一种多物理场融合探测识别潜航器的方法及系统

1.本发明属于目标特征识别、非声学的水下探测以及多维信号处理技术的交叉融合领域，更具体地，涉及一种多物理场融合探测识别潜航器的方法及系统。


背景技术：

2.在经济全球化的新形势背景下，随着各国的进出口总量的快速增长，船舶运输因为自身巨大的货运量以及高效的货物保障被全球企业商家所青睐，于是船舶在航行过程中的安全问题成为了人们关注的焦点。随着水下潜航器与水下机器人活动范围的日益增大，两者的活动成为了影响海洋通航的重要因素，在这个背景下，对影响海洋通航的水下潜航器等铁磁性目标的探测尤为重要。
3.华中科技大学张天序教授提出了使用世界各国电网产生的工频电磁场(波)进行水下铁磁性目标的探测。遍布全世界的高压输/变/用电网络会产生工频电磁场(波)。工频电磁场(波)穿透性强，可穿透海洋作用在水下铁磁性目标上。目标在工频电磁场(波)的作用下产生畸变信号，可进行水下铁磁性目标探测。
4.依托于华中科技大学张天序教授提出的使用世界各国电网产生的工频电磁场(波)进行水下铁磁性目标的探测，本发明旨在实现以轻量级网络对水下铁磁性目标，例如潜航器等，进行高效、高准确率的探测。


技术实现要素：

5.针对现有技术的缺陷，本发明的目的在于提供一种多物理场融合探测识别潜航器的方法及系统，旨在解决以轻量级网络对水下铁磁性目标进行高效、高准确率的探测的问题。
6.为实现上述目的，第一方面，本发明提供了一种多物理场融合探测识别潜航器的方法，包括如下步骤：
7.获取海洋背景场的图像；所述图像为可见光图像和红外图像中的至少一种；所述海洋背景场中可能包括水面船舶和潜航器中的至少一种铁磁性目标；
8.获取海洋背景场的功率谱数据；
9.根据所述图像确定所述海洋背景场中是否包含水面船舶，若包含水面船舶，则将所述功率谱数据输入到预先训练好的第一种神经网络分类模型，若不包含水面船舶，则将所述功率谱数据输入到预先训练好的第二种神经网络分类模型；所述第一种神经网络分类模型用于对水面船舶、潜航器以及海洋背景进行识别分类，所述第二种神经网络分类模型用于对潜航器和海洋背景进行识别分类；
10.当所述第一种神经网络分类模型输出的潜航器的识别概率值大于第一预设概率值，或所述第二种神经网络分类模型输出的潜航器的识别概率值大于第二预设概率值时，则确定在所述海洋背景场中探测到潜航器。
11.在一个可选的示例中，所述第一种神经网络分类模型和第二种神经网络分类模型
均包括：局部特征提取模块、全局特征提取模块、特征融合模块以及分类识别模块；
12.所述局部特征提取模块，用于通过卷积神经网络提取所述功率谱的局部特征向量；
13.所述全局特征提取模块，用于通过全连接层提取所述功率谱的全局特征向量；
14.所述特征融合模块，用于将所述局部特征向量和全局特征向量拼接，得到融合特征向量；
15.所述分类识别模块，用于通过全连接层和softmax激活函数实现分类识别，确定每一类别的概率；
16.采用包含水面船舶、潜航器以及海洋背景三种目标的功率谱数据对上述各个模块进行训练，得到训练好的第一种神经网络分类模型；
17.采用包含潜航器和海洋背景两种目标的功率谱数据对上述各个模块进行训练，得到训练好的第二种神经网络分类模型。
18.在一个可选的示例中，所述局部特征提取模块包括：卷积层、激活层以及池化层；
19.所述卷积层，用于对接收到功率谱进行线性变换；
20.所述激活层，用于增加神经网络各层之间的非线性关系。
21.所述池化层，用于对线性变换后的特征降维，并对降维后的特征进行压缩，以提取出功率谱的局部特征向量。
22.在一个可选的示例中，所述全局特征提取模块包括：全连接层；
23.所述全连接层，用于充分利用输入功率谱数据的所有信息，以捕获不同类别的功率谱信息的差异，提取出功率谱的全局特征向量。
24.在一个可选的示例中，所述第一种神经网络分类模型和第二种神经网络分类模型的总体识别率和平均识别率分别为：
25.总体识别率：
