基于深度學(xué)習(xí)的水下目標(biāo)姿態(tài)識(shí)別

李秀坤， 徐天楊， 嵇守聰

(1.哈爾濱工程大學(xué) 水聲技術(shù)重點(diǎn)實(shí)驗(yàn)室，黑龍江 哈爾濱 150001； 2.海洋信息獲取與安全工業(yè)和信息化部重點(diǎn)實(shí)驗(yàn)室(哈爾濱工程大學(xué))，黑龍江 哈爾濱 150001； 3. 哈爾濱工程大學(xué) 水聲工程學(xué)院，黑龍江 哈爾濱 150001)

研究水下目標(biāo)聲散射物理機(jī)理，建立散射信號(hào)參數(shù)與目標(biāo)屬性之間的函數(shù)關(guān)系是獲取目標(biāo)屬性信息的關(guān)鍵。根據(jù)目標(biāo)聲散射特性，回波可分為幾何聲散射回波與彈性聲散射回波[1]。聲吶目標(biāo)回波亮點(diǎn)模型是目標(biāo)散射回波分析的有效工具[2-3]。結(jié)合該模型中的理論，根據(jù)不同聲波入射角度下目標(biāo)聲散射成分的時(shí)序關(guān)系可以對(duì)回波角度進(jìn)行識(shí)別。

分?jǐn)?shù)階傅里葉變換是一種具有良好的脈沖壓縮性能的時(shí)頻分析方法[4]，適用于分析具有線性調(diào)頻特性的非平穩(wěn)信號(hào)，在主動(dòng)聲吶目標(biāo)探測(cè)識(shí)別中具有的廣泛應(yīng)用[5]。在發(fā)射線性調(diào)頻信號(hào)的情況下，目標(biāo)回波具有與發(fā)射信號(hào)相似的調(diào)頻特性，在分?jǐn)?shù)階變換域中回波成分具有最佳變換階數(shù)[6]。根據(jù)變換關(guān)系，利用最佳變換域的結(jié)果可以進(jìn)行信號(hào)的參數(shù)估計(jì)[7]。

基于淺層學(xué)習(xí)的傳統(tǒng)模式識(shí)別方法依賴于人為提取的特征向量，且參數(shù)無(wú)法進(jìn)行自學(xué)習(xí)，對(duì)于大樣本、高維數(shù)據(jù)的分類識(shí)別效果有限。深度學(xué)習(xí)方法克服了傳統(tǒng)方法在高維數(shù)據(jù)表征能力的不足，根據(jù)訓(xùn)練數(shù)據(jù)調(diào)整參數(shù)，提取數(shù)據(jù)的深層特征，準(zhǔn)確地實(shí)現(xiàn)分類任務(wù)[8]。深度學(xué)習(xí)方法在水聲領(lǐng)域已得到廣泛地應(yīng)用。Fischell提取目標(biāo)回波的幾何散射強(qiáng)度和三維散射場(chǎng)特征，實(shí)現(xiàn)對(duì)球體和圓柱體目標(biāo)形狀和成分的分類[9]。多模態(tài)深度學(xué)習(xí)分類識(shí)別方法將長(zhǎng)短時(shí)記憶系統(tǒng)與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合，對(duì)信號(hào)的一維和二維特征并行處理，提高水下目標(biāo)識(shí)別精度[10]。將二階池化與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，可以從聲信號(hào)的時(shí)頻表示中獲取目標(biāo)分類信息[11]。

本文基于聲吶目標(biāo)回波亮點(diǎn)模型對(duì)有限長(zhǎng)半球頭圓柱目標(biāo)聲散射回波信號(hào)進(jìn)行分析，利用分?jǐn)?shù)階傅里葉變換提取不同入射角度下的目標(biāo)回波特征。將傳統(tǒng)特征與深度學(xué)習(xí)方法結(jié)合，以獲取的特征作為深度學(xué)習(xí)網(wǎng)絡(luò)模型的輸入，通過(guò)對(duì)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的優(yōu)化實(shí)現(xiàn)不同入射角度下回波的分類識(shí)別。

