基于優(yōu)化二維變分模態(tài)分解與遷移學習的水下目標識別方法

付同強, 胡 橋, 劉 鈺, 鄭惠文

基于優(yōu)化二維變分模態(tài)分解與遷移學習的水下目標識別方法

付同強1, 3, 胡 橋1, 2, 3, 劉 鈺1, 3, 鄭惠文1, 3

(1. 西安交通大學 機械工程學院, 陜西 西安, 710049; 2. 西安交通大學 機械制造系統(tǒng)工程國家重點實驗室, 陜西 西安, 710049; 3. 西安交通大學 陜西省智能機器人重點實驗室, 陜西 西安, 710049)

由于海洋環(huán)境的復雜多變性, 使得傳統(tǒng)的水聲目標識別方法應用于水下目標智能識別具有一定的局限性。基于單一域特征構建的數(shù)據(jù)集難以表征目標信號的全局信息, 傳統(tǒng)機器學習與深度學習方法對小樣本目標的泛化能力低。針對復雜海洋環(huán)境下傳統(tǒng)水下目標識別方法精度和效率不高的難題, 文中提出了基于優(yōu)化二維變分模態(tài)分解(2D-VMD)與遷移學習的水下目標識別方法。該方法通過小波變換獲得水下目標時頻圖, 并采用優(yōu)化2D-VMD方法自適應選取有效模態(tài), 實現(xiàn)目標有效模態(tài)與噪聲模態(tài)的分離, 完成了時頻圖的去噪并提取了圖像經(jīng)典的紋理特征進行對比分析。最后通過采用遷移學習的策略, 實現(xiàn)了基于InceptionV3的模型遷移驗證, 完成了水下目標小樣本數(shù)據(jù)集下的分類識別。結(jié)合ShipsEar中5類水下目標的分類測試試驗, 結(jié)果表明: 基于優(yōu)化2D-VMD與遷移學習的水下目標識別方法具有良好的特征提取與去噪能力, 同時兼顧了水下目標識別的精度與效率要求, 為海洋裝備智能目標探測與識別提供了理論與技術支撐。

水下目標識別; 時頻分析; 二維變分模態(tài)分解; 遷移學習

0 引言

水下目標輻射噪聲信號產(chǎn)生機理復雜, 聲源繁多且集中, 頻譜組成多樣, 輻射噪聲強度較大[1]。但是, 由海洋湍流以及海水靜壓力效應等引起的海洋環(huán)境噪聲, 其頻譜成分覆蓋整個頻帶并隨各類因素不斷變化, 使得水聲信號十分復雜[2], 嚴重干擾了信號特征提取, 制約了聲吶系統(tǒng)對水下目標的檢測與識別性能。隨著航行器減振降噪和隱身性能日益提高, 如何對水下目標實現(xiàn)高效、準確的辨識成為了水聲技術領域亟待解決的熱點問題[3]。

目標信號的特征提取對于信號分類至關重要, 傳統(tǒng)信號的特征提取分為時域特征與頻域特征2類, 2類方法都是通過時域或頻域的單一變換提取特征信息, 在這方面已有大量研究[4-8]。然而單一維度的信號特征是一種“靜態(tài)”指標, 表達信息不全面, 通過特征變換之后喪失了信號原有的表達能力, 不易被人們直觀理解, 語義信息缺乏, 導致以此為訓練樣本設計的分類器難以有很高的精度。為此, 有關學者嘗試通過引進時間與頻率尺度下的綜合信息來進行特征表達, 這方面較為成功的是信號時頻圖的提取[9-10]。但是通過空間變換獲得的時頻圖涵蓋了原有一維信號中的噪聲, 會影響有用信號的表達。為此, 文中提出了利用互信息(mutual information, MI)作為評價參數(shù), 結(jié)合樹分解方法與相似度度量實現(xiàn)二維變分模態(tài)分解(two-dimensional variational mode decomposition, 2D-VMD)自適應選取有效模態(tài)的過程, 對時頻圖進行去噪處理, 增強了有用信號的表征能力。機器學習方法近年來一直廣泛應用于水下目標識別, 而采用傳統(tǒng)圖像特征變換結(jié)合機器學習對目標時頻圖進行識別的準確率難以突破瓶頸得到提升, 無法滿足水下目標識別高精度的要求, 而采用深度學習的方法則可以很好地解決這個問題。

