一种基于配对编码网络和对比学习的舰船噪声识别方法与流程

技术特征：
1.一种基于配对编码网络和对比学习的舰船噪声识别方法，其特征在于，包括以下步骤：步骤1，将水听器接收的长时段船舰噪声信号划分为固定时长的信号样本，通过卷积神经网络将信号样本映射到特征空间，得到每个信号样本的第一特征张量；步骤2，构建由一层长短时记忆层构成的循环神经网络，将步骤1得到的第一特征张量按照信号样本的时序依次输入循环神经网络，得到对应的第二特征张量；其中，前一时刻的第二特征张量保存在长短时记忆层中，并融合在后一时刻的第二特征张量中；步骤3，构建交叉熵形式的损失函数，根据第一特征张量和第二特征张量计算损失值；步骤4，构建第一优化器和第二优化器，第一优化器对卷积神经网络进行优化，第二优化器对卷积神经网络和循环神经网络的组合进行优化，每个优化器均利用步骤3计算的损失值，通过梯度反向传播方法对相应的神经网络的网络参数进行更新，得到训练好的卷积神经网络和循环神经网络；步骤5，将待识别船舰噪声信号输入训练好的卷积神经网络，得到相应的第一特征张量，将其展平为向量，然后通过全连接层，再通过softmax分类器得到分类结果，完成对船舰噪声信号的识别。2.根据权利要求1所述的一种基于配对编码网络和对比学习的舰船噪声识别方法，其特征在于，步骤1的具体方式为：步骤101，将水听器接收的长时段船舰噪声信号划分为3.2768秒，即16384点数的信号样本，将信号样本的维度从1*16384调整为128*128，并将信号样本按64个一批次的数量读入到卷积神经网络中；步骤102，将信号样本通过8*8、步长为4的卷积核，映射到256个特征点的维度空间中，再通过非线性激活函数relu和大小为2的最大池化层，得到大小为256*15*15的特征矩阵；步骤103，将步骤102得到的特征矩阵再通过4*4、步长为2的卷积核和relu及最大池化层，得到256*3*3的特征张量。3.根据权利要求1所述的一种基于配对编码网络和对比学习的舰船噪声识别方法，其特征在于，步骤3的具体方式为：（1）根据第一特征张量和第二特征张量，构建对应维度的对角张量；（2）将对角张量重构为右移一位的矩阵，并按样本数量复制，得到时序标签阵列；（3）对第一特征张量和第二特征张量进行矩阵乘法，并保持样本数量不变，得到统一的样本特征；（4）对统一的样本特征和时序标签阵列计算批交叉熵对数损失。

技术总结
本发明提出了一种基于配对编码网络和对比学习的舰船噪声识别方法，属于舰船辐射噪声识别领域。本发明针对目标辐射噪声在频谱图上存在的伪装问题，利用基于对比的无监督学习思想，在保证模型实时效果的前提下，搭建了卷积神经网络和长短时记忆网络并进行两次映射。此外，本发明使用时序矩阵和交叉熵函数，迫使模型丢弃样本的原始声学无用信息和噪声，并学习不同目标之间的高级特征区别，提高了识别目标时的准确性。本发明通过对比学习思想重构损失函数，在保证模型简单结构的同时，达到了实时识别准确率高的效果，还有效解决了舰船目标伪装自己的频谱图，干扰现有识别系统的问题。干扰现有识别系统的问题。干扰现有识别系统的问题。


技术研发人员：王少博 王大宇 张博轩 李晋 罗恒光
受保护的技术使用者：中国电子科技集团公司第五十四研究所
技术研发日：2022.09.07
技术公布日：2022/11/11