欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025105501762
申请人: 苏州大学
专利类型:发明专利
专利状态:已下证
专利领域: 乐器;声学
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种水声目标识别方法,其特征在于,包括:

从不同海域的数据集中获取多个类别相同的水声信号样本;

将每个水声信号样本输入卷积神经网络模块,输出每个水声信号样本属于各类别的预测概率;

将每个水声信号样本属于各类别的预测概率输入基本概率分配模块,利用狄利克雷分布对每个水声信号样本属于各类别的预测概率进行参数化操作,输出每个水声信号样本的预测概率置信度分布不确定度;

利用Dempster-Shafer证据合成规则对多个水声信号样本属于各类别的预测概率和预测概率置信度分布不确定度分别进行融合,得到多个水声信号样本属于各类别的综合基本概率赋值和综合概率分布不确定度,从而输出多个水声信号样本的预测类别,并计算水声目标识别损失函数的值;

重新从不同海域的数据集中获取多个类别相同的水声信号样本,对卷积神经网络模块和基本概率分配模块进行训练,直到水声目标识别损失函数的值最小,得到训练好的水声目标识别模型。

2.根据权利要求1所述的水声目标识别方法,其特征在于,水声目标识别损失函数的构建过程包括:基于每个水声信号样本的预测类别和真实类别构建每个水声信号样本的损失函数;损失函数为均方误差损失函数、交叉熵损失函数或似然值损失函数;

以每个水声信号样本的损失函数关于其预测概率置信度分布的期望优化为目标,构建每个水声信号样本的识别损失函数;

基于多个水声信号样本的识别损失函数之和得到水声目标识别损失函数。

3.根据权利要求2所述的水声目标识别方法,其特征在于,每个水声信号样本的预测概率置信度分布表示为:,

其中,表示第个水声信号样本的预测概率置信度分布;表示第个水声信号样本属于各类别的预测概率向量;表示第个水声信号样本的狄利克雷分布参数向量;表示第个水声信号样本的狄利克雷分布归一化常数;表示第个水声信号样本属于第个类别的预测概率;表示类别数量;表示第个水声信号样本属于第个类别的狄利克雷预测参数;为第个水声信号样本属于各类别的预测概率构成的集合;

当损失函数为均方误差损失函数时,每个水声信号样本的识别损失函数为:,

其中,表示第个水声信号样本的识别损失函数;表示第个水声信号样本的均方误差损失函数;表示第个水声信号样本属于各类别的真实概率向量;表示第个水声信号样本属于第个类别的真实概率;表示随机变量服从参数向量为的狄利克雷分布;表示随机变量;表示参数向量为的狄利克雷分布;表示在随机变量服从参数向量为的狄利克雷分布的条件下,第个水声信号样本属于第个类别的预测概率的期望;表示在随机变量服从参数向量为的狄利克雷分布的条件下,第个水声信号样本属于第个类别的预测概率平方的期望;

当损失函数为交叉熵损失函数时,水声目标识别损失函数为:

,

其中,表示第个水声信号样本的交叉熵损失函数;

当损失函数为似然值损失函数时,水声目标识别损失函数为:

,

其中,表示第个水声信号样本的似然值损失函数。

4.根据权利要求3所述的水声目标识别方法,其特征在于,得到水声目标识别损失函数后还包括:以每个水声信号样本的预测概率置信度分布与坍塌模型分布的差值最小化为目标,构建每个水声信号样本的KL散度损失;基于多个水声信号样本的KL散度损失之和得到目标KL散度损失函数;

基于目标KL散度损失函数和热启动参数构建证据坍塌正则项;

利用证据坍塌正则项对水声目标识别损失函数进行修正,从而利用修正后的水声目标识别损失函数对卷积神经网络模块和基本概率分配模块进行训练。

5.根据权利要求4所述的水声目标识别方法,其特征在于,修正后的水声目标识别损失函数为:,

其中,表示修正后的水声目标识别损失函数;表示水声目标识别损失函数;表示水声信号样本的数量;表示热启动参数;表示目标KL散度损失函数;表示第个水声信号样本的KL散度损失;表示从第个水声信号样本的狄利克雷分布参数向量中,去除预测概率不为0类别的狄利克雷预测参数后得到的新的狄利克雷分布参数向量;表示第个水声信号样本的狄利克雷分布参数向量为时的预测概率置信度分布;表示全1的狄利克雷分布。

6.根据权利要求1所述的水声目标识别方法,其特征在于,多个水声信号样本属于各类别的综合基本概率赋值表示为:,

其中,表示多个水声信号样本属于第个类别的综合基本概率赋值;表示第1个水声信号样本属于第个类别的预测概率;表示第2个水声信号样本属于第个类别的预测概率;表示第N个水声信号样本属于第个类别的预测概率;,表示类别数量;

综合概率分布不确定度表示为:

,

其中,表示综合概率分布不确定度;表示归一化系数;表示第1个水声信号样本的预测概率置信度分布不确定度;表示第2个水声信号样本的预测概率置信度分布不确定度;表示第N个水声信号样本的预测概率置信度分布不确定度。

7.根据权利要求1所述的水声目标识别方法,其特征在于,将每个水声信号样本输入卷积神经网络模块包括:对每个水声信号样本进行分帧、加窗和预加重处理,得到目标水声信号样本;

对每个目标水声信号样本进行短时傅里叶变换,得到目标水声信号样本的声谱图;

将每个目标水声信号样本的声谱图输入卷积神经网络模块。

8.根据权利要求1所述的水声目标识别方法,其特征在于,利用水声目标识别模型进行水声识别的步骤包括:获取待识别水声信号,将待识别水声信号输入水声识别模型中的卷积神经网络模块,输出待识别水声信号属于各类别的预测概率;

将待识别水声信号属于各类别的预测概率输入水声识别模型中的基本概率分配模块,利用狄利克雷分布对待识别水声信号属于各类别的预测概率进行参数化操作,输出待识别水声信号的预测概率置信度分布不确定度;

基于待识别水声信号属于各类别的预测概率和预测概率置信度分布不确定度,判定待识别水声信号中是否存在目标。

9.一种水声目标识别装置,其特征在于,包括:

数据获取模块,用于从不同海域的数据集中获取多个类别相同的水声信号样本;

类别概率预测模块,用于将每个水声信号样本输入卷积神经网络模块,输出每个水声信号样本属于各类别的预测概率;

不确定度获取模块,用于将每个水声信号样本属于各类别的预测概率输入基本概率分配模块,利用狄利克雷分布对每个水声信号样本属于各类别的预测概率进行参数化操作,输出每个水声信号样本的预测概率置信度分布不确定度;

证据融合模块,用于利用Dempster-Shafer证据合成规则对多个水声信号样本属于各类别的预测概率和预测概率置信度分布不确定度分别进行融合,得到多个水声信号样本属于各类别的综合基本概率赋值和综合概率分布不确定度,从而输出多个水声信号样本的预测类别,并计算水声目标识别损失函数的值;

模型训练及获取模块,用于重新从不同海域的数据集中获取多个类别相同的水声信号样本,对卷积神经网络模块和基本概率分配模块进行训练,直到水声目标识别损失函数的值最小,得到训练好的水声目标识别模型。

10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1~8任一项所述的水声目标识别方法的步骤。