隨著大數(shù)據(jù)時代的到來以及計算機性能的提升, 利用深度學習方法實現(xiàn)圖像分類、目標檢測與自然語言處理在各個領域得到了廣泛應用, 其中最具代表性的是卷積神經(jīng)網(wǎng)絡(convolutional neural network, CNN)[11-12]。CNN模型可以依靠自身的結(jié)構對圖像進行特征提取, 具有良好的泛化能力。但基于深度學習實現(xiàn)水下目標識別需要大量訓練數(shù)據(jù), 而由于水下目標信號實航測試難度大、周期長以及獲取數(shù)據(jù)成本較高, 因此, 尚未有大規(guī)模水下目標信號樣本數(shù)據(jù)集為深度學習提供支持。另外, 采用深度學習雖然可以獲得很高的準確率, 但模型訓練時間長, 不滿足水下目標識別高效率的要求。而遷移學習作為深度學習的一個分支領域, 可以在相似的任務上進行知識遷移以解決樣本不足的問題, 在保證高準確率的同時大幅度節(jié)省訓練時間[13]。因而, 遷移學習已被應用于圖像識別的許多領域[14-15], 在水下目標識別領域, 朱兆彤等[16]利用預訓練好的CNN實現(xiàn)了對聲吶圖像的自動識別。文中采用遷移在ImageNet上表現(xiàn)優(yōu)異的Inception V3作為預訓練模型, 提取瓶頸層的特征向量, 遷移瓶頸層及其之前的網(wǎng)絡結(jié)構, 移除深層結(jié)構, 重新搭建分類層實現(xiàn)瓶頸層特征的分類。

1 小波變換

小波變換是一個時間和頻率的局部變換, 通過伸縮和平移對信號進行多尺度細化分析, 實現(xiàn)時間(空間)頻率的局部化分析, 最終達到高頻處時間細分, 低頻處頻率細分, 能自動適應時頻信號分析的要求。

2 2D-VMD原理

2.1 變分模型建立

計算信號梯度的二范數(shù), 估計各模態(tài)的頻帶帶寬, 構造如下的變分問題

2.2 變分問題求解

利用二范數(shù)下的Parseval/Plancherel傅里葉等距變換, 將式(7)和式(8)變換到頻域求解

2.3 2D-VMD算法步驟

3 基于優(yōu)化2D-VMD水下目標去噪

2D-VMD將輸入信號分解為一系列有限帶寬的模態(tài)子信號, 模態(tài)信號的數(shù)目由分解參數(shù)決定, 但值需要人為設定, 導致分解具有偶然性和隨機性,值不同則2D-VMD分解產(chǎn)生的模態(tài)數(shù)不同, 用于重構時頻圖的有效模態(tài)也不同, 對時頻圖的去噪效果不一。因此, 如何合理設定值以及選取有效模態(tài)是2D-VMD時頻圖去噪的關鍵步驟。文中提出一種結(jié)合二元樹分解方法與相似度度量相結(jié)合的優(yōu)化2D-VMD方法, 可以實現(xiàn)值的自確定, 并自適應地選取有效模態(tài)重構時頻圖, 完成時頻圖的去噪。

3.1 優(yōu)化2D-VMD算法

優(yōu)化2D-VMD方法具體步驟如下。

步驟1)中集合、和的具體作用:用于存儲信號分解過程中的模態(tài)信號, 分解完成后中的信號即為有效模態(tài);,用于存儲信號分解過程中的待分解信號和殘差信號。在分解過程中,,不斷進行步驟3)所述的更新。

