波器个数设为64，中心频率
输入 输出
范围为 50 ∼ 128 Hz。同时根据 GFB 实际输入数据
全连接层 4256 24
长度将M 设为6，K 设为2。沙、石和泥经过GFB时
全连接层 24 12
频分析得到的时频谱 (大小为 64×84) 如图 5 所示，
全连接层 12 3
其中图 5(a)、图 5(b)、图 5(c) 分别为沙、石和泥信号
GFB时频谱。
3 实验过程及分析
在本文中，样本训练采用批次训练，批次大小
3.1 实验数据与实验过程 为 50，每当全部数据训练 30 次后，学习率会以 0.1

在本次实验中，采用了美国加州州立大学海底 倍数下降，损失函数采用交叉熵损失函数 (Cross-
测绘实验室 (SFML) 在加利福尼亚州 Scott Creek entropy error function)，具体实验流程如图6所示。

-15 -20
54 54 54
-20 -20
65 -25 65 -25 65 -25
ᮠဋ/Hz 77 -30 ᮠဋ/Hz 77 -30 ᮠဋ/Hz 77 -30
-35
89
89
89
102 -40 102 -35 102 -35
-45
-40
115 -50 115 115
-40
-55
-45
10 20 30 40 50 60 70 80 10 20 30 40 50 60 70 80 10 20 30 40 50 60 70 80
௑ᫎ/0.012 s ௑ᫎ/0.012 s ௑ᫎ/0.012 s
(a) ෢௑ᮠ៨ (b) ᆃ௑ᮠ៨ (c) ซ௑ᮠ៨
图 5 沙、石和泥的 GFB 时频谱
Fig. 5 The GFB time-frequency sperctrum of sand, rock and mud
Gammatone
໚ฉ٨ጸ
ѺݽηՂ ᤰ᥋1 ௑ ௑ᮠ៨
ᮠ
Ѭ
ᤰ᥋2 ౢ ซ
CNNവی अ
. គѿѬዝ ᠏ ෢
.
. ᆃ
ᤰ᥋N
图 6 实验流程
Fig. 6 Experiment process