基于对抗残差网络的复杂海况舰船目标类型识别技术研究

近年来随着深度学习理论在水声领域的应用,水中目标识别技术研究取得了巨大进步。然而在工程应用实践中,应用传统的特征提取和分类器方法拼接得到的识别模型难以维持实验室性能,复杂多变的海洋信道使声信号在传感器接收前发生剧烈畸变,导致识别算法出现特征失配和过拟合问题,算法性能急剧下降。针对以上问题,提出了一种对抗残差网络(Adversarial Residual Neural Network, ARNN)模型,利用梯度反向层(Gravity Reversal Layer, GRL)结构和双标签对抗训练的方式补偿了不同水文条件下信道传播之间的差异性,使算法更能够聚焦到能够表征目标本质的特征上,具有更强的鲁棒性和更高的识别率。为验证其有效性,设计了2次实验,分别利用在南海不同海域、不同水文条件下多次采集的舰船目标机械辐射噪声信号,制作训练样本集和测试样本集以训练和测试算法模型。结果表明,相较于支持向量机(Support Vector Machine, SVM)、卷积神经网络(Convolutional Neural Network, CNN)、残差网络(Residual Neural Network, ResNet)等传统网络模型,提出的ARNN模型可以有效缓解特征失配和过拟合问题,使模型具备不同水文条件下的可移植能力,解决人工智能技术在水中目标识别工程应用中的关键问题。