1 水下目標(biāo)聲散射機(jī)理

目標(biāo)聲散射是入射聲波與目標(biāo)作用的結(jié)果，聲散射回波中包含目標(biāo)形狀、尺寸、結(jié)構(gòu)、材質(zhì)等信息。目標(biāo)聲散射的求解方法包括嚴(yán)格的理論解析解和近似理論解，對(duì)簡(jiǎn)單形狀的目標(biāo)，可以將聲散射歸結(jié)為波動(dòng)方程和邊界條件描述的數(shù)學(xué)物理問(wèn)題[12]。實(shí)際水下目標(biāo)受限于復(fù)雜的形狀以及邊界條件，可采用共振散射理論對(duì)聲散射機(jī)理和回聲成分和特性進(jìn)行研究[13]。聲吶目標(biāo)回波亮點(diǎn)模型理論是在此基礎(chǔ)上發(fā)展的一種高頻近似方法，能夠直觀地分析目標(biāo)回波特性，可以作為聲散射回波處理方法研究的信號(hào)模型，符合實(shí)際的工程應(yīng)用。

亮點(diǎn)模型將復(fù)雜目標(biāo)的回波近似為多個(gè)子回波疊加的結(jié)果，子回波從目標(biāo)某個(gè)等效的散射點(diǎn)產(chǎn)生，這些散射點(diǎn)即為亮點(diǎn)。根據(jù)形成機(jī)理分為幾何亮點(diǎn)與彈性亮點(diǎn)[13]，其中幾何亮點(diǎn)成分服從線性聲學(xué)規(guī)律，包括鏡反射和棱角反射。彈性亮點(diǎn)回波包含目標(biāo)結(jié)構(gòu)和材質(zhì)信息，產(chǎn)生機(jī)理復(fù)雜。不同聲散射成分間的時(shí)延信息可以作為不同入射角度下目標(biāo)回波特征提取的依據(jù)。

在亮點(diǎn)模型的理論框架下，每個(gè)亮點(diǎn)回波信號(hào)可以看作入射信號(hào)的時(shí)延拷貝，對(duì)于復(fù)雜目標(biāo)，多亮點(diǎn)的傳遞函數(shù)表示為單個(gè)亮點(diǎn)傳遞函數(shù)的線性疊加：

(1)

式中：Am(r,ω)為第m個(gè)幅度因子，與頻率有關(guān)；r為聲波入射方向矢量；τm為目標(biāo)各亮點(diǎn)與接收點(diǎn)間的時(shí)延；φm是相位因子。工程中，回波信號(hào)可表示為隨不同入射角度變化的參數(shù)組合。其中時(shí)延因子攜帶了目標(biāo)的尺寸信息，可以用來(lái)分析目標(biāo)的幾何結(jié)構(gòu)和聲波入射角。

本文研究的目標(biāo)模型結(jié)構(gòu)示意圖如圖1。根據(jù)亮點(diǎn)模型理論，其聲散射回波可以等效為半球和有限長(zhǎng)圓柱2個(gè)子目標(biāo)聲散射回波的組合。

圖1 目標(biāo)模型結(jié)構(gòu)Fig.1 Schematic diagram of target model

圖1中目標(biāo)回波主要為棱角波和鏡面反射波，由于目標(biāo)模型具有對(duì)稱結(jié)構(gòu)，簡(jiǎn)化分析0～180°內(nèi)的變化情況。聲波垂直入射目標(biāo)端面時(shí)角度記為θ=0°，正橫入射時(shí)記為θ=90°。在圖1中，幾何散射回波主要由圓柱端面、球冠、圓柱正橫以及棱角1、2的回波成分組成，由于目標(biāo)表面不夠光滑，在3、4處同樣也會(huì)產(chǎn)生幾何聲散射回波。在觀察范圍內(nèi)棱角4處于影區(qū)，故棱角散射回波包含棱角1、棱角2和棱角3，鏡反射回波則包含端面正橫7、正橫5和球冠6。不同的聲波入射角度會(huì)導(dǎo)致目標(biāo)幾何散射回波中含有的目標(biāo)種類和數(shù)目顯著變化，在觀測(cè)范圍內(nèi)，亮點(diǎn)出現(xiàn)位置與入射角度關(guān)系見(jiàn)表1。

