基于优化二维变分模态分解与迁移学习的水下目标识别方法

付同强, 胡 桥, 刘 钰, 郑惠文

基于优化二维变分模态分解与迁移学习的水下目标识别方法

付同强1, 3, 胡 桥1, 2, 3, 刘 钰1, 3, 郑惠文1, 3

(1. 西安交通大学 机械工程学院, 陕西 西安, 710049; 2. 西安交通大学 机械制造系统工程国家重点实验室, 陕西 西安, 710049; 3. 西安交通大学 陕西省智能机器人重点实验室, 陕西 西安, 710049)

由于海洋环境的复杂多变性, 使得传统的水声目标识别方法应用于水下目标智能识别具有一定的局限性。基于单一域特征构建的数据集难以表征目标信号的全局信息, 传统机器学习与深度学习方法对小样本目标的泛化能力低。针对复杂海洋环境下传统水下目标识别方法精度和效率不高的难题, 文中提出了基于优化二维变分模态分解(2D-VMD)与迁移学习的水下目标识别方法。该方法通过小波变换获得水下目标时频图, 并采用优化2D-VMD方法自适应选取有效模态, 实现目标有效模态与噪声模态的分离, 完成了时频图的去噪并提取了图像经典的纹理特征进行对比分析。最后通过采用迁移学习的策略, 实现了基于InceptionV3的模型迁移验证, 完成了水下目标小样本数据集下的分类识别。结合ShipsEar中5类水下目标的分类测试试验, 结果表明: 基于优化2D-VMD与迁移学习的水下目标识别方法具有良好的特征提取与去噪能力, 同时兼顾了水下目标识别的精度与效率要求, 为海洋装备智能目标探测与识别提供了理论与技术支撑。

水下目标识别; 时频分析; 二维变分模态分解; 迁移学习

0 引言

水下目标辐射噪声信号产生机理复杂, 声源繁多且集中, 频谱组成多样, 辐射噪声强度较大[1]。但是, 由海洋湍流以及海水静压力效应等引起的海洋环境噪声, 其频谱成分覆盖整个频带并随各类因素不断变化, 使得水声信号十分复杂[2], 严重干扰了信号特征提取, 制约了声呐系统对水下目标的检测与识别性能。随着航行器减振降噪和隐身性能日益提高, 如何对水下目标实现高效、准确的辨识成为了水声技术领域亟待解决的热点问题[3]。

目标信号的特征提取对于信号分类至关重要, 传统信号的特征提取分为时域特征与频域特征2类, 2类方法都是通过时域或频域的单一变换提取特征信息, 在这方面已有大量研究[4-8]。然而单一维度的信号特征是一种“静态”指标, 表达信息不全面, 通过特征变换之后丧失了信号原有的表达能力, 不易被人们直观理解, 语义信息缺乏, 导致以此为训练样本设计的分类器难以有很高的精度。为此, 有关学者尝试通过引进时间与频率尺度下的综合信息来进行特征表达, 这方面较为成功的是信号时频图的提取[9-10]。但是通过空间变换获得的时频图涵盖了原有一维信号中的噪声, 会影响有用信号的表达。为此, 文中提出了利用互信息(mutual information, MI)作为评价参数, 结合树分解方法与相似度度量实现二维变分模态分解(two-dimensional variational mode decomposition, 2D-VMD)自适应选取有效模态的过程, 对时频图进行去噪处理, 增强了有用信号的表征能力。机器学习方法近年来一直广泛应用于水下目标识别, 而采用传统图像特征变换结合机器学习对目标时频图进行识别的准确率难以突破瓶颈得到提升, 无法满足水下目标识别高精度的要求, 而采用深度学习的方法则可以很好地解决这个问题。

随着大数据时代的到来以及计算机性能的提升, 利用深度学习方法实现图像分类、目标检测与自然语言处理在各个领域得到了广泛应用, 其中最具代表性的是卷积神经网络(convolutional neural network, CNN)[11-12]。CNN模型可以依靠自身的结构对图像进行特征提取, 具有良好的泛化能力。但基于深度学习实现水下目标识别需要大量训练数据, 而由于水下目标信号实航测试难度大、周期长以及获取数据成本较高, 因此, 尚未有大规模水下目标信号样本数据集为深度学习提供支持。另外, 采用深度学习虽然可以获得很高的准确率, 但模型训练时间长, 不满足水下目标识别高效率的要求。而迁移学习作为深度学习的一个分支领域, 可以在相似的任务上进行知识迁移以解决样本不足的问题, 在保证高准确率的同时大幅度节省训练时间[13]。因而, 迁移学习已被应用于图像识别的许多领域[14-15], 在水下目标识别领域, 朱兆彤等[16]利用预训练好的CNN实现了对声呐图像的自动识别。文中采用迁移在ImageNet上表现优异的Inception V3作为预训练模型, 提取瓶颈层的特征向量, 迁移瓶颈层及其之前的网络结构, 移除深层结构, 重新搭建分类层实现瓶颈层特征的分类。

