基于對抗殘差網(wǎng)絡(luò)的復(fù)雜海況艦船目標(biāo)類型識別技術(shù)研究

摘 要：近年來隨著深度學(xué)習(xí)理論在水聲領(lǐng)域的應(yīng)用，水中目標(biāo)識別技術(shù)研究取得了巨大進(jìn)步。然而在工程應(yīng)用實踐中，應(yīng)用傳統(tǒng)的特征提取和分類器方法拼接得到的識別模型難以維持實驗室性能，復(fù)雜多變的海洋信道使聲信號在傳感器接收前發(fā)生劇烈畸變，導(dǎo)致識別算法出現(xiàn)特征失配和過擬合問題，算法性能急劇下降。針對以上問題，提出了一種對抗殘差網(wǎng)絡(luò)（Ａｄｖｅｒｓａｒｉａｌ Ｒｅｓｉｄｕａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＡＲＮＮ） 模型，利用梯度反向?qū)樱ǎ牵颍幔觯椋簦?Ｒｅｖｅｒｓａｌ Ｌａｙｅｒ，ＧＲＬ） 結(jié)構(gòu)和雙標(biāo)簽對抗訓(xùn)練的方式補(bǔ)償了不同水文條件下信道傳播之間的差異性，使算法更能夠聚焦到能夠表征目標(biāo)本質(zhì)的特征上，具有更強(qiáng)的魯棒性和更高的識別率。為驗證其有效性，設(shè)計了２ 次實驗，分別利用在南海不同海域、不同水文條件下多次采集的艦船目標(biāo)機(jī)械輻射噪聲信號，制作訓(xùn)練樣本集和測試樣本集以訓(xùn)練和測試算法模型。結(jié)果表明，相較于支持向量機(jī)（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ，ＳＶＭ）、卷積神經(jīng)網(wǎng)絡(luò)（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＣＮＮ）、殘差網(wǎng)絡(luò)（Ｒｅｓｉｄｕａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＲｅｓＮｅｔ） 等傳統(tǒng)網(wǎng)絡(luò)模型，提出的ＡＲＮＮ 模型可以有效緩解特征失配和過擬合問題，使模型具備不同水文條件下的可移植能力，解決人工智能技術(shù)在水中目標(biāo)識別工程應(yīng)用中的關(guān)鍵問題。

關(guān)鍵詞：水中目標(biāo)識別；特征失配；過擬合；對抗訓(xùn)練；梯度反向?qū)?/p>

中圖分類號：ＴＰ１８１ 文獻(xiàn)標(biāo)志碼：Ａ

文章編號：１００３－３１０６（２０２４）１０－２３５５－０７