表1 入射角度與亮點(diǎn)關(guān)系

結(jié)合幅度因子和時(shí)延因子對(duì)目標(biāo)模型不同入射角度的幾何回波進(jìn)行仿真，仿真信號(hào)歸一化頻率為0.02～0.08，仿真結(jié)果如圖2。圖中不同目標(biāo)方位角條件下，亮點(diǎn)的成分和數(shù)量均有差異，可以作為角度與回波特性之間的映射關(guān)系進(jìn)行深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)特征。

圖2 目標(biāo)模型幾何亮點(diǎn)回波仿真Fig.2 Simulation of geometric highlight spot echo of target model

2 目標(biāo)回波特征提取

實(shí)際目標(biāo)探測(cè)中，若發(fā)射信號(hào)的脈寬大于2個(gè)相鄰散射成分間的時(shí)延，各散射成分在時(shí)域上存在混疊，在時(shí)域或頻域無(wú)法為不同角度回波的識(shí)別提供有效特征。時(shí)頻分析可以給出信號(hào)在時(shí)間和頻率2個(gè)維度上的信息，其中分?jǐn)?shù)階傅里葉變換可以獲得有效的信號(hào)特征。在最佳分?jǐn)?shù)階傅里葉變換域，各聲散射回波分量的時(shí)延因子與形成脈沖的位置構(gòu)成映射關(guān)系，通過(guò)極大值位置可以計(jì)算得到各分量的時(shí)延關(guān)系[14]，將獲得的時(shí)延關(guān)系稱為信號(hào)的時(shí)序結(jié)構(gòu)特征。

2.1 分?jǐn)?shù)階傅里葉變換

根據(jù)分?jǐn)?shù)階傅里葉變換的定義，x(t)的p階分?jǐn)?shù)階傅里葉變換可表述為：

(2)

式中Kp(t,u)為分?jǐn)?shù)階傅里葉變換的核函數(shù)：

(3)

2.2 仿真分析

當(dāng)坐標(biāo)旋轉(zhuǎn)角度對(duì)應(yīng)最佳分?jǐn)?shù)階變換階次，單個(gè)亮點(diǎn)回波的最佳分?jǐn)?shù)階傅里葉變換為

F(u)=ATexp[jπT(f0-kτi-ucscα)]·

sinc[πT(f0-kτi-ucscα)]

(4)

式中：T為發(fā)射信號(hào)長(zhǎng)度；f0為信號(hào)初始頻率；k為調(diào)頻斜率；τi為第i個(gè)亮點(diǎn)分量的時(shí)延，可以看出單亮點(diǎn)的最佳分?jǐn)?shù)階傅里葉變換為sinc函數(shù)形式，其幅度極大值及其在分?jǐn)?shù)階域?qū)?yīng)的位置為：

(5)

umax=(f0-kτi)sinα

(6)

式中：A0為發(fā)射信號(hào)的幅度；Ai為回波信號(hào)中第i個(gè)亮點(diǎn)的幅度。對(duì)于不同回波成分，經(jīng)分?jǐn)?shù)階傅里葉變換后的脈沖幅值大小取決于幅度因子，sinc函數(shù)位置取決于時(shí)延因子。從時(shí)頻投影的角度來(lái)看，變換后的信號(hào)在時(shí)頻平面為一條斜線，在最佳分?jǐn)?shù)階傅里葉變換域的投影結(jié)果存在峰值。在(p,u)平面上，與發(fā)射信號(hào)參數(shù)對(duì)應(yīng)的最佳階次附近，通過(guò)搜索最大值的方法確定最佳分?jǐn)?shù)階傅里葉變換階次，獲得回波信號(hào)在最佳分?jǐn)?shù)階傅里葉變換域的時(shí)序結(jié)構(gòu)特征。

