生成水声目标识别模型的方法和水声目标识别方法与流程

本公开涉及生成水声目标识别模型的方法和水声目标识别方法。

背景技术：

1、水声目标识别技术可广泛运用于水下防务、资源勘测、舰船识别和鱼类活动探测等领域，在海洋防务和经济建设中发挥着重要作用。深度学习等人工智能算法被大量使用在图像识别和声纹识别中，适应性强、准确率高。然而，水面、水下平台(例如，智能浮标)的计算芯片通常具有有限的运算能力和较少存储空间，并且进行水声目标识别任务的水下平台通常需要进行边缘计算，因此需要轻量化、适用于低功耗设备的水声目标识别模型。此外，水声目标识别面临水声目标数据的样本量较少的“小样本”问题，使用深度学习算法很容易过拟合，这也给训练生成水声目标识别模型带来了挑战。

2、为了应对该发展趋势，有必要提供一种改进的基于深度学习的水声目标识别技术。

技术实现思路

1、本公开的一个方面涉及一种生成水声目标识别模型的方法，包括：基于源域训练数据对第一深度学习模型进行训练，源域训练数据包括声音数据，并且该第一深度学习模型包括第一二值化深度卷积神经网络和第一分类器，第一分类器包括全连接层和分类层；将经训练的第一深度学习模型的第一二值化深度卷积神经网络的模型参数迁移到第二深度学习模型的第二二值化深度卷积神经网络，第一二值化深度卷积神经网络和第二二值化深度卷积神经网络的结构相同，该第二深度学习模型包括第二分类器，并且第二分类器包括全连接层、循环神经网络和分类层；以及基于目标域训练数据对第二深度学习模型进行训练，得到训练后的第二深度学习模型作为水声目标识别模型，目标域训练数据包括水下目标声音数据，在对第二深度学习模型进行训练的过程中，固定第二二值化深度卷积神经网络的模型参数并且更新第二分类器的模型参数。

2、本公开的另一个方面涉及一种水声目标识别方法，包括：使用水声目标识别模型对待识别的水声数据进行识别，以确定待识别的水声数据的类别，所述水声目标识别模型是根据本公开的生成水声目标识别模型的方法生成的。

3、本公开的另一个方面涉及一种电子设备。电子设备包括处理器和存储器。存储器通信耦接到处理器并且存储计算机可读指令。计算机可读指令在由处理器执行时，使得电子设备执行如前所述的方法。

4、本公开的另一个方面涉及一种存储有计算机可读指令的计算机可读存储介质，该指令在由电子设备的处理器执行时，使得该电子设备执行如前所述的方法。

5、本公开的另一个方面涉及一种计算机程序产品，包括计算机可读指令，该计算机可读指令在被电子设备的处理器执行时实现如前所述的方法。

技术特征：

1.一种生成水声目标识别模型的方法，包括：

2.根据权利要求1所述的方法，其中，第一二值化深度卷积神经网络和第二二值化深度卷积神经网络分别包括一个输入卷积层和交替布置的n+1个密集块和n个过渡块。

3.根据权利要求2所述的方法，其中，

4.根据权利要求2所述的方法，其中，

5.根据权利要求2所述的方法，其中，每个过渡块包括一个过渡层单元，每个过渡层单元包括二值化卷积层、批量归一化层和二值化激活层，二值化卷积层的卷积步长m为大于1的整数。

6.根据权利要求2所述的方法，其中，第一二值化深度卷积神经网络和第二二值化深度卷积神经网络分别包括交替布置的五个密集块和四个过渡块。

7.根据权利要求3到6中任一项所述的方法，其中，所迁移的模型参数包括以下至少一个：卷积层的权重矩阵、卷积层的偏置矩阵、批量归一化层的参数。

8.根据权利要求1到6中任一项所述的方法，其中，第二分类器的循环神经网络为bigru网络。

9.根据权利要求1到6中任一项所述的方法，还包括：在将目标域训练数据提供给第二深度学习模型之前，对目标域训练数据按照预定时间长度进行切片处理，以获得目标域训练数据的切片，并且

10.根据权利要求1到6中任一项所述的方法，还包括：

11.根据权利要求10所述的方法，还包括：

12.根据权利要求1到6中任一项所述的方法，还包括：

13.根据权利要求1到6中任一项所述的方法，其中，源域训练数据包括以下至少一个：仿真器仿真出的声音数据和干扰数据、已有的非水下目标声音数据和已有的水下目标声音数据。

14.根据权利要求1到6中任一项所述的方法，其中，目标域训练数据包括以下至少一个：针对各个类别的水声目标分别采集的相应水下目标声音数据。

15.一种水声目标识别方法，包括：

16.一种电子设备，包括：

17.一种存储有计算机可读指令的计算机可读存储介质，所述计算机可读指令在由电子设备的处理器执行时，使得电子设备执行如权利要求1-15中任一项所述的方法。

18.一种包括计算机可读指令的计算机程序产品，所述计算机可读指令在由电子设备的处理器执行时，使得电子设备执行如权利要求中1-15任一项所述的方法。

技术总结本公开提供了一种生成水声目标识别模型的方法。该方法包括：基于源域训练数据对第一深度学习模型进行训练，源域训练数据包括声音数据，并且该第一深度学习模型包括第一二值化深度卷积神经网络和第一分类器，第一分类器包括全连接层和分类层；将经训练的第一深度学习模型的第一二值化深度卷积神经网络的模型参数迁移到第二深度学习模型的第二二值化深度卷积神经网络，第一二值化深度卷积神经网络和第二二值化深度卷积神经网络的结构相同，该第二深度学习模型包括第二分类器，并且第二分类器包括全连接层、循环神经网络和分类层；以及基于目标域训练数据对第二深度学习模型进行训练，得到训练后的第二深度学习模型作为水声目标识别模型，目标域训练数据包括水下目标声音数据，在对第二深度学习模型进行训练的过程中，固定第二二值化深度卷积神经网络的模型参数并且更新第二分类器的模型参数。本公开的实施例还提供了一种水声目标识别方法。技术研发人员：陈果,曾怀望,汪浩鹏,周雪梅,张楚婷受保护的技术使用者：联合微电子中心有限责任公司技术研发日：技术公布日：2024/3/27