本发明涉及声呐系统智能化领域，特别涉及基于深度学习的声呐目标识别算法。
背景技术：
1、声呐是将多种声呐功能有机结合在一起，对信息进行综合处理和集中控制，以满足多种战术使用要求的系统。主要功能包括噪声测向、回声测距、声呐脉冲侦测、目标识别和鱼雷报警等，声呐系统用于保障舰艇的侦察、警戒、攻击等多种任务。声呐系统一般由多个基阵、综合信号处理机柜和显控台三部分组成。
2、声呐目标识别是指区分水中各种声呐目标的类型和性质的方法和功能。它通常由测量、数据预处理、特征选择和提取、分类运算和判决等主要环节组成，其理论基础是统计模式识别理论，其实现手段主要是计算机技术。
3、深度学习在搜索技术、数据挖掘、机器学习、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术，以及其它相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
4、深度学习在图像处理中已获得一定的成绩，但针对目标占比较小的声呐目标检测仍然存在一定的不足，因此传统的深度学习算法不适用于细小的水下声呐图像识别技术，需要发明一种能够实现高准确度识别声呐图像的基于深度学习的声呐目标识别算法。
技术实现思路
1、本发明的主要目的是提出基于深度学习的声呐目标识别算法，旨在提高声呐图像的识别精准度。
2、为实现上述目的，本发明提出的基于深度学习的声呐目标识别算法，包括如下步骤：
3、步骤一、使用深度卷积神经网络对声呐数据进行特征提取和预处理；
4、步骤二、通过逐层学习和权重调整，深度卷积神经网络自动学习目标表征；
5、步骤三、采用循环神经网络进行时序建模，以捕捉目标在时间域上的动态信息；
6、步骤四、结合深度卷积神经网络和循环神经网络的特性，使用全连接层进行目标分类和定位。
7、在一实施例中，所述步骤一中深度卷积神经网络对声呐数据进行特征提取具体步骤如下：
8、1）数据制备：提取一组包含不同类别的声呐图像数据集，将数据集划分为训练集和测试集，通常比例是70%和30%，对图像进行大小调整和归一化预处理；
9、2）构建神经网络模型：构建一个神经网络模型，使用预训练的深度卷积神经网络作为特征提取器；
10、3）特征提取：使用训练好的模型对训练集和测试集的图像进行特征提取，得到相应的特征向量。
11、在一实施例中，所述步骤一中深度卷积神经网络通过池化层对声呐数据进行预处理，且池化层的输入就是卷积层输出的原数据与相应的卷积核相乘后的输出矩阵。
12、在一实施例中，所述步骤二中深度卷积神经网络自动学习目标表征的基础步骤如下：
13、1）数据准备：准备训练数据和测试数据，并对图像进行尺寸调整、数据增强和标准化；
14、2）模型构建：使用深度学习框架构建深度卷积神经网络模型，模型包括卷积层、池化层、全连接层；
15、3）模型编译：设置损失函数、优化器和评估指标，编译模型；
16、4）模型训练：使用训练数据训练模型，并保存训练好的模型；
17、5）模型评估：测试数据准确率、精确率和召回率的模型性能；
18、6）模型应用：使用训练好的模型对图像进行分类；
19、7）模型优化：根据模型评估结果，对模型进行调整模型参数、增加层数、使用正则化。
20、在一实施例中，所述步骤三中采用python编程语言和numpy库来实现时序建模。
21、在一实施例中，所述循环神经网络由一个循环单元和一个输出层组成，循环单元接收输入和前一时刻的状态，计算当前时刻的状态，并将其传递到下一时刻，输出层接收当前时刻的状态，计算输出，并将其传递到下一时刻。
22、在一实施例中，所述循环神经网络进行时序建模的具体步骤如下：
23、1）定义模型参数：定义输入向量的维度、隐藏状态的维度和输出向量的维度，初始化权重和偏置项；
24、2）定义向前传播函数：定义一个向前传播函数，计算当前时刻的输出向量，返回当前时刻的隐藏状态和输出向量，接收输入向量和前一时刻的隐藏状态，并返回当前时刻的隐藏状态和输出向量；
25、3）定义损失函数：定义一个损失函数，计算均方误差，返回损失值，衡量模型的输出与真实标签之间的差距；
26、4）定义反向传播函数：定义一个反向传播函数，计算输出误差和输出层梯度，计算隐藏状态误差和隐藏状态梯度，返回梯度；
27、5）训练模型：实用上述定义的函数来训练模型，实用随机梯度下降来更新模型参数定义训练参数，生成随机输入和标签，初始化隐藏状态，前向传播，计算损失，反向传播，更新模型参数；
28、6）测试模型：使用训练模型来生产序列数据，使用前一个时刻的输入向量作为当前时刻的输入向量，生产一个序列，生成序列数据。
29、本发明的技术方案通过深度卷积神经网络进行特征提取和深度学习，在进行声呐目标识别的时候，深度卷积神经网络将会提取扫描的声呐图像的特征，然后通过这些特征来对声呐图像进行分类和识别，可更好的提取细小的特征，并深度学习这些特征，不断更新识别数据库，对于不同类型的声呐图像可以更快的进行识别，且提高精准度。
30、本发明的技术方案采用循环神经网络进行建模，可以对扫描的声呐图像的序列数据进行建模，在处理这些图像数据时，循环神经网络可以通过循环结构来捕捉序列数据中的时间信息，通过时间信息对声呐图像进行建模，在后续声呐处理的时候可以根据时序模型来对比识别，可快速进行声呐图像识别。
31、本发明的技术方案通过使用全连接层进行目标分类和定位，全连接层可以处理声呐图像信息中的任意形式的信息，全连接层可以将多维声呐图像特征映射到一个更接近标签的空间中，全连接层具有很强的表达能力，它能够捕获复杂的声呐图像特征，能够识别更加细微的声呐图像特征，更加准确的对声呐图像特征进行识别，通过特征来对不同类型的声呐图像进行识别，为声呐设备提供更准确的图像信息。
1.基于深度学习的声呐目标识别算法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于深度学习的声呐目标识别算法，其特征在于，所述步骤一中深度卷积神经网络通过池化层对声呐数据进行预处理，且池化层的输入就是卷积层输出的原数据与相应的卷积核相乘后的输出矩阵。
3.如权利要求1所述的基于深度学习的声呐目标识别算法，其特征在于，所述步骤二中深度卷积神经网络自动学习目标表征的基础步骤如下：
4.如权利要求1所述的基于深度学习的声呐目标识别算法，其特征在于，所述步骤三中采用python编程语言和numpy库来实现时序建模。
5.如权利要求1所述的基于深度学习的声呐目标识别算法，其特征在于，所述循环神经网络由一个循环单元和一个输出层组成，循环单元接收输入和前一时刻的状态，计算当前时刻的状态，并将其传递到下一时刻，输出层接收当前时刻的状态，计算输出，并将其传递到下一时刻。