仿真線性調(diào)頻信號(hào)，脈寬1 000點(diǎn)，歸一化頻率0.02～0.08，聲波入射角度分別為θ=60°和θ=120°，根據(jù)仿真信號(hào)參數(shù)計(jì)算可知，最佳分?jǐn)?shù)階次為-0.886 6，在最佳分?jǐn)?shù)階次附近的[-1.126 6,-0.636 6]范圍內(nèi)得到的分?jǐn)?shù)階傅里葉變換結(jié)果如圖3所示。選取最佳分?jǐn)?shù)階次下的分?jǐn)?shù)階傅里葉變換結(jié)果如圖4所示。利用最佳分?jǐn)?shù)階次下得到的分?jǐn)?shù)階傅里葉變換能夠獲得不同入射角度下目標(biāo)回波精細(xì)的時(shí)序結(jié)構(gòu)。2個(gè)角度下的時(shí)序結(jié)構(gòu)中均出現(xiàn)5個(gè)峰值，其中θ=60°時(shí)3個(gè)幾何散射回波對(duì)應(yīng)棱角1、2、3，第4、第5個(gè)峰值為彈性環(huán)繞波。θ=120°時(shí)第1個(gè)峰值對(duì)應(yīng)球冠的鏡反射回波，第2個(gè)峰值對(duì)應(yīng)棱角3的散射回波。由于2個(gè)亮點(diǎn)時(shí)延間隔很小，導(dǎo)致峰值接近重疊。同時(shí)2個(gè)角度下幾何散射成分對(duì)應(yīng)峰的聚集性都比較好，彈性環(huán)繞波對(duì)應(yīng)的峰值相對(duì)于幾何散射成分較小且聚集性較差。不同聲波入射角度下，各散射成分對(duì)應(yīng)的幅度極大值具有顯著差異，各亮點(diǎn)成分的時(shí)延也具有差異性。目標(biāo)回波在分?jǐn)?shù)階域的時(shí)序結(jié)構(gòu)在不同入射角度下的差異，可以作為不同入射角度回波的識(shí)別特征。

圖3 仿真目標(biāo)回波的分?jǐn)?shù)階傅里葉變換Fig.3 Fractional Fourier transform of simulated target echo

圖4 仿真目標(biāo)回波的分?jǐn)?shù)階傅里葉域時(shí)序結(jié)構(gòu)Fig.4 Time series structure of simulated target echo in fractional Fourier domain

3 網(wǎng)絡(luò)構(gòu)建與實(shí)驗(yàn)數(shù)據(jù)處理

3.1 深度學(xué)習(xí)網(wǎng)絡(luò)構(gòu)建

長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(long short-term memory networks, LSTMs)是循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural networks, RNN)的一種特殊形式[15]。循環(huán)神經(jīng)網(wǎng)絡(luò)是為有效處理時(shí)間序列數(shù)據(jù)而設(shè)計(jì)的，時(shí)間序列數(shù)據(jù)的顯著特征是相鄰信號(hào)幀與長(zhǎng)距離幀之間特征存在密切關(guān)聯(lián)，因此循環(huán)神經(jīng)網(wǎng)絡(luò)的神經(jīng)元被設(shè)計(jì)成具有環(huán)路的網(wǎng)絡(luò)結(jié)構(gòu)，其輸出由存儲(chǔ)過(guò)去信息的狀態(tài)變量與當(dāng)前的輸入共同決定，是一類具有短期記憶能力的神經(jīng)網(wǎng)絡(luò)。循環(huán)神經(jīng)網(wǎng)絡(luò)可以將時(shí)間序列信息間的特征保存在網(wǎng)絡(luò)的隱藏狀態(tài)中，完成對(duì)序列信號(hào)的動(dòng)態(tài)建模。但當(dāng)輸入序列比較長(zhǎng)時(shí)，按照時(shí)間的逆序?qū)㈠e(cuò)誤信息逐步向前傳遞時(shí)會(huì)存在梯度爆炸和消失問(wèn)題，引入了門控機(jī)制的LSTMs可以有效地解決這個(gè)問(wèn)題。

