基于多深度学习模型降维特征融合的水中目标识别技术

The underwater target recognition technology based on deep learning algorithm will be studied in this project. In order to make full use of underwater target data to achieve identification, an auto-encoder model and a convolutional auto-encoder model will be established to reduce the dimensionality of acoustic signal spectra and time-frequency images of the acoustic signals respectively. As the underwater target data have limitations such as low signal-to-noise ratio and large amount of redundant information, the optimization methods for the above models will be researched. Then the data flow characteristics of the deep learning models will be analyzed based on manifold learning algorithms. The input data and model parameters will be further optimized by studying the mechanism separability of the signal. Next the above two kinds of dimensionality reduction results will be fused to realize underwater target recognition. Finally, the long-term training mechanism for the target recognition model will be studied for the purpose of improving the training efficiency and generalization ability of the model. The research of this project will be based on theory analysis and experimental data, and the research results can provide the basis for the application of deep learning in underwater target recognition and improve the underwater target recognition accuracy and stability.

本项目研究基于深度学习算法的水中目标识别技术。为充分利用水中目标数据信息实现识别，分别建立自编码器模型和卷积自编码器模型对一维声信号谱和二维声信号时频图像进行降维。针对水下目标数据样本信噪比低、冗余信息量大等局限研究上述模型的优化方法，接着基于流形学习算法对模型数据流特征进行解析，通过从机理上研究信号中的可分性成分，进一步优化输入数据与模型结构参数。将上述两类深度学习模型的降维结果进行融合，从而实现水下目标识别。最后研究识别模型的长期训练机制，提升模型的训练效率和泛化能力。本项目的研究立足理论和试验数据验证，研究成果可以为深度学习在水中目标识别中的应用提供基础，并提高水中目标识别的准确率和稳定性。

水中目标识别在国防建设和国民经济中有着重要意义，已经成为水声信号处理最重要的研究方向之一。然而，水声目标数据十分复杂，低信噪比和带标签样本少是其显著特征，致使现有体制下特征提取宽容性差，识别泛化能力不足。本项目瞄准复杂环境下水中目标识别能力提升的迫切需求，依托深度学习等智能化方法，结合目标特性知识成果，研究基于多深度学习模型降维特征融合的水中目标识别技术，重点完成了基于降噪自编码器模型的一维波束域信号谱降维及特征提取方法、基于卷积自编码器模型的二维信号时频图像降维及特征提取方法、多深度学习模型降维结果融合方法、水中目标识别模型长期高效率训练机制等研究内容，提出了综合利用自编码器、流形学习等方法的水声目标信号可分性成分获取途径，以及基于特征级、决策级融合方法的多模型联合规则，掌握了与小样本、低信噪比等水声目标数据条件相适配的数据降维与识别模型构建与运用机制，解决了面向水中目标一维和二维数据降维的深度学习模型建立、优化、结果融合及自主进化训练等关键问题，通过充分提取多域别多维水中目标特征，提高了目标可分性信息综合利用水平，对实际海试数据处理结果表明，针对不同类型目标特征，降噪自编码器和卷积自编码器表现出了差异化的解析和处理能力，通过综合利用和优势互补，能够有效提升目标综合识别效果，和支持向量机等传统方法相比，目标综合识别能力提升超过5%，研究成果可以提高水声目标识别准确率和稳定性，并为深度学习在水中目标识别中的应用和工程化实现提供技术基础。