1 小波变换

小波变换是一个时间和频率的局部变换, 通过伸缩和平移对信号进行多尺度细化分析, 实现时间(空间)频率的局部化分析, 最终达到高频处时间细分, 低频处频率细分, 能自动适应时频信号分析的要求。

2 2D-VMD原理

2.1 变分模型建立

计算信号梯度的二范数, 估计各模态的频带带宽, 构造如下的变分问题

2.2 变分问题求解

利用二范数下的Parseval/Plancherel傅里叶等距变换, 将式(7)和式(8)变换到频域求解

2.3 2D-VMD算法步骤

3 基于优化2D-VMD水下目标去噪

2D-VMD将输入信号分解为一系列有限带宽的模态子信号, 模态信号的数目由分解参数决定, 但值需要人为设定, 导致分解具有偶然性和随机性,值不同则2D-VMD分解产生的模态数不同, 用于重构时频图的有效模态也不同, 对时频图的去噪效果不一。因此, 如何合理设定值以及选取有效模态是2D-VMD时频图去噪的关键步骤。文中提出一种结合二元树分解方法与相似度度量相结合的优化2D-VMD方法, 可以实现值的自确定, 并自适应地选取有效模态重构时频图, 完成时频图的去噪。

3.1 优化2D-VMD算法

优化2D-VMD方法具体步骤如下。

步骤1)中集合、和的具体作用:用于存储信号分解过程中的模态信号, 分解完成后中的信号即为有效模态;,用于存储信号分解过程中的待分解信号和残差信号。在分解过程中,,不断进行步骤3)所述的更新。

优化2D-VMD水下目标时频图去噪流程如图1所示。

3.2 相似度度量指标

图1 优化2D-VMD流程图

优化2D-VMD算法步骤3)的具体流程如图2所示。

3.3 去噪质量评价指标

图2 优化2D-VMD步骤3)流程图

4 深度神经网络与迁移学习

4.1 深度神经网络

CNN是图像处理任务中最强大的一类深度神经网络。CNN由不同层的计算单元组成, 基本的计算单元可以分为卷积层、池化层和全连接层3种类型。如图3所示, 通过卷积操作对输入图像进行特征提取, 之后进行池化操作, 再对卷积层输出的特征图进行降维以减少计算量。卷积与池化操作交替重复出现, 网络层数越深模型的特征提取能力越强。深层特征是对浅层特征的进一步抽象, 最终将原始图像映射至类别可分的高维空间, 然后在全连接层通过特征加权将输入特征映射至类别空间实现分类。

图3 卷积神经网络典型结构

4.2 迁移学习

深度CNN模型结构复杂, 参数量大, 因此训练周期长, 需要规模庞大的样本数据集, 训练成本高, 迁移学习则可以很好地解决这个问题。

Yosinski等[13]已经证明CNN网络结构具有良好的可迁移性, 即CNN浅层结构在不同的任务上具有特征提取的相似性, 可以实现对不同数据集的特征提取, 不同任务之间的差异主要体现在深层网络中。因此可以迁移至其他数据集中预训练好的网络, 保留其浅层结构, 冻结迁移层的参数, 重新搭建适合自己任务的深层结构形成新的训练模型。

4.3 基于InceptionV3模型的水下目标识别策略

InceptionV3模型[8]是Google 2014 年发布的GoogLeNet的改进版本。GoogLeNet采用模块化的思想, 在同一层级上运行具备多个尺寸的卷积核, 所有子层的输出最后会被级联起来, 并传送至下一个 Inception模块; 去除了最后的全连接层, 使用全局平均池化层来代替, 极大地减少了参数数目; 并利用1×1卷积核实现降维以节约计算成本。InceptionV3模型一个最重要的改进是分解(factorization), 将7×7分解成2个一维的卷积(1×7, 7×1), 3×3分解成(1×3, 3×1), 如图4所示, 既可以