長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)中引入了遺忘門Ft、輸入門It和輸出門Ot的3個(gè)門結(jié)構(gòu)，以及用于記錄額外的信息、進(jìn)行線性循環(huán)信息傳遞的記憶細(xì)胞Ct[15]，長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)如圖5。

圖5 LSTMs結(jié)構(gòu)Fig.5 Structure of LSTMs

3.2 實(shí)驗(yàn)數(shù)據(jù)處理

數(shù)據(jù)源自消聲水池中模擬自由場(chǎng)環(huán)境對(duì)目標(biāo)散射回波的測(cè)量實(shí)驗(yàn)。實(shí)驗(yàn)水池六面鋪設(shè)吸聲尖劈，在工作頻率內(nèi)能夠減弱由反射引起的多途，避免目標(biāo)散射回波的干擾。實(shí)驗(yàn)系統(tǒng)布放如圖6所示。目標(biāo)模型與收發(fā)合置換能器處于相同水平位置，發(fā)射信號(hào)歸一化頻率為0.02～0.08，脈寬為1 000采樣點(diǎn)，目標(biāo)由機(jī)械系統(tǒng)控制勻速旋轉(zhuǎn)，信號(hào)發(fā)生與采集裝置由同步信號(hào)控制，目標(biāo)反向散射回波信號(hào)經(jīng)基陣接收后由信號(hào)采集器存儲(chǔ)。

圖6 實(shí)驗(yàn)系統(tǒng)布放Fig.6 The setup of the experiment

考慮水平旋轉(zhuǎn)情況下，全角度目標(biāo)反向散射信號(hào)的采集，定義聲波自半球一側(cè)沿殼體軸向入射為θ=0°，從平面一端為θ=180°，而正橫入射為θ=90°。

在最佳分?jǐn)?shù)階次下，利用分?jǐn)?shù)階傅里葉變換獲取不同入射角度下目標(biāo)回波的時(shí)序結(jié)構(gòu)，作為不同入射角度回波的識(shí)別特征。在0～180°內(nèi)，每間隔15°，共13類角度的目標(biāo)回波信號(hào)求取相應(yīng)的最佳分?jǐn)?shù)階傅里葉域的時(shí)序結(jié)構(gòu)特征，圖7中為觀測(cè)范圍內(nèi)典型角度的時(shí)序結(jié)構(gòu)示意圖。

圖7 0°～180°范圍內(nèi)最佳分?jǐn)?shù)階域時(shí)序結(jié)構(gòu)Fig.7 Optimal time sequence structure in fractional Fourier domain from 0°～180°

實(shí)際探測(cè)中存在環(huán)境干擾和聲場(chǎng)分布不均勻等問(wèn)題，目標(biāo)回波的波形可能產(chǎn)生畸變。對(duì)不同時(shí)刻接收到的回波，分?jǐn)?shù)階傅里葉變換所得到結(jié)果不同，時(shí)序結(jié)構(gòu)的特征會(huì)隨之改變。并且對(duì)不同角度下彈性環(huán)繞波間的時(shí)延研究，缺乏明確函數(shù)關(guān)系的量化，對(duì)高維時(shí)序結(jié)構(gòu)數(shù)據(jù)進(jìn)行降維處理會(huì)導(dǎo)致特征信息的丟失。這些問(wèn)題都將增加分類識(shí)別的難度，深度學(xué)習(xí)中的循環(huán)神經(jīng)網(wǎng)絡(luò)適合處理此類時(shí)間序列數(shù)據(jù)。循環(huán)神經(jīng)網(wǎng)絡(luò)可以將時(shí)間序列信息間的特征保存在網(wǎng)絡(luò)的隱藏狀態(tài)中，學(xué)習(xí)復(fù)雜的函數(shù)映射關(guān)系，完成對(duì)序列信號(hào)的動(dòng)態(tài)建模。

