基于深度学习的典型海洋哺乳动物click信号识别方法

利用深度神经网络对3种典型海洋哺乳动物的click信号和脉冲噪声进行分类识别。首先对采集到的海洋哺乳动物click信号进行特征分析,给出频谱能量算法;之后利用前馈全连接神经网络对时域信号进行识别,研究神经网络参数的改变对识别结果的影响;最后利用卷积神经网络对时频信号进行了识别。结果表明:频谱能量算法识别准确率为69.83%,前馈全连接网络通过调整参数准确率可以达到98.28%,卷积神经网络准确率达到100%。由于实验数据规模较小、信号信噪比较高,所以神经网络的识别效果较好。深度学习方法能够比频谱能量算法取得更好的识别效果,调节前馈全连接网络的隐藏层参数,可提高识别效果。

一种改进的BP算法

传统的BP算法收敛速度慢,利用附加动量因子和自适应学习速率改进了传统的BP算法,它对于BP网络结构优化,提高收敛速度有明显效果.