[0026][0027]
式中，accuracy为总体识别率，right
pred
为测试集中被预测正确的功率谱数据的总数量，total为测试集中功率谱数据的总数量；
[0028]
平均识别率avg：
[0029][0030][0031]
式中，accuracyi为第i类目标的识别率，其中，αi为第i类目标识别率所占的权重值，righti为测试集中第i类目标被预测正确的功率谱数据的总数量，totali为测试集中第i类目标功率谱数据的总数量，n为目标的总类别数。
[0032]
第二方面，本发明提供了一种多物理场融合探测识别潜航器的系统，包括：
[0033]
图像数据获取单元，用于获取海洋背景场的图像；所述图像为可见光图像和红外图像中的至少一种；所述海洋背景场中可能包括水面船舶和潜航器中的至少一种铁磁性目
标；
[0034]
功率谱数据获取单元，用于获取海洋背景场的功率谱数据；
[0035]
潜航器识别单元，用于根据所述图像确定所述海洋背景场中是否包含水面船舶，若包含水面船舶，则将所述功率谱数据输入到预先训练好的第一种神经网络分类模型，若不包含水面船舶，则将所述功率谱数据输入到预先训练好的第二种神经网络分类模型；所述第一种神经网络分类模型用于对水面船舶、潜航器以及海洋背景进行识别分类，所述第二种神经网络分类模型用于对潜航器和海洋背景进行识别分类；以及当所述第一种神经网络分类模型输出的潜航器的识别概率值大于第一预设概率值，或所述第二种神经网络分类模型输出的潜航器的识别概率值大于第二预设概率值时，则确定在所述海洋背景场中探测到潜航器。
[0036]
在一个可选的示例中，所述潜航器识别单元所用的第一种神经网络分类模型和第二种神经网络分类模型均包括：局部特征提取模块、全局特征提取模块、特征融合模块以及分类识别模块；
[0037]
所述局部特征提取模块，用于通过卷积神经网络提取所述功率谱的局部特征向量；
[0038]
所述全局特征提取模块，用于通过全连接层提取所述功率谱的全局特征向量；
[0039]
所述特征融合模块，用于将所述局部特征向量和全局特征向量拼接，得到融合特征向量；
[0040]
所述分类识别模块，用于通过全连接层和softmax激活函数实现分类识别，确定每一类别的概率；
[0041]
采用包含水面船舶、潜航器以及海洋背景三种目标的功率谱数据对上述各个模块进行训练，得到训练好的第一种神经网络分类模型；
[0042]
采用包含潜航器和海洋背景两种目标的功率谱数据对上述各个模块进行训练，得到训练好的第二种神经网络分类模型。
[0043]
在一个可选的示例中，所述局部特征提取模块包括：卷积层、激活层以及池化层；
[0044]
所述卷积层，用于对接收到功率谱进行线性变换；
[0045]
所述激活层，用于增加神经网络各层之间的非线性关系。
[0046]
所述池化层，用于对线性变换后的特征降维，并对降维后的特征进行压缩，以提取出功率谱的局部特征向量。
[0047]
在一个可选的示例中，所述全局特征提取模块包括：全连接层；
[0048]
所述全连接层，用于充分利用输入功率谱数据的所有信息，以捕获不同类别的功率谱信息的差异，提取出功率谱的全局特征向量。
[0049]
在一个可选的示例中，所述第一种神经网络分类模型和第二种神经网络分类模型的总体识别率和平均识别率分别为：
[0050]
总体识别率：
[0051][0052]
式中，accuracy为总体识别率，right
pred
为测试集中被预测正确的功率谱数据的总数量，total为测试集中功率谱数据的总数量；
[0053]
平均识别率avg：
[0054][0055][0056]
式中，accuracyi为第i类目标的识别率，其中，αi为第i类目标识别率所占的权重值，righti为测试集中第i类目标被预测正确的功率谱数据的总数量，totali为测试集中第i类目标功率谱数据的总数量，n为目标的总类别数。
[0057]