利用分?jǐn)?shù)階傅里葉變換提取不同入射角度下目標(biāo)回波在最佳分?jǐn)?shù)階域的一維時(shí)序結(jié)構(gòu)，采用LSTMs進(jìn)行訓(xùn)練學(xué)習(xí)，與采用頻譜結(jié)構(gòu)作為輸入數(shù)據(jù)訓(xùn)練得到的模型進(jìn)行對(duì)比，訓(xùn)練所得模型驗(yàn)證集的混淆矩陣如圖8?；煜仃嚤砻髂Ｐ皖A(yù)測(cè)過(guò)程中，對(duì)哪一部分產(chǎn)生混淆，用以判斷模型分類預(yù)測(cè)的優(yōu)劣。文中實(shí)現(xiàn)13類標(biāo)簽的分類任務(wù)，混淆矩陣的尺度為13×13，混淆矩陣在對(duì)角線上的值越大，表明模型的分類性能越好。

圖8 頻譜結(jié)構(gòu)-LSTMs的混淆矩陣Fig.8 Confusion matrix of spectrum structure- LSTMs

使用頻譜結(jié)構(gòu)數(shù)據(jù)構(gòu)建模型的混淆矩陣表明，在多數(shù)角度下的模型分類性能表現(xiàn)不佳。損失-準(zhǔn)確率變化曲線以及ROC曲線(受試者操作特性曲線)如圖9所示。損失-準(zhǔn)確率曲線描述模型的傳播損失和準(zhǔn)確率隨訓(xùn)練期數(shù)(epoch)的變化規(guī)律，曲線評(píng)價(jià)模型(receiver operating characteristic，ROC)在不同閾值下的表現(xiàn)情況，曲線的橫、縱坐標(biāo)分別表示假陽(yáng)率和真陽(yáng)率。(area under curve，AUC)表示ROC曲線下方面積，用來(lái)表征模型正確預(yù)測(cè)為正例的值高于將其預(yù)測(cè)為負(fù)例的值的概率，越接近1則模型性能越好。

圖9描述了模型整體性能以及模型對(duì)每一類樣本的識(shí)別能力。圖9(a)中，隨著訓(xùn)練期數(shù)的增加，訓(xùn)練集的誤差呈下降趨勢(shì)，但訓(xùn)練集的準(zhǔn)確率在93%的基礎(chǔ)上只有小幅度的上升，且驗(yàn)證集的誤差表現(xiàn)不穩(wěn)定。圖9(b)中AUC值普遍較小，說(shuō)明頻譜結(jié)構(gòu)數(shù)據(jù)仍不足以作為表征不同角度回波的特征。這是因?yàn)榛夭ǜ魃⑸涑煞执嬖谙嗨频恼{(diào)頻性質(zhì)，而幾何散射回波的頻譜范圍更廣，導(dǎo)致其完全覆蓋了彈性回波的頻譜，深度神經(jīng)網(wǎng)絡(luò)也難以學(xué)習(xí)到深層特征。

圖9 頻譜結(jié)構(gòu)-LSTMs模型性能Fig.9 Performance of spectrum structure-LSTMs

將分?jǐn)?shù)階域下的時(shí)序結(jié)構(gòu)作為L(zhǎng)STMs的輸入數(shù)據(jù)，訓(xùn)練所得模型的驗(yàn)證集混淆矩陣如圖10。