優(yōu)化2D-VMD水下目標時頻圖去噪流程如圖1所示。

3.2 相似度度量指標

圖1 優(yōu)化2D-VMD流程圖

優(yōu)化2D-VMD算法步驟3)的具體流程如圖2所示。

3.3 去噪質(zhì)量評價指標

圖2 優(yōu)化2D-VMD步驟3)流程圖

4 深度神經(jīng)網(wǎng)絡與遷移學習

4.1 深度神經(jīng)網(wǎng)絡

CNN是圖像處理任務中最強大的一類深度神經(jīng)網(wǎng)絡。CNN由不同層的計算單元組成, 基本的計算單元可以分為卷積層、池化層和全連接層3種類型。如圖3所示, 通過卷積操作對輸入圖像進行特征提取, 之后進行池化操作, 再對卷積層輸出的特征圖進行降維以減少計算量。卷積與池化操作交替重復出現(xiàn), 網(wǎng)絡層數(shù)越深模型的特征提取能力越強。深層特征是對淺層特征的進一步抽象, 最終將原始圖像映射至類別可分的高維空間, 然后在全連接層通過特征加權將輸入特征映射至類別空間實現(xiàn)分類。

圖3 卷積神經(jīng)網(wǎng)絡典型結(jié)構

4.2 遷移學習

深度CNN模型結(jié)構復雜, 參數(shù)量大, 因此訓練周期長, 需要規(guī)模龐大的樣本數(shù)據(jù)集, 訓練成本高, 遷移學習則可以很好地解決這個問題。

Yosinski等[13]已經(jīng)證明CNN網(wǎng)絡結(jié)構具有良好的可遷移性, 即CNN淺層結(jié)構在不同的任務上具有特征提取的相似性, 可以實現(xiàn)對不同數(shù)據(jù)集的特征提取, 不同任務之間的差異主要體現(xiàn)在深層網(wǎng)絡中。因此可以遷移至其他數(shù)據(jù)集中預訓練好的網(wǎng)絡, 保留其淺層結(jié)構, 凍結(jié)遷移層的參數(shù), 重新搭建適合自己任務的深層結(jié)構形成新的訓練模型。

4.3 基于InceptionV3模型的水下目標識別策略

InceptionV3模型[8]是Google 2014 年發(fā)布的GoogLeNet的改進版本。GoogLeNet采用模塊化的思想, 在同一層級上運行具備多個尺寸的卷積核, 所有子層的輸出最后會被級聯(lián)起來, 并傳送至下一個 Inception模塊; 去除了最后的全連接層, 使用全局平均池化層來代替, 極大地減少了參數(shù)數(shù)目; 并利用1×1卷積核實現(xiàn)降維以節(jié)約計算成本。InceptionV3模型一個最重要的改進是分解(factorization), 將7×7分解成2個一維的卷積(1×7, 7×1), 3×3分解成(1×3, 3×1), 如圖4所示, 既可以加速計算, 又使得網(wǎng)絡深度進一步增加, 增加了網(wǎng)絡的非線性。

VGG Net、ResNet與GoogLe Net在ImageNet競賽中均取得了不錯的成績, 相比之下, InceptionV3模型需要訓練的參數(shù)更少, 網(wǎng)絡層數(shù)更深, 取得的準確率更高, 如表1[19]所示。

表1 ImageNet 競賽中部分模型對比

InceptionV3模型采用多尺度卷積提取不同維度的特征, 同時使用圖4所示的3種不同級聯(lián)架構進行特征組合。因此InceptionV3模型對于輸入圖像有非常強大的特征提取能力, 故采用模型微調(diào)的方法, 遷移InceptionV3模型的特征提取層, 保留線性回歸層作為瓶頸層, 重新構建全連接層與softmax層形成新的模型對水下目標進行識別。基于InceptionV3模型遷移學習的水下目標識別策略如圖5所示。