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
[0058]
本发明提出的多物理场融合探测识别潜航器的方法及系统，可以实现对水面船舶、水下潜航器、海洋背景等的识别分类，采用图像、功率谱融合策略，由于功率谱分类模型对水面船舶的分类识别率相对较低，若直接采用含有对水面船舶分类的模型进行潜航器识别，则模型的平均识别率和整体识别率均较低，本发明先利用可见光、红外图像检测目标场景中是否有水面船舶经过，若存在则使用带有水面船舶识别目标的功率谱鉴别模型，若不存在则使用不含水面船舶识别目标的功率谱分类模型，该方案可有效提高总体识别率、平均识别率。本发明提供的技术方案对我国公共安全等领域具有重大的社会价值和效益，同时更好的支撑我国海上安全的有效防卫。
[0059]
本发明提出的多物理场融合探测识别潜航器的方法及系统，提出了局部特征与全局特征相融合的特征融合方式以及多物理场融合方式，在保证网络模型轻量化的前提，也可以保证对目标的高识别率。
附图说明
[0060]
图1是本发明实施例提供的多物理场融合探测识别潜航器的方法流程图；
[0061]
图2是本发明实施例提供的探测识别潜航器的算法流程图；
[0062]
图3是本发明实施例提供的谱鉴别网络流程图；
[0063]
图4是本发明实施例提供的数据库建立流程图；
[0064]
图5是本发明实施例提供的谱鉴别算法框图；
[0065]
图6是本发明实施例提供的谱鉴别算法思想图；
[0066]
图7是本发明实施例提供的谱鉴别全局特征提取模块示意图；
[0067]
图8是本发明实施例提供的谱鉴别特征融合模块示意图；
[0068]
图9是本发明实施例提供的图检测流程示意图；
[0069]
图10是本发明实施例提供的总体识别率随着epoch变化曲线示意图；
[0070]
图11是本发明实施例提供的多物理场融合探测识别潜航器的系统架构图。
具体实施方式
[0071]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不
用于限定本发明。
[0072]
依托于团队提出的一种提取并分析电磁异常信号的特征信息方法所获得的数据，本发明提出了多物理场融合探测识别潜航器的方法及系统，该方法可以鉴别提取并分析电磁异常信号的特征信息，得知对应目标的标签或者所属类别，从而定位水下目标，提高水下目标的大范围扫描感知能力，突破探测范围的局限性和无法对水下目标定位定向的难点。
[0073]
本发明提出的一种多物理场融合探测识别潜航器的方法及系统，在保证轻量化网络模型的基础上，经过外场试验数据集的验证，证实了该算法的有效性。
[0074]
针对现有技术的缺陷，本发明的目的在于提供多物理场融合探测识别潜航器的方法及系统，该方法的核心思想是：
①
谱鉴别，采用将目标功率谱数据的全局特征与局部特征融合的策略进行识别分类；
②
融入图检测，可实现依据于场景的限制，自主选择功率谱鉴别n分类模型，提高目标识别率。旨在实现以轻量级网络对功率谱数据进行高效、高准确率的识别分类。
[0075]
图1是本发明实施例提供的多物理场融合探测识别潜航器的方法流程图；如图1所示，包括如下步骤：
[0076]
s101，获取海洋背景场的图像；所述图像为可见光图像和红外图像中的至少一种；所述海洋背景场中可能包括水面船舶和潜航器中的至少一种铁磁性目标；
[0077]
s102，获取海洋背景场的功率谱数据；
[0078]
s103，根据所述图像确定所述海洋背景场中是否包含水面船舶，若包含水面船舶，则将所述功率谱数据输入到预先训练好的第一种神经网络分类模型，若不包含水面船舶，则将所述功率谱数据输入到预先训练好的第二种神经网络分类模型；所述第一种神经网络分类模型用于对水面船舶、潜航器以及海洋背景进行识别分类，所述第二种神经网络分类模型用于对潜航器和海洋背景进行识别分类；
[0079]
