一种基于对比学习半监督神经网络的水声目标识别方法与流程

本发明属水声信号目标识别，具体涉及一种基于对比学习半监督神经网络的水声目标识别方法。

背景技术：

1、早期的水中目标识别深度学习方法主要以监督学习为主，需要大量精确标记类别的水中目标来进行训练。如果在任何海域都能实现目标类别的实时准确的标记，监督网络可以满足水声识别的精确度需求。然而，耗时、耗力的标记过程阻碍了监督学习在水中目标识别中的适用性。水中目标识别中的许多深度学习方法都采用监督学习方法，然而，监督网络需要大量的数据作为驱动因素，这是小样本水中目标识别的一个挑战。与有监督的网络相比，半监督网络对驱动数据的需求要少得多，所以在各个领域得到广泛的应用。水中目标的采集困难是水声小样本的主要原因，所以未标记样本的数量有限也是制约目标识别方法发展的一个重要因素。

2、进一步研究表明，小样本数据中可能出现标记样本与未标记样本中都存在样本不均衡现象。语言识别领域利用自监督的对比学习方法在有限的样本中进行学习，取得较好的优化识别结果。对比学习的重点是学习相似样本之间的共同特征，区分非相似样本之间的差异，学会在特征空间的抽象级别上区分数据，而不是专注于单一的任务特征。对比学习通过强迫正样本对在潜在空间中彼此接近，而负样本对彼此远离来增加决策边界的边缘。由于对比学习的正则化操作，特征表示空间应该让相似的样本尽可能接近地，而非相似的样本均匀分布，因此，对比学习的特征表示空间是线性可分的，可以作为一个足以进行分类的线性分类器。然而，对比学习中正样本的构建是通过应用扰动，保持原始数据的完整，并倾向于产生相似的特征，这样会导致水声目标中的样本中出现大量含有相似背景噪声的样本，从而不利于深度学习的反向传播优化方法。

技术实现思路

1、为了克服现有技术的不足，本发明提供一种基于对比学习半监督神经网络的水声目标识别方法。包括对水声样本进行处理并分别构建对比学习数据库、训练数据集和测试数据集，然后构建基于对比学习的半监督神经网络，并进行网络训练，最后将测试数据集输入到训练好的网络得到分类结果。本发明构建的基于对比学习的半监督神经网络可以在标记样本与未标记样本数量均不足的情况下，有效识别水声目标类别。

2、一种基于对比学习半监督神经网络的水声目标识别方法，其特征在于步骤如下：

3、步骤1：对原始水声信号进行降采样和加窗处理，再进行归一化处理，对于处理后的未标记样本，属于同一类目标的不同工况样本为正样本对，不同类目标的样本相互为负样本，构成对比学习数据库；对于处理后的标记样本，将其中30％的样本划分至训练数据集，其余样本划分至测试数据集；

4、步骤2：构建基于对比学习的半监督神经网络，利用步骤1得到的样本数据对其进行训练；所述的基于对比学习的半监督神经网络由监督网络和无监督对比学习网络构成，将训练数据集中的标记样本输入到监督网络中，监督网络的输出为样本的分类结果；将对比学习数据库中的正负样本对输入到无监督对比学习网络中，通过对比学习来优化监督网络的分类效果；

5、步骤3：将测试数据集中的标记样本输入到训练好的半监督神经网络中，其监督网络的输出即为对应样本的分类结果。

6、进一步地，基于对比学习的半监督神经网络中的监督网络采用se_resnet模型，无监督对比学习网络采用8个se_resnet模型与8个dnn模型分别连接构成。

7、进一步地，采用对比度损失函数作为无监督对比学习网络的损失函数，表达式如下：

8、

9、其中，loss_con表示网络的对比度损失值，n表示样本数量，y表示输入数据集中样本对所对应的标签，当y＝1时，说明样本对中两个样本是同类样本，当y＝0时，说明样本对中两个样本是不同类样本，d表示两个输入样本之间的欧氏距离，m是设置参数，设置m＝0.5；

10、采用交叉熵函数作为se_resnet模型的损失函数，表达式如下：

11、

12、其中，loss_cross表示网络的交叉熵损失值，n′表示当前批次中的样本数量，z表示识别目标的总类别数，y表示真实标签，y′表示预测标签；

13、对基于对比学习的半监督神经网络进行训练时，首先，利用函数loss_con对无监督对比学习网络中的se_resnet模型与dnn模型进行优化，优化规则为正负样本之间的欧氏距离，然后使用函数loss_cross指导se_resnet模型进行再次优化，优化规则为标记样本时的标记规则，并将其优化结果反向导向loss_con函数。

14、本发明的有益效果是：针对水声信号的标记样本与未标记样本均不足，且不足样本存在类间不均衡问题，本发明构建了一种基于对比学习的半监督神经网络，利用对比无监督方法与有监督网络结合，有效解决样本不足且样本间类别不均衡的问题，提高网络的识别性能，可以在标记样本与未标记样本数量均不足且类间不均衡的情况下，有效识别水声目标类别。

1.一种基于对比学习半监督神经网络的水声目标识别方法，其特征在于步骤如下：

2.如权利要求1所述的一种基于对比学习半监督神经网络的水声目标识别方法，其特征在于：基于对比学习的半监督神经网络中的监督网络采用se_resnet模型，无监督对比学习网络采用8个se_resnet模型与8个dnn模型分别连接构成。

3.如权利要求2所述的一种基于对比学习半监督神经网络的水声目标识别方法，其特征在于：采用对比度损失函数作为无监督对比学习网络的损失函数，表达式如下：