5 試驗驗證與分析

5.1 數(shù)據(jù)庫選擇

采用ShipsEar公開數(shù)據(jù)庫[20]對提出的優(yōu)化2D-VMD與遷移學習的水下目標智能識別方法進行了驗證, 該數(shù)據(jù)庫目前記錄了11類水下船舶的90組數(shù)據(jù), 選取其中的客船、摩托艇、漁船、挖泥船和遠洋客輪5類水下目標進行了驗證。

圖4 Inception V3中的Inception模塊

圖5 基于InceptionV3遷移學習的水下目標識別策略

5.2 數(shù)據(jù)預處理

ShipsEar數(shù)據(jù)庫記錄的水下目標數(shù)據(jù)當中含有不同程度的噪聲, 從而干擾目標辨識。采用“小波包分解+小波閾值去噪+低通濾波”的方式對原始音頻進行了預處理。采用小波包分解將原始數(shù)據(jù)處理為8個子信號, 對每個子信號進行小波閾值消噪, 然后用子信號重構目標數(shù)據(jù)。史拓等[21]指出水下目標輻射噪聲有效信息主要集中在低頻段, 故對小波包重構數(shù)據(jù)設計低通濾波器濾除高頻噪聲, 預處理結(jié)果如圖6所示。

圖6 水下目標預處理前后對比

圖6為水下漁船目標信號預處理前后對比, 從圖6(a)和(b)可以看出, 原始目標信號在時域雜亂無章、無明顯規(guī)律, 且包含大量隨機噪聲覆蓋整個頻域。而從圖6(c)和(d)可以看出, 經(jīng)過預處理的時域目標數(shù)據(jù)顯示出了類周期性的規(guī)律傾向, 線譜分量突出, 隨機噪聲得到有效去除。因此, 提出的數(shù)據(jù)預處理方法可以很好地壓制隨機噪聲, 對于水下目標數(shù)據(jù)去噪是切實有效的。

對預處理后的水下目標進行cmor3-3小波變換, 得到小波時頻圖如圖7所示。

圖7 預處理水下目標時頻圖

從圖7可以看出, 小波時頻圖可以綜合表征水下目標在時間與頻率尺度下的全局信息, 線譜分量表征清晰, 目標在不同時間包含各頻率成分的變化情況可以直觀地體現(xiàn)在時頻圖中。但是由于預處理之后水下目標信號中仍含有隨機噪聲, 導致生成的時頻圖質(zhì)量不高, 因此對時頻圖的去噪勢在必行。

5.3 時頻圖去噪

圖8 時頻圖優(yōu)化2D-VMD模態(tài)信號差異優(yōu)選

圖8中紅點為優(yōu)選得到用于重構時頻圖的模態(tài)信號, 黑點為丟棄的噪聲模態(tài)。從圖8可以看出, 同一類目標信號時頻圖進行優(yōu)化2D-VMD具有一定的波動性, 使得不同時頻圖分解得到的模態(tài)信號與原時頻圖的MI值不一致。50個樣本共得到250個模態(tài)信號, 其中用于重構的模態(tài)為110個, 大部分的模態(tài)被視為噪聲丟棄, 對圖7所示水下漁船目標時頻圖進行優(yōu)化2D-VMD重構得到的結(jié)果如圖9所示。

圖9 優(yōu)化2D-VMD水下目標時頻圖重構

對比圖7與圖9可以看出, 采用優(yōu)化2D- VMD重構可以加強原時頻圖中的線譜等有效特征, 并且很好地去除了時頻圖中的噪聲, 信息表征更加清晰, 證明了該方法對于水下目標去噪的可行性與有效性。另外, 不同的水下目標含噪聲程度不同, 因此進行去噪質(zhì)量評價的閾值也不同。對于所選5類水下目標時頻圖模態(tài)信號的差異優(yōu)選情況如圖10所示。