s104，当所述第一种神经网络分类模型输出的潜航器的识别概率值大于第一预设概率值，或所述第二种神经网络分类模型输出的潜航器的识别概率值大于第二预设概率值时，则确定在所述海洋背景场中探测到潜航器。
[0080]
在一个可选的示例中，所述第一种神经网络分类模型和第二种神经网络分类模型均包括：局部特征提取模块、全局特征提取模块、特征融合模块以及分类识别模块；
[0081]
所述局部特征提取模块，用于通过卷积神经网络提取所述功率谱的局部特征向量；
[0082]
所述全局特征提取模块，用于通过全连接层提取所述功率谱的全局特征向量；
[0083]
所述特征融合模块，用于将所述局部特征向量和全局特征向量拼接，得到融合特征向量；
[0084]
所述分类识别模块，用于通过全连接层和softmax激活函数实现分类识别，确定每一类别的概率；
[0085]
采用包含水面船舶、潜航器以及海洋背景三种目标的功率谱数据对上述各个模块进行训练，得到训练好的第一种神经网络分类模型；
[0086]
采用包含潜航器和海洋背景两种目标的功率谱数据对上述各个模块进行训练，得到训练好的第二种神经网络分类模型。
[0087]
在一个可选的示例中，所述局部特征提取模块包括：卷积层、激活层以及池化层；
[0088]
所述卷积层，用于对接收到功率谱进行线性变换；
[0089]
所述激活层，用于增加神经网络各层之间的非线性关系。
[0090]
所述池化层，用于对线性变换后的特征降维，并对降维后的特征进行压缩，以提取出功率谱的局部特征向量。
[0091]
在一个可选的示例中，所述全局特征提取模块包括：全连接层；
[0092]
所述全连接层，用于充分利用输入功率谱数据的所有信息，以捕获不同类别的功率谱信息的差异，提取出功率谱的全局特征向量。
[0093]
为实现上述目的，按照本发明的一个方面，提供了多物理场融合探测识别潜航器的方法及系统，如图2所示：
[0094]
一、谱鉴别
[0095]
谱鉴别的算法框图如图3所示：
[0096]
1.构建功率谱数据库。
[0097]
(1)采集背景场数据，建立背景杂波数据库：
[0098]
①
建立仿真背景场数据库：选择不同电压等级输电网络先分别仿真后再叠加，三相仿真，构建电网偶极子群模型；设置空气层、海洋层、陆地层、海床层、电离层几类介质层以及每一层对应的相对磁导率mur、相对电导率sigma等参数；获取试验地点经纬度坐标(x,y,z)，根据偶极子群仿真模型计算其对应背景场强度数据amplitude_1，并以此构建仿真背景场数据库。
[0099]
②
建立实测背景场数据库：在试验地点进行长时间的连续信号采集。传感器采集并获取原始数据后，通过短时傅里叶变换(stft,short-time fourier transform)提取50hz分量的工频信号，具体做法为对于原始信号f(t)，选择一个时频局部化的窗函数，假定分析窗函数g(t)在一个短时间间隔内为平稳的，移动窗函数使f(t)g(t)在不同的有限时间宽度内是平稳信号，从而计算出各个不同时刻的幅度谱。短时傅里叶变换可以表示为：
[0100][0101]
其中z(u)为源信号，g(t)为窗函数。
[0102]
计算得到试验地点的工频背景场强度后，可计算得出其平均值amplitude_2，并以此建立实测背景场数据库。
[0103]
③
仿真背景场数据与实测背景场数据对比：对比仿真计算所得试验地点背景场强度amplitude_1与实测背景场平均强度amplitude_2，计算相对误差
[0104][0105]
(2)采集目标信号，建立目标信号数据库；
[0106]
①
建立仿真目标信号数据库：将水下目标模型放置在仿真背景场数据库构建的模型中，设置目标所在位置(x,y,z)和具体参数，如半径r、长度l、厚度δ、磁导率μ等，计算仿真在上述偶极子群模型作用下的工频电磁场(波)背景和潜航器目标磁扰动计算结果。
[0107]
②
建立实测目标信号数据库：根据潜航器运动与探测的拓扑结构，进行实际测量。获取水下目标经过磁探测器的序列信号，传感器采集获取各频率混叠的原始数据后，经过傅里叶变换提取50hz信号数据，并以此建立实测目标信号数据库。其中非周期性连续时间
