一种基于深层卷积神经网络和自适应专家推理规则的水中目标连续跟踪方法与流程

技术特征：
1.一种基于深层卷积神经网络和自适应专家推理规则的水中目标连续跟踪方法，其特征在于，所述方法包括以下步骤：步骤1：构建并训练用于波束时频谱图特征提取的深层卷积神经网络模型；步骤2：构建用于对未知特征进行目标特征辨识的专家推理规则库，并初始化更新专家推理规则库参数；步骤3：获取感兴趣目标的初始时频谱图样本集；步骤4：对于每次新获取的一批多波束时域数据，基于短时傅里叶变换生成未知时频谱图样本集；步骤5：通过训练后的深层卷积神经网络模型分别对初始时频谱图样本集、未知时频谱图样本集进行感兴趣目标特征和未知特征提取；步骤6：基于感兴趣目标特征集对专家推理规则库参数自适应更新；步骤7：基于感兴趣目标特征集，采用参数自适应更新后的专家推理规则库对提取的未知特征进行目标特征辨识。2.如权利要求1所述的一种基于深层卷积神经网络和自适应专家推理规则的水中目标连续跟踪方法，其特征在于，所述深层卷积神经网络模型构建方法为：依次添加输入层、第一卷积层、第二卷积层、第三卷积层、池化层、第四卷积层、第五卷积层，输入层的输入数据尺寸为256*256*1，第一卷积层的卷积核为5*5*32，步长为2；第二卷积层的卷积核为3*3*64，步长为1；第三卷积层、第四卷积层的卷积核均为3*3*128，步长均为1；第五卷积层的卷积核为1*1*256，步长为2；池化层的池化核为3*3*2，步长为1；添加3个依次连接的第一resnet-inception模块；添加1个第四resnet-inception模块；添加3个依次连接的第一resnet-inception模块；添加8个依次连接的第二resnet-inception模块；添加第六卷积层，第六卷积层的卷积核为3*3*1024，步长为1；添加第七卷积层，第七卷积层的卷积核为1*1*2048，步长为2；添加5个依次连接的第三resnet-inception模块；添加全局平均池化层；添加全连接层，输出特征维数为512；构建深层卷积神经网络模型的损失函数，并设定训练参数。3.如权利要求2所述的一种基于深层卷积神经网络和自适应专家推理规则的水中目标连续跟踪方法，其特征在于，所述第一resnet-inception模块的构建为：在数据输入层之后添加4个并行分支：分支1为直接分支，分支2包括2个卷积层，卷积层1参数为(1
×
1，n，1)，卷积层2参数为(3
×
3，n，1)，分支3包括4个卷积层，各卷积层的参数分别为(1
×
1，n，1)、(1
×
5，n，1)、(5
×
1，n，1)及(1
×
1，n，1)，分支4包括4个卷积层，各卷积层的参数分别为(1
×
1，n，1)、(1
×
7，n，1)、(7
×
1，n，1)和(1
×
1，n，1)，在分支2、3、4之后加入特征维扩展操作，通过整合分支2、3、4输出特征，得到综合特征集输出，特征总数量为3n；在分支1输出特征和综合特征集之后加入直接相加求和操作，得到第一resnet-inception模块的顶层特征，并通过加入relu激活函数，输出最终卷积特征；所述第二resnet-inception模块的构建为：在数据输入层之后添加3个并行分支，分支1为直接分支；分支2包括3个卷积层，3个卷积层的参数分别为(1
×
1，n，1)、(1
×
5，n，1)和(5
×
1，n，1)；分支3在输入端包含2个并行子分支，子分支1包括3个卷积层，参数分别为(1
×
1，n，1)、(3
×
3，n，1)及(3
×
3，n，1)，子分支2包括3个卷积层，参数分别为(1
×
1，n，1)、(3
×
1，
n，1)和(1
×
3，n，1)，子分支1和子分支2输出端共同连接1个卷积层，其参数为(1
×
1，n，1)。在分支2、3之后加入特征维扩展操作，通过整合分支2、3输出特征，得到综合特征集输出，特征总数量为2n；在分支1输出特征和综合特征集之后加入直接相加求和操作，得到第二resnet-inception模块的顶层特征，并通过加入relu激活函数，输出最终卷积特征；所述第三resnet-inception模块的构建为：在数据输入层之后添加2个并行分支，分支1为直接分支，分支2在输入端包含2个并行子分支，子分支1包括1个卷积层，参数为(1
×
1，n，1)，子分支2包括3个卷积层，参数分别为(1
×
1，n，1)、(1
×
3，n，1)和(3
×
1，n，1)，子分支1和子分支2输出端共同连接1个卷积层，参数为(1
×
1，2n，1)；在分支1和分支2之后加入直接相加求和操作，得到第三resnet-inception模块的顶层特征，并通过加入relu激活函数，输出最终卷积特征；所述第四resnet-inception模块的构建为：在数据输入层之后添加3个并行分支，分支1包括2个卷积层，参数分别为(1
×
1，n，1)和(1
×
1，n，2)，分支2包括2个卷积层，参数分别为(1
×
3，n，1)和(3
×
1，n，2)，分支3包括3个卷积层，参数分别为(1
×
1，n，1)、(3
×
3，n，1)和(1
×
1，n，2)，在分支1、2、3之后加入特征维扩展操作，通过整合分支2、3、4输出特征，得到综合特征集输出，特征总数量为3n，并通过加入relu激活函数，输出最终卷积特征。4.如权利要求2所述的一种基于深层卷积神经网络和自适应专家推理规则的水中目标连续跟踪方法，其特征在于，所述训练深层卷积神经网络模型包括以下步骤：步骤1.2.1：获取水中目标辐射噪声信号库中的带个体信息标签样本x＝{x1(t)，x2(t)，...，x