圖10 5類水下目標優(yōu)化2D-VMD模態(tài)信號差異優(yōu)選

表2 不同類別水下目標優(yōu)化2D-VMD產(chǎn)生有效模態(tài)的比例

5.4 遷移學習分類效果驗證

對ShipsEar中的客船、摩托艇、漁船、挖泥船和遠洋客輪5類水下目標進行上述的預處理、小波變換以及優(yōu)化2D-VMD重構得到每類1 024個樣本。劉超等[22]提出不同類型的艦船輻射噪聲“聲紋圖”紋理特征具有較好的類間相似性和類類可分性。將未經(jīng)處理的水下目標原時頻圖、優(yōu)化2D-VMD、局部二值模式(local binary patterns, LBP)紋理特征圖采用前文所述的遷移策略進行分類辨識, 圖7所示的目標時頻圖經(jīng)過LBP特征提取得到紋理特征圖, 如圖11所示。

圖11 時頻LBP紋理特征圖

時頻圖的數(shù)據(jù)標注并不影響水下目標在時頻域特征的表達, 故進行時頻紋理特征提取時省略其標注。由圖11可知, 時頻紋理圖可以較好得恢復原目標信號中的線譜特征, 但由于噪聲的干擾會產(chǎn)生大量“亂紋”, 嚴重影響有效信息的表達。

運行訓練環(huán)境: Intel(R)Core(TM)i5-6300HQ CPU@2.30GHz 2.30GHz, 內(nèi)存4+16GB。訓練程序在window10 系統(tǒng)下以TensorFlow1.10為開發(fā)環(huán)境的Jupyter Notebook下運行。設置學習率為0.001, 訓練過程中采用蒙特卡洛交叉驗證: 共訓練5輪, 每輪訓練1000次, 每次隨機抽取256張圖片進行訓練, 其中80%作為訓練集, 20%作為驗證集。訓練結(jié)束后隨機抽取256張圖片用作測試集。

對3類數(shù)據(jù)集的訓練取5輪平均結(jié)果如圖12所示。由圖12可知, 訓練1 000次后3類訓練模型均已收斂, 但收斂速度有所不同, 原時頻圖訓練模型收斂最快, 5次平均訓練時長588 s; 優(yōu)化2D-VMD重構時頻圖訓練模型收斂速度次之, 平均訓練時長1427 s; LBP時頻紋理特征圖訓練模型收斂速度最慢, 平均訓練時長1460 s。三者隨機驗證的準確率均正比于模型收斂速度, 原時頻圖訓練模型5次測試集平均準確率為98.7%, 優(yōu)化2D-VMD重構時頻圖為96.3%, LBP時頻紋理特征圖為82.3%, 證明遷移策略對于水下目標信號識別是行之有效的。

圖12 3類數(shù)據(jù)集訓練情況對比

3類數(shù)據(jù)集訓練的模型優(yōu)劣程度不同, 說明每種數(shù)據(jù)集不同類別的類內(nèi)以及類間距離不同, 因此采用T-SNE降維對不同數(shù)據(jù)集下的5類水下目標進行可視化, 其結(jié)果如圖13所示。

圖13 3類數(shù)據(jù)集T-SNE可視化

圖13中類別1~5分別表示水下客船、摩托艇、漁船、挖泥船和遠洋客輪目標。T-SNE方法將水下目標時頻圖映射為二維點集, 通過比較相同或不同類別點簇的距離可以衡量數(shù)據(jù)的可分性情況, 是一種直觀的數(shù)據(jù)可視化方法。