信号x(t)的傅里叶变换可以表示为：
[0108][0109]
其中x(t)为原函数，为原始的时域信号；而称变换后的频域信号x(w)为傅里叶变换的像函数，原函数和像函数构成一个傅里叶变换对。
[0110]
(3)根据背景杂波数据库、目标信号数据库提出潜航器工频电磁场
[0111]
工频电磁场扰动的序列时间窗幅/相频特征分析方法：传感器采集并获取原始数据后，对原始信号进行傅里叶变换提取出50hz信号强度和相位数据；为有效区分目标信号，对该信号再次进行傅里叶滑窗分解得到滑动序列时间窗信号。
[0112]
进行傅里叶滑窗分解时设置滑动窗口大小m，信号以该时间窗的大小步进。通过检验滑动序列时间窗信号中的扰动是否持续出现可判断该扰动为潜航器引起的系统性扰动或为噪声。具体的，若某个时间窗序列中出现扰动，而下一个时间窗序列中扰动消失，可认为该扰动并非由目标引起；若该扰动信号持续多个时间窗，则可认为该扰动由潜航器引起，为系统性扰动。上述步骤流程图如图4所示。
[0113]
目标数据获取可依据于多种传感器，因不同传感器机理不同，因此依据于传感器的种类，构建不同传感器下的数据集。同时仿真获得的数据集称为仿真数据集，共同组建数据库。
[0114]
试验数据共n(n＝1,2,
…
,i,
…
,n)类目标，每类目标样本数量不同，第i类目标，样本数量为mi个，共计个样本。按照7：3对每一类的所有样本划分训练集、测试集。最终每一类训练集7/10mi个样本，测试集3/10mi个样本。
[0115]
2.搭建神经网络，将训练集及训练标签一起输入神经网络进行训练，对目标的功率谱数据进行特征提取，从而获得所需的卷积神经网络的训练模型；
[0116]
为了保持深度学习分类的能力的同时，确保整个功率谱识别算法运行速度满足实时性能，通过对于识别场景进行限定，以约束所需识别类的数量，将大量的类别转换成少量有效类别，以降低神经网络训练的难度，为神经网络减负。
[0117]
本发明算法核心思想：利用卷积层获取目标的局部特征向量，利用全连接层获取目标的全局特征向量，再融合局部特征与全局特征，从而获得融合特征，对融合特征进行分类，如图5所示。
[0118]
(2.1)神经网络特征提取模块主要分为：局部特征提取模块、全局特征提取模块、特征融合模块三部分。
[0119]
局部特征提取模块
[0120]
目标功率谱数据集中，每类目标的功率谱特征向量均为一维特征向量。局部特征的提取算法如图6标注局部特征提取模块所示。
[0121]
局部特征提取模块以卷积神经网络为主导，卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络。卷积神经网络通常由卷积层、激活层和池化层三种结构组成。卷积神经网络有局部感知和参数共享两个特点，可以更好地捕获图像中所包含的各种局部的空间特征，以此获得目标功率谱数据的局部特征向量。
[0122]
卷积过程可以视为于输入特征的每个位置，通过线性变换映射成新值的过程。此处每一层卷积层设置卷积核尺寸为ki，步长为pi。
[0123]
激活层采用了relu激活函数，relu即修正线性单元，是一种人工神经网络中常用的激活函数，其作用就是增加了神经网络各层之间的非线性关系。
[0124]
采用最大池化主要用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性。最大池化即取选定空间领域内最大的元素作为该领域的输出。
[0125]
全局特征提取模块
[0126]
全局特征提取模块如图7所示。全连接层可以充分利用输入的所有信息，去捕获不同类别的功率谱信息的差异。如图7所示，主要包含输入层、隐藏层、输出层，其中，中间红色框代表特定层数的隐藏层。设置全连接层为n，则隐藏层为n-1，每层神经元个数为di(0《i《n)，进行以n层全连接为手段的全局特征的提取。获得目标功率谱数据的全局特征向量。
