1.一种机载雷达测深浅海底质分类方法,其特征在于:包括以下步骤:步骤1:基于“三段式”波形分解和二次曲面LM拟合算法,提取机载雷达测深多元波形和地形特征;
步骤2:构建强度和点云特征兼顾的双支CNN动态迁移学习分类模型,通过对强度分支和点云分支进行双重训练,提升网络结构的整体稳定性;
步骤3:通过动态调控网络自适应调整点云分支的全连接层参数,实现参数权重迁移,增强整体双支CNN动态迁移学习分类模型的泛化性和鲁棒性。
2.根据权利要求1所述的机载雷达测深浅海底质分类方法,其特征在于:在步骤1中,机载雷达测深多元波形和地形特征的提取方法如下:步骤1.1:基于“三段式”波形分解方法,提取机载雷达测深多元波形特征;
步骤1.2:基于二次曲面LM拟合算法,提取机载雷达测深多元地形特征。
3.根据权利要求2所述的机载雷达测深浅海底质分类方法,其特征在于:“三段式”波形包括高斯函数拟合水面回波、双指数函数拟合水体回波和韦伯函数拟合底部回波;机载雷达测深多元波形特征包括振幅、波宽、半幅波宽、波形面积、偏态、峰度、反向散射截面系数、残差振幅和残差波宽;机载雷达测深多元地形特征包括坡度、高斯曲率、粗糙度、水深标准差、高程熵、起伏度、平均偏差、变异系数、凹凸系数。
4.根据权利要求1所述的机载雷达测深浅海底质分类方法,其特征在于:在步骤2中,双支CNN动态迁移学习分类模型的构建方法如下:步骤2.1:机载雷达测深振幅信息即为强度信息,通过对提取的振幅特征进行内插获得机载雷达测深强度图像;
步骤2.2:将机载雷达测深强度图像依据海底点云分辨率大小进行分割,分割后的图像单元仅代表一种底质类型,通过分辨图像单元的颜色和纹理特征来实现强度分支分类;
步骤2.3:迁移强度分支的训练参数至点云分支,提取的多元波形和地形特征参数作为点云分支的输入矩阵,基于自主架构的CNN网络模型和迁移训练参数,完成点云分支训练;
步骤2.4:为保证强度分支与点云分支的差异值越来越小,实现两个分支的拟合趋近,需要使用MK‑MMD概率适配方法度量两个分支分布间的距离;假设强度分支和点云分支在最A F A F后的高层输出分别为Yt 和Yt ,利用MK‑MMD概率适配方法度量出Yt 与Yt 之间的差异A Fdistance(Yt ,Yt),并将该差异添加到双支CNN迁移学习模型的损失函数中,损失函数如公式(1)所示:i i
式中,z (θ)是点云分支样本x的预测标签;其中,i=1,2,…,N;θ=(θ1,θ2)是点云分支i中动态调控网络的参数;y为点云分支样本的标记标签;λ是正则项系数;P=(p1,…,pm)是动态调控网络预测得到的加权参数,||·||1表示L1范数;
步骤2.5:L1范数能够使双支CNN迁移学习模型的权值矩阵更加稀疏,缓解模型过拟合问题;将目标损失函数进行优化,如公式(2)所示:其中, L2=||P||1;
步骤2.6:采用如公式(3)所示的具有可导性的等价形式来表示L1范数:式中,ε是一个很小的正常量。
5.根据权利要求1所述的机载雷达测深浅海底质分类方法,其特征在于:在步骤3中,动态调控网络的训练策略如下:步骤3.1:通过动态调控网络得到加权向量,并将该向量迁移至点云分支,动态调控网络中隐藏层与输出层的连接参数 的更新规则如公式(4)所示:式中, 为隐藏层与输出层的连接参数,m表示迭代次数,τM为学习率,Loss为目标损失函数;
步骤3.2:动态调控网络输入层与隐藏层的连接参数 的更新规则如公式(5)所示:式中, 为输入层与隐藏层的连接参数,m表示迭代次数,τM为学习率, 为的一阶导数, 为激活函数, 是隐藏层第j个神经元的输入,是输入层第i个神经元的输出,n为最后一层全连接层的神经元个数, 为隐藏层与输出层的连接参数, 为动态调控网络中输出层的局部梯度;
步骤3.3:固定动态调控网络,训练点云分支;然后固定点云分支,训练动态调控网络,通过不断交叉迭代完成训练参数的自适应动态调控。