6 結(jié)束語

文中利用小波變換獲取水下目標時頻圖構建分類數(shù)據(jù)集, 提出了一種優(yōu)化2D-VMD方法對水下目標進行去噪。采用基于InceptionV3模型的遷移學習方法進行目標分類。試驗結(jié)果表明, 文中提出的優(yōu)化2D-VMD方法可以自適應地實現(xiàn)水下目標去噪, 增強線譜等特征對水下目標信號的表征能力; 采用基于InceptionV3的遷移策略能有效實現(xiàn)小樣本數(shù)據(jù)下深度CNN模型的訓練, 在短時間內(nèi)達到較高的準確率; 優(yōu)化2D-VMD與遷移學習結(jié)合, 比傳統(tǒng)聲紋特征訓練遷移模型有更快的收斂速度, 準確率提高14%以上, 兼顧水下目標識別高精度與高效率的要求, 證明了優(yōu)化2D-VMD與遷移學習在水下目標識別領域應用的有效性, 為水下目標識別提供了一種新的思路。但由于2D-VMD存在模態(tài)中心頻率隨機初始化的問題, 導致重構的時頻圖丟失了部分類別表征信息, 降低了數(shù)據(jù)的可分性。在進行特征增強的同時保留目標類別的可分性依據(jù)將是下一步的研究方向, 但相比傳統(tǒng)的紋理特征提取, 優(yōu)化2D-VMD在信息表征方面更具優(yōu)勢。

[1] 何春艷. 水下目標瞬態(tài)輻射噪聲分析與評價[D]. 哈爾濱: 哈爾濱工程大學, 2013.

[2] 陶篤純. 艦船噪聲節(jié)奏的研究(Ⅰ)——數(shù)學模型及功率譜密度[J]. 聲學學報, 1983, 8(2): 65-76.Tao Du-chun. Study on the Ship’s Noise Rhythm (Ⅰ)——Mathematical Model and Power Spectral Density[J].Chinese Journal of Acoustics, 1983, 8(2): 65-76.

[3] 孫昕, 張世海, 翟東民. 水下航行器輻射噪聲的仿真實現(xiàn)[J]. 水雷戰(zhàn)與艦船防護, 2017, 25(2): 66-69.Sun Xin, Zhang Shi-hai, Zhai Dong-min. Simulation Realization of Radiated Noise from Underwater Vehicles[J]. Digital Ocean & Underwater Warfare, 2017, 25(2): 66-69.

[4] 王曉峰, 王炳和, 相敬林. 基于艦船輻射噪聲時-頻分析與線譜提取[J]. 電聲技術, 2005(11): 61-63.Wang Xiao-feng, Wang Bing-he, Xiang Jing-lin. Time-Frequency Analysis of Ship-Radiated Noise and Line Spectrum Extraction Based on STFT[J]. Audio Engineering, 2005(11): 61-63.

[5] 莊瑞, 趙云冬. 一種提取水中目標水聲信號時頻特征的方法[J]. 艦船電子工程, 2018, 38(3): 135-136, 158.Zhuang Rui, Zhao Yun-dong. A Method for Extracting the Time-frequency Characteristics of Underwater Acoustic Signals in Water[J]. Ship Electronic Engineering, 2018, 38(3): 135-136, 158.

[6] Hemminger T L, Pao Y H. Detection and Classification of Underwater Acoustic Transients Using Neural Networks[J]. IEEE Transactions on Neural Networks, 1994, 5(5): 712-718.

[7] Shyu H C, Sun Y S. Underwater Acoustic Signal Analysis by Multiscaling and Multitranslation Wavelets[J]. Proceedings of SPIE-The International Society for Optical Engineering, 1998, 3391: 628-636.

[8] 章新華, 王驥程, 林良驥. 基于小波變換的艦船輻射噪聲特征提取[J]. 聲學學報, 1997, 22(2): 139-137.Zhang Xin-hua, Wang Ji-cheng, Lin Liang-ji. Feature Extraction of Ship Radiated Noise Based on Wavelet Transform[J]. Chinese Journal of Acoustics, 1997, 22(2): 139-137.

[9] 李啟飛, 吳芳, 韓蕾蕾. 基于 AlexNet 遷移學習的磁異常信號檢測方法[J]. 水下無人系統(tǒng)學報, 2020, 28(2): 162-167.Li Qi-fei, Wu Fang, Han Lei-lei. Magnetic Anomaly Signal Detection Method Based on AlexNet Transfer Learning[J]. Journal of Unmanned Undersea Systems, 2020, 28(2): 162-167.