[0127]
具体的，全连接层的每一个结点都与上一层的所有结点相连，用来把上述提取到的特征综合起来，提取全局特征，如图7所示。
[0128]
特征融合模块
[0129]
采取向量拼接的特征融合方式融合目标功率谱数据的局部特征与全局特征，如图8所示。将上述局部特征提取模块获得的局部特征向量与全局特征提取模块获得的全局特征向量拼接为一个融合特征向量，利用该特征进行分类识别。
[0130]
(2.2)损失函数
[0131]
网络的损失函数为交叉熵损失函数，衡量网络的预测值与实际值的差异，实现多分类的目的。
[0132]
分类层用q个神经单元预测q类。针对不同目标标签分类。本文在特征向量后面增加一层全连接层用于得到每个类的预测概率。采用基于softmax激活函数的交叉熵损失函数训练分类器，softmax函数是一个概率函数，或称归一化指数函数，它能将一个含任意实数的k维向量“压缩”到另一个k维实向量中，使得每一个元素的范围都在之间，并且所有元素的和为1。softmax激活函数表示为：
[0133][0134]
交叉熵损失函数：
[0135][0136]
其中：k表示目标的类别数，z表示分类层输出得分，y
t
′
表示属于i个类别的概率，yi为真实标签。
[0137]
(2.3)评价指标
[0138]
本发明采用分类领域最常用的总体识别率、平均识别率，评估各个模型：
[0139]
(1)总体识别率：
[0140][0141]
式中，accuracy为总体识别率，right
pred
为测试集中被预测正确的功率谱数据的总数量，total为测试集中功率谱数据的总数量。
[0142]
总体识别率用于衡量整体算法的有效性，有着更好的总体性能评价的能力。
[0143]
(2)平均识别率：
[0144][0145][0146]
式中，accuracyi为第i类目标的识别率，其中，αi为第i类目标识别率所占的权重值，righti为测试集中第i类目标被预测正确的功率谱数据的总数量，totali为测试集中第i类目标功率谱数据的总数量。
[0147]
平均识别率用于衡量算法对于每一类目标的识别性能，能够更好的检验算法的泛化性。
[0148]
将步骤(1)中的数据输送到上述网络中获取所需的神经网络的训练模型。
[0149]
3.输入测试集中的目标功率谱数据，通过神经网络获得功率谱信息的所属目标类别。
[0150]
谱鉴别网络中可依据目标类别特点自定义训练集目标类别，训练集包含n类，则训练出的模型称为n分类模型，为后续的图检测，提供依据于场景限制的分类模型的选择。
[0151]
二、图检测
[0152]
采用图像、功率谱融合策略，先利用可见光、红外图像检测目标场景中是否有a目标经过(a目标：对后续功率谱鉴别模型平均识别率、总体识别率具有显著拉低作用)，若存在则使用带有a目标的功率谱鉴别模型，若不存在则使用不含a目标的功率谱分类模型，该方案可有效提高总体识别率、平均识别率。
[0153]
具体的分为两种情况：
①
当检测到a目标经过时，采用包含有a目标的功率谱鉴别模型，进行检测识别；
②
当未检测到a目标经过时，采用不包含有a目标的功率谱鉴别模型，进行检测识别。此方案可有助于提高实验的总体、平均识别率。上述所提到的n分类模型均基于下述的谱鉴别网络。
[0154]
此处a目标假定为水面船舶，图检测思想如图9所示。
[0155]
在一个更具体的实施例中，参照前述各附图，多物理场融合探测识别潜航器的方法及系统，包括以下步骤：
[0156]
一、谱鉴别
[0157]
(1)构建功率谱数据库，并划分为训练集、测试集。
[0158]
传感器探测的原始数据经过傅里叶变换提取50hz信号，取50hz信号距离潜航器较远位置30s时间窗处充当背景场，将50hz信号30s时间窗减去上述背景场信号，便可获得所测目标的功率谱数据集。
[0159]