圖10 FRFT-LSTMs的混淆矩陣Fig.10 Confusion matrix of FRFT-LSTMs

圖10中混淆矩陣結(jié)果表明，利用時(shí)序結(jié)構(gòu)訓(xùn)練得到的模型，其混淆矩陣對(duì)角線上的值接近100%，在150°時(shí)有一定錯(cuò)誤分類的概率，但分類錯(cuò)誤樣本主要集中在與樣本臨近的角度，相比于頻譜結(jié)構(gòu)數(shù)據(jù)下混淆矩陣所呈現(xiàn)出的模型分類性能，采用FRFT-LSTMs的模型分類性能具有顯著增強(qiáng)。進(jìn)一步采用損失-準(zhǔn)確率變化曲線以及ROC曲線對(duì)模型進(jìn)行評(píng)估，結(jié)果如圖11所示。

圖11(a)中損失-準(zhǔn)確率曲線表明，模型在第2次迭代后損失準(zhǔn)確率曲線即得到了收斂，訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率穩(wěn)定在98.92%和98.53%；圖11(b)中的ROC-AUC曲線表明，AUC值均接近1，眾多評(píng)估指標(biāo)表明FRFT-LSTMs的模型可以實(shí)現(xiàn)對(duì)不同角度回波的精準(zhǔn)分類識(shí)別。頻譜結(jié)構(gòu)-LSTMs和FRFT-LSTMs兩種模型的詳細(xì)評(píng)估指標(biāo)如表2所示。

圖11 FRFT-LSTMs模型結(jié)果Fig.11 Results of FRFT-LSTMs

表2 模型各項(xiàng)評(píng)估指標(biāo)Table 2 Evaluation indicators of the model

與頻譜結(jié)構(gòu)-LSTMs模型相比，F(xiàn)RFT-LSTMs模型在上述評(píng)估指標(biāo)中均有更佳的性能表現(xiàn)。將分?jǐn)?shù)階域下時(shí)序結(jié)構(gòu)的特征作為L(zhǎng)STMs的輸入數(shù)據(jù)，并與使用頻譜結(jié)構(gòu)數(shù)據(jù)的LSTMs模型進(jìn)行對(duì)比，F(xiàn)RFT-LSTMs的識(shí)別準(zhǔn)確率達(dá)到了98.53%。通過(guò)調(diào)節(jié)優(yōu)化網(wǎng)絡(luò)參數(shù)，構(gòu)建了2種對(duì)水下目標(biāo)回波角度識(shí)別穩(wěn)定、精確的深度神經(jīng)網(wǎng)絡(luò)模型。

4 結(jié)論

1)本文基于亮點(diǎn)模型理論，利用分?jǐn)?shù)階傅里葉變換對(duì)不同入射角度下的水下目標(biāo)回波數(shù)據(jù)進(jìn)行時(shí)序特征提取，獲得與聲波入射角度相關(guān)的目標(biāo)回波時(shí)序結(jié)構(gòu)。通過(guò)構(gòu)建深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，將時(shí)序結(jié)構(gòu)特征作為L(zhǎng)STMs網(wǎng)絡(luò)的輸入進(jìn)行訓(xùn)練，實(shí)現(xiàn)對(duì)不同聲波入射角度下目標(biāo)回波的識(shí)別。

2)與采用目標(biāo)信號(hào)頻譜結(jié)構(gòu)作為輸入特征的模型進(jìn)行對(duì)比，采用LSTMs的深度神經(jīng)網(wǎng)絡(luò)模型的識(shí)別率可達(dá)98.53%。綜合模型查準(zhǔn)率、召回率、AUC等指標(biāo)，F(xiàn)RFT-LSTMs深度學(xué)習(xí)模型性能均優(yōu)于傳統(tǒng)頻譜結(jié)構(gòu)-LSTMs。實(shí)驗(yàn)數(shù)據(jù)處理結(jié)果表明，F(xiàn)RFT-LSTMs網(wǎng)絡(luò)模型可以實(shí)現(xiàn)實(shí)驗(yàn)條件下對(duì)水下目標(biāo)姿態(tài)的精準(zhǔn)分類與識(shí)別。