[10] 王維剛. 基于時頻圖像識別的旋轉(zhuǎn)機械多特征融合故障診斷方法研究[D]. 哈爾濱: 哈爾濱工業(yè)大學, 2016．

[11] Aysum S, Hasan S. Deep Convolutional Neural Network-based Automatic Classification of Neonatalhip Ultrasound Images: a Novel Data Augmentation Approach with Speckle Noise Reduction[J]. Ultrasound in Medicine & Biology, 2019, 46(3): 735-749.

[12] 洪禮聰. 基于時頻圖像和卷積神經(jīng)網(wǎng)絡的尾水管渦帶狀態(tài)識別[D]. 武漢: 武漢大學, 2018.

[13] Yosinski J, Clune J, Bengio Y, et al. How Transferable are Features in Deep Neural Networks?[C]//Advances in Neural Information Processing Systems 27. [S.l.]: NIPS, 2014．

[14] Fischer W, Moudgalya S S, Cohn J D, et al. Sparse Coding of Pathology Slides Compared to Transfer Learning with Deep Neural Networks[J]. BMC Bioinformatics, 2018, 19(S18): 489.

[15] 王斐, 吳仕超, 劉少林. 基于腦電信號深度遷移學習的駕駛疲勞檢測[J]. 電子與信息學報, 2019, 41(9): 2264-2272. Wang Fei, Wu Shi-chao, Liu Shao-lin. Driver Fatigue Detection through Deep Transfer Learning in an Electroencephalogram-based System[J]. Journal of Electronics & Information Technology, 2019, 41(9): 2264-2272.

[16] 朱兆彤, 付學志, 胡友峰. 一種利用遷移學習訓練卷積神經(jīng)網(wǎng)絡的聲吶圖像識別方法[J]. 水下無人系統(tǒng)學報, 2020, 28(1): 89-96.

Zhu Zhao-tong, Fu Xue-zhi, Hu You-feng. A Sonar Image Recognition Method Using Transfer Learning to Train Convolutional Neural Networks[J]. Journal of Unmanned Undersea Systems, 2020, 28(1): 89-96.

[17] Dragomiretskiy K, Zosso D. Two-Dimensional Variational Mode Decomposition[C]//Energy Minimization Methods in Computer Vision and Pattern Recognition. Switzerland: Springer, 2015: 197-208.

[18] Szegedy C, Vanhoucke V, Ioffe S, et al. Rethinking the Inception Architecture for Computer Vision[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas, NV, USA: IEEE, 2016: 2818-2826．

[19] Chollet F. Keras: The Python Deep Learning Library[EB/OL]. Keras [2020-04-16]. https://keras.io．

[20] Santos-Dominguez D, Torres-Guijarro S, Cardenal-Lopez A, et al. ShipsEar: An Underwater Vessel Noise Database[J]. Applied Acoustics, 2016, 113: 64-69.

[21] 徐智, 唐剛, 劉偉, 等. 基于變分模態(tài)分解參數(shù)優(yōu)化的地震隨機噪聲去除方法[J]. 北京化工大學學報(自然科學版), 2019, 46(5): 60-68．Xu Zhi, Tang Gang, Liu Wei, et al. Seismic Random Noise Removal Method Based on Optimization of Variational Mode Decomposition Parameters[J]. Journal of Beijing University of Chemical Technology(Natural Science Edition), 2019, 46(5): 60-68.

[22] 史拓, 陳艷靜. 艦船輻射噪聲特性的模擬與仿真[J]. 軍民兩用技術與產(chǎn)品, 2016(4): 61-62.Shi Tuo, Chen Yan-jing. Simulation and Simulation of Radiated Noise Characteristics of Warships[J]. Dual Use Technologies & Products, 2016(4): 61-62.

