由于水下目标获取困难,小样本水声目标识别一直是水声领域的难题。传统网络训练时需要大量的训练样本,并且对样本库外的目标识别率较低。针对这一问题文中提出一种深度卷积孪生网络用于对水下目标的DEMON(Detection of Envelope Modulat...由于水下目标获取困难,小样本水声目标识别一直是水声领域的难题。传统网络训练时需要大量的训练样本,并且对样本库外的目标识别率较低。针对这一问题文中提出一种深度卷积孪生网络用于对水下目标的DEMON(Detection of Envelope Modulation on Noise)谱的线谱进行识别。同时,为了适应真实水下识别环境,在训练的同时评估不同多普勒频偏、信噪比和干扰对网络识别性能的影响,进而得到一种具有较高多普勒容限和具有抗噪能力的网络模型。试验结果表明,与传统的神经网络相比,深度卷积孪生网络能够利用交叉熵对比损失函数与设置阈值的方式,判断输入样本对之间的差异,进而实现对新目标的识别。展开更多
文摘由于水下目标获取困难,小样本水声目标识别一直是水声领域的难题。传统网络训练时需要大量的训练样本,并且对样本库外的目标识别率较低。针对这一问题文中提出一种深度卷积孪生网络用于对水下目标的DEMON(Detection of Envelope Modulation on Noise)谱的线谱进行识别。同时,为了适应真实水下识别环境,在训练的同时评估不同多普勒频偏、信噪比和干扰对网络识别性能的影响,进而得到一种具有较高多普勒容限和具有抗噪能力的网络模型。试验结果表明,与传统的神经网络相比,深度卷积孪生网络能够利用交叉熵对比损失函数与设置阈值的方式,判断输入样本对之间的差异,进而实现对新目标的识别。