原子磁力计数据集：实验获取的补偿前数据，数据为从原始数据中提出50hz信号对应的功率谱，每一个数据样本包含两列，第一列代表功率谱对应的不同频率(0hz-103hz，包含直流分量，分成3046个点)，第二数列代表不同频率对应的不同功率(单位w)。采集数据时间窗口为30s，步进1s。
[0160]
试验数据共2类目标，每类目标样本数量不同，按照7：3对每一类的所有样本划分训练集，测试集。如下所示：
[0161]
训练集：
[0162]
表1训练集
[0163]
序号目标名称数量0背景6531潜航器574
[0164]
测试集：
[0165]
表2测试集
[0166]
序号目标名称数量0背景2811潜航器247
[0167]
(2.1)神经网络特征提取模块主要分为：局部特征提取模块、全局特征提取模块、特征融合模块三部分。
[0168]
局部特征提取模块
[0169]
电子磁力计功率谱数据集中，每类目标的功率谱特征向量均为(1*3046维)特征向量。
[0170]
设置卷积层为4，卷积核尺寸依次为3、5、3、3，步长均为1，进行以一维卷积为手段的局部特征的提取。获得目标功率谱数据(1*67维)特征向量。
[0171]
全局特征提取模块
[0172]
设置全连接层为4，每层神经元个数依次为512、512、256、256，进行以4层全连接为手段的全局特征的提取。获得目标功率谱数据(1*128维)特征向量。
[0173]
特征融合模块
[0174]
采取向量拼接的特征融合方式融合目标功率谱数据的局部特征与全局特征。功率谱数据经上述局部特征提取模块获得(1*67维)特征向量，经过全局特征提取模块获得(1*128维)特征向量，将局部特征向量融合全局特征向量，获得融合特征向量(1*195维)。
[0175]
(2.2)损失函数
[0176]
网络的损失函数为交叉熵损失函数，衡量网络的预测值与实际值的差异，实现多分类的目的。
[0177]
分类层用2个神经单元预测2类。针对目标所属类别标签分类。本发明在特征向量后面增加一层全连接层用于得到每个类的预测概率。采用基于softmax激活函数的交叉熵损失函数训练分类器，softmax激活函数表示为：
[0178][0179]
交叉熵损失函数：
[0180][0181]
其中：k表示目标类别数，z表示分类层输出得分，y
t
′
表示属于i个类别的概率，yi为真实标签。
[0182]
(2.3)评价指标的选定
[0183]
(1)总体识别率：
[0184][0185]
式中，accuracy为总体识别率，right
pred
为测试集中被预测正确的功率谱数据的总数量，total为测试集中功率谱数据的总数量。
[0186]
总体识别率用于衡量整体算法的有效性，有着更好的总体性能评价的能力。
[0187]
(2)平均识别率：
[0188][0189][0190]
式中，accuracyi为第i类目标的识别率，其中，αi为第i类目标识别率所占的权重值，righti为测试集中第i类目标被预测正确的功率谱数据的总数量，totali为测试集中第i类目标功率谱数据的总数量。
[0191]
平均识别率用于衡量算法对于每一类目标的识别性能，能够更好的检验算法的泛化性。
[0192]
网络的训练时设定epoch＝100，其中epoch的数值为使用训练集的全部数据对模型进行epoch次完整的训练，将步骤(1)中的数据输送到上述网络中获取所需的神经网络的训练模型，以应用于后续的测试。
[0193]
(2.4)训练流程
[0194]
为保证训练集中所有数据都充分参与网络的训练，且最大化训练效果，根据试验验证，设置epoch＝100；为保证功率谱鉴别网络优化方向不被单一训练样本影响，设置batch＝50，其中batch数值为使用训练集中的一小部分样本对模型权重进行依次反向传播的参数更新，这一小部分样本称为一批数据，这一小部分样本的值即为batch值。优化器的学习率同样也被称为步长因子，它控制了权重的更新比率。较大的值在会有更快的初始学习，而较小的值会令训练收敛到更好的性能。adam优化方法学习率在前50个epoch，学习率取0.01，后50个epoch，学习率取0.001。