1. 謝少榮, 劉堅堅, 張丹. 復雜海況無人艇集群控制技術研究現(xiàn)狀與發(fā)展. 2020, 28(6).

2. 嚴良濤, 項曉麗. 基于GA-KPCA的特征選擇在水下目標識別中的應用. 2020, 28(1).

3. 朱兆彤, 付學志, 胡友峰. 一種利用遷移學習訓練卷積神經(jīng)網(wǎng)絡的聲吶圖像識別方法. 2020, 28(1).

4. 趙國貴, 梁紅, 陸禹, 等. 基于多參量聯(lián)合特征的水下小目標分類識別. 2019, 27(6).

5. 杜雪, 廖泓舟, 張勛. 基于深度卷積特征的水下目標智能識別方法. 2019, 27(3).

6. 胡橋, 劉鈺, 趙振軼, 等. 水下無人集群仿生人工側(cè)線探測技術研究進展. 2019, 27(2).

7. 何心怡, 高賀, 盧軍, 等. 逆合成孔徑成像在魚雷真假目標識別中的應用及展望. 2017, 25(4).

Underwater Target Identification Method Based on Optimized 2D Variational Mode Decomposition and Transfer Learning

FU Tong-qiang1, 3, HU Qiao1, 2, 3, LIU Yu1, 3, ZHENG Hui-wen1, 3

(1. Mechanical Engineering School, Xi’an Jiaotong University, Xi’an 710049, China; 2. Mechanical Engineering System National Key Laboratory, Xi’an Jiaotong University, Xi’an 710049, China; 3. Shaanxi Province Intelligent Machine Laboratory, Xi’an Jiaotong University, Xi’an 710049, China)

Intelligent identification of underwater targets using the traditional underwater acoustic target identification method has limitations owing to the complexity and variability of marine environments. The data sets that are constructed based on single-domain features cannot be used to characterize the global information of the target signal and the traditional machine learning and deep learning methods demonstrate a low generalization ability for small sample targets. To solve the problem of low accuracy and efficiency of traditional underwater acoustic target identification methods in complex marine environments, an underwater target identification method based on optimized two-dimen- sional variational mode decomposition(2D-VMD) and transfer learning is proposed herein. This method obtains the time-frequency map of the underwater target by wavelet transform and then uses the optimized 2D-VMD method to adaptively select the effective mode to achieve the separation of the target effective mode and the noise mode. The denoising of the time-frequency map is completed, and the classic texture features of the image are extracted for comparative analysis. Finally, through the transfer learning strategy being adopted, the model transfer learning verification based on InceptionV3 is realized, and the classification and identification for small sample data set of underwater targets are completed. Combined with the classification test experiment of five types of underwater targets in ShipsEar, the results show that: the underwater target identification method based on optimized 2D-VMD and transfer learning shows good feature extraction and denoising capabilities while taking into account the accuracy of underwater target identification and efficiency requirements. Moreover, it provides theoretical and technical support for the detection and identification of intelligent targets of marine equipment.

underwater target identification; time-frequency analysis; two-dimensional variational mode decomposition; transfer learning

TN911.73; TB566

A

2096-3920(2021)02-0153-11

10.11993/j.issn.2096-3920.2021.02.004

付同強, 胡橋, 劉鈺, 等. 基于優(yōu)化二維變分模態(tài)分解與遷移學習的水下目標識別方法[J]. 水下無人系統(tǒng)學報, 2021, 29(2): 153-163.

2020-05-22;

2020-09-01.

國家自然科學基金重大項目(61890961); 裝備預研領域基金項目(61404160503, 61402070304); 陜西省重點研發(fā)計劃重點項目資助(2018ZDXM-GY-111); 中央高?；究蒲袠I(yè)務費資助(xjjgf2018005).

付同強(1997-), 男, 在讀碩士, 主要研究方向為水下智能感知技術.

(責任編輯: 許 妍)