n
(t)，(n∈n
*
)}；步骤1.2.2：基于短时傅里叶对带个体信息标签样本x进行时频变换预处理，得到时频图像样本集，对时频图像样本集划分为相互独立的训练样本集x
train
和测试样本集x
test
；步骤1.2.3：从训练样本集x
train
中随机选择参考样本x
i
，其对应标签为a，特征计算结果为f(x
i
)；再随机选取一个标签为a的样本x
j
，特征计算结果为f(x
j
)；随机选择一个标签和a不同的样本x
k
，设定其标签为b，特征计算结果为f(x
k
)；采用梯度下降算法最小化损失函数j
s
，其中δ为正数，反复迭代优化，完成对卷积神经网络的训练。5.如权利要求4所述的一种基于深层卷积神经网络和自适应专家推理规则的水中目标连续跟踪方法，其特征在于，构建所述专家推理规则库包括以下步骤：步骤2.1.1：制定未知特征与单模板特征的匹配规则，对于未知特征f(x
n
)和单模板特征f(x
r
)，采用欧式距离和余弦相似度方法建立相似度计算准则s
sig
，其中μ和λ为加权系数；步骤2.1.2：制定未知特征与多模板特征的匹配规则，对于未知特征f(x
n
)和目标的模板特征组f(x
r，1
)，f(x
r，2
)，...，f(x
r，n
)，基于式(2)依次计算未知特征与任一单模板特征的相似度，得到相似度序列s
sig1
，s
sig2
，...，s
sign
，综合取最小值和平均值方法建立相似度计算准则s，其中min和avg分别为求最小值和平均值操作，a和β分别为加权系数，n＞1，s＝αmin{s
sig1
，s
sig2
，...，s
sign
} βavg{s
sig1
，s
sig2
，...，s
sign
}
ꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
步骤2.1.3：制定目标辨识准则，通过设置判别门限θ，若s小于θ，则判定未知特征与模板特征相匹配。6.如权利要求5所述的一种基于深层卷积神经网络和自适应专家推理规则的水中目标连续跟踪方法，其特征在于，所述步骤2中，初始化更新专家推理规则库参数包括以下步骤：步骤2.2.1：基于训练后的深层卷积神经网络模型对训练样本集和测试样本集进行特征提取，得到训练样本特征集和测试样本特征集，将训练样本特征集作为初始模板特征集，将测试样本特征集作为初始未知特征集；步骤2.2.2：基于专家推理规则库对初始模板特征集和初始未知特征集进行交叉辨识，得到辨识结果集合r
cal
；步骤2.2.3：基于辨识结果集合r
cal
获取t
cal
，目标模板特征和未知特征为同一目标且匹配结果小于判别门限设置为1，模板特征和未知特征为不同目标且匹配结果大于判别门限设置为1，得到集合t
cal
；步骤2.2.4：采用遗传算法对各加权系数和判别门限进行优化，目标函数为max{t
cal
}，决策变量集合为{α，β，μ，λ，θ}；对建立的遗传算法模型进行迭代寻优，得到最佳决策变量集合。7.如权利要求6所述的一种基于深层卷积神经网络和自适应专家推理规则的水中目标连续跟踪方法，其特征在于，所述步骤3为根据初始方位从多波束跟踪时域数据中获取具备一定时长感兴趣目标数据，分帧后基于短时傅里叶变换生成初始时频谱图样本集，所述初始时频谱图样本集中的样本总数不少于样本总数下限，且样本总数不大于样本总数上限n
max
，若样本总数大于n
max
，则按时间历程从前到后进行样本删除，直至满足样本数量不大于n
max
。8.如权利要求7所述的一种基于深层卷积神经网络和自适应专家推理规则的水中目标连续跟踪方法，其特征在于，所述步骤7中，样本总数下限为10个。9.如权利要求7所述的一种基于深层卷积神经网络和自适应专家推理规则的水中目标连续跟踪方法，其特征在于，所述步骤7中，若有若干个未知特征的相似度小于判别门限，则将取值最小的未知特征作为所述感兴趣目标的辨识结果并对该取值最小的未知特征对应的波束方位进行跟踪，同时将对应的时频谱图样本添加至初始时频谱图样本集；若没有未知特征的相似度小于判别门限，则结束。10.如权利要求8所述的一种基于深层卷积神经网络和自适应专家推理规则的水中目标连续跟踪方法，其特征在于，将取值最小的未知特征对应的时频谱图样本添加至初始时频谱图样本集后，若初始时频谱图样本总数大于n
max
，则按时间历程从前到后进行样本删除，直至满足样本数量不大于n
max
。

技术总结
本发明公开了一种基于深层卷积神经网络和自适应专家推理规则的水中目标连续跟踪方法，首先针对多波束时域数据特点生成时频谱图样本，其次构建并训练面向时频谱图特征提取的深层卷积神经网络模型；接着构建专家推理规则库，以从多波束时频谱图特征中辨识感兴趣目标；最后基于深层卷积神经网络模型和专家推理规则库对现场多波束时域数据进行处理，一则根据已知感兴趣目标方位信息，利用多波束特征提取结果，初始化更新专家推理规则库，二则依托专家推理规则库对新的多波束特征提取结果辨识，实现感兴趣目标连续跟踪，在处理过程中将根据每个批次感兴趣目标/背景辨识结果对专家推理规则库进行自适应更新，以更好的适应目标-干扰-环境的动态变化。环境的动态变化。环境的动态变化。


技术研发人员：陈越超 马启明 王方勇 尚金涛 周彬 陈孝森 王青翠
受保护的技术使用者：中国船舶重工集团公司第七一五研究所
技术研发日：2021.11.11
技术公布日：2022/3/15