[0195]
如图2所示，本发明提供的功率谱鉴别网络的训练流程如下：
[0196]
(1)首次运行时初始化功率谱鉴别网络检测网络参数(后续不再进行初始化)；
[0197]
(2)于训练集中随机取一个batch的功率谱数据，输入功率谱鉴别网络。对于每一个功率谱数据，得到对每个类别的预测概率；
[0198]
(3)利用输出的预测概率与功率谱数据标签值，计算交叉熵损失函数值；
[0199]
(4)利用损失函数，采用adam方法进行反向传播，进行模型参数更新；
[0200]
(5)回至(2)，直至对于训练集中的所有样本，都参与了训练；
[0201]
(6)回至(1)，直至训练够100个轮数(所设定每张图像迭代训练的次数)。
[0202]
(7)输入测试集中的目标功率谱数据，通过神经网络获得目标信息的所属类别信息。
[0203]
针对于测试集中的2类目标，一共total＝528个样本，将此528个样本的目标功率谱数据输送到训练好的网络中，记录随着实验批次epoch的提升，总体识别率与平均识别率的变化绘制曲线，如图10所示：
[0204]
由上述变化曲线所示，随着训练次数的提升，总体识别率与平均识别率呈逐渐上升趋势，且两者趋势趋于吻合，且在epoch＝90之后，识别率趋于稳定。
[0205]
其中，当训练次数epoch＝100时，依据评价指标获得实验结果：
[0206]
1)平均识别率
[0207]
表3平均识别率
[0208][0209]
2)总体识别率
[0210]
表4总体识别率
[0211]
测试集总数量507识别正确总数487总体识别率96％
[0212]
二、图检测
[0213]
图检测不包含有水面船舶时，采用上述的二分类模型；当图检测包含有水面船舶时，需将上述的二分类模型扩充为包含有水面船舶的三类目标重新进行谱鉴别网络训练。
[0214]
采用图像、功率谱融合策略，先利用可见光、红外图像检测目标场景中是否有船舶经过(实验验证，船舶的平均识别率会拉低总体识别率)，从而确定检测识别时选用的功率谱分类模型，该方案可有效提高总体识别率、平均识别率。
[0215]
具体的分为两种情况：
①
当检测到船舶经过时，采用海洋背景、水面船舶和水下机器人的三分类模型，进行检测识别；
②
当未检测有船舶经过时，采用海洋背景与水下机器人的二分类模型，进行检测识别。此方案可有助于提高实验的总体、平均识别率。上述所提到的n分类模型均基于谱鉴别网络。
[0216]
图11是本发明实施例提供的多物理场融合探测识别潜航器的系统架构图；如图11所示，包括：
[0217]
图像数据获取单元1110，用于获取海洋背景场的图像；所述图像为可见光图像和红外图像中的至少一种；所述海洋背景场中可能包括水面船舶和潜航器中的至少一种铁磁性目标；
[0218]
功率谱数据获取单元1120，用于获取海洋背景场的功率谱数据；
[0219]
潜航器识别单元1130，用于根据所述图像确定所述海洋背景场中是否包含水面船舶，若包含水面船舶，则将所述功率谱数据输入到预先训练好的第一种神经网络分类模型，若不包含水面船舶，则将所述功率谱数据输入到预先训练好的第二种神经网络分类模型；所述第一种神经网络分类模型用于对水面船舶、潜航器以及海洋背景进行识别分类，所述第二种神经网络分类模型用于对潜航器和海洋背景进行识别分类；以及当所述第一种神经网络分类模型输出的潜航器的识别概率值大于第一预设概率值，或所述第二种神经网络分
类模型输出的潜航器的识别概率值大于第二预设概率值时，则确定在所述海洋背景场中探测到潜航器。
[0220]
可以理解的是，上述各个单元的详细功能实现可参见前述方法实施例中的介绍，在此不做赘述。
[0221]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。