Page 32 - 《应用声学》2021年第4期

516 2021 年 7 月

Adam͖ӑ٨, Ѻݽߦ˸஍ဋ0.01 海域和三亚某海域采集到的底质侧扫声呐图像数
Adam͖ӑ٨, Ѻݽߦ˸஍ဋ0.001
SGD͖ӑ٨, Ѻݽߦ˸஍ဋ0.01 据。其中，青岛底质主要为泥，三亚底质主要为沙，
SGD͖ӑ٨, Ѻݽߦ˸஍ဋ0.001
分别从底质图像中各提取 1000 段长度为 256 点的
97.3 100 99.3 97.3 98.7 99.3 100 99.3 99.3 100 99.3 97.3 98.7 100 100 99.3 98.7 98.7 98.7 99.3 98.7 99.3 99.3 99.3 数据进行测试，最终的测试结果如表4所示。
100

80 表 4 本文方法泛化能力验证结果
Table 4 Test results of generalization abil-
юᆸဋ/% 40 ity of this method
60

预测标签
实际标签
20
沙 石 泥 准确率/%
三亚沙 374 625 1 37.4
10
10 20 30 40 50 60
Epoch/൓ 青岛泥 4 0 996 99.6
图 8 两种优化器不同初始学习率在不同训练次数
表 4 实验结果表明，本文方法对于泥底质已经
时的测试准确率
取得优异的分类效果，能够达到分类目的；而对于
Fig. 8 The accuracy of the two optimizers with
沙底质和石底质，由于该两种底质在物理特性上具
different initial learning rates at different training
times 有较大的相似性，分类效果并不是很理想。针对这
一问题，可以增加CNN模型层数，进一步提高CNN
为了验证本文方法有效性，选取底质信号分类
模型对底质数据更深层次特征的学习能力，或者在
领域一些较为常见的方法进行比较，进行分类准确
训练数据增加其他地方的沙底质和石底质数据样
率对比。本文所采用方法的平均分类准确率达到
本，提高本文方法对沙底质和石底质的泛化能力。
99.15%，均高于其他方法(表3)。
最后，为了验证上述方法对本文方法泛化能力的改

表 3 本文方法与其他方法比较 进情况，采用增加数据样本的方式，对3类底质计算
Table 3 Comparison of the method in this 得到的GFB时频谱进行水平、垂直和水平垂直镜像
paper with other methods 操作后，将训练集合测试集扩充为原始数据的4 倍。
利用扩充后数据对搭建的模型进行训练后，再次利
实验方法 正确率/%
用上述青岛沙和三亚泥数据集进行测试，改进结果
SVM+ 分类特征 97.0 如表5所示。

文献 [20] KNN+ 分类特征 97.0
表 5 改进后泛化能力验证结果
DT+ 分类特征 95.0
Table 5 The verification results of gener-
文献 [21] MLP+ 小波分解子带能量 72
alization ability after improvement
本文方法 CNN+GFB 时频谱 99.15
预测标签
相同底质的信号时频分析结果在局部细节和 实际标签
沙 石 泥 准确率/%
全局分布上具有较大的相似性，同时通过底质时频
三亚沙 720 370 10 72.0
分析数据训练后的 CNN 模型获得了对数据局部细
青岛泥 0 0 1000 100
节和全局分布关注力度不同的卷积权重。当 CNN
模型对训练集和测试集以外的数据进行分类识别 表5的改进结果证明通过增加训练数据的数量
时，会利用卷积权重着重聚焦新输入数据的区域重 可以提升本文方法的泛化能力，也为进一步提高泛
点和全局趋势，利用新输入数据提取的综合特征信 化能力的深入研究提供了思路方向，最终实现在提
息完成分类，因此本文方法会具有一定的泛化能力。 高本文方法泛化能力的同时达到准确分类底质的
为了验证本文所提出方法的泛化能力，利用青岛某 目的。