论文摘要
水下目标识别一直是水声信号处理领域的重要研究内容,其中包括对海洋生物信号的研究。海洋哺乳动物叫声的研究对于海洋生态环境的监测与仿生研究都有着重要的意义。本文以四种鲸目动物低频叫声信号作为研究对象,利用深度卷积神经网络对目标进行特征提取和分类识别,并与以梅尔倒谱系数为特征,支持向量机和随机森林为分类器的传统水下目标分类模型进行对比,进而分析深度学习方法的特点和优势。论文的主要完成工作如下:首先介绍了水下目标识别的背景以及基本的理论知识。从特征提取和分类器设计两个角度简述了水下目标识别技术的发展历程。重点介绍了深度学习技术的发展历史以及在水下目标识别领域的初步探索。分析了鲸目动物低频叫声信号的参数模型,研究了基于梅尔倒谱系数的水下信号特征提取方法。从时频分析的角度讨论了线调频小波变换在分析鲸类叫声信号的优势,并引入一种线调频小波变换的快速算法。结合实测四类鲸鱼叫声数据,分别提取并对比了四种鲸类叫声信号的Mel谱图和Chirplet谱图。作为深度卷积神经网络分类模型的对比模型,对支持向量机和随机森林这两种传统的机器学习算法进行简要的介绍。其次介绍了一维,二维两种卷积神经网络的结构组成以及网络参数初始化方法;研究了常用的激活函数与损失函数对深度卷积神经网络学习效果的影响;分析了5种常见的基于梯度下降法的参数优化方法,并通过仿真了给出了他们的性能比较;介绍卷积神经网络的训练过程,并给出了详细的数学推导过程;最后讨论了深度学习模型存在的过拟合问题,并研究了常用的正则化方法以及失活率对识别率的影响。最后介绍了深度学习模型的评价体系。通过对实测数据分析处理,分别给出了以MFCC为特征,支持向量机和随机森林为分类器;以MFCC和原始波形为输入的一维卷积神经网络;以Mel谱图和Chirplet谱图为输入的二维卷积神经网络模型三种模型的识别结果。实验结果表明本文提出的Chirplet-Resnet分类方法可以有效地提高目标识别率,并可以有效地防止模型出现过拟合。
论文目录
文章来源
类型: 硕士论文
作者: 张冠华
导师: 李秀坤
关键词: 水声目标分类,特征提取,深度学习,卷积神经网络
来源: 哈尔滨工程大学
年度: 2019
分类: 基础科学,信息科技
专业: 海洋学,自动化技术
单位: 哈尔滨工程大学
分类号: TP183;P733.2
总页数: 79
文件大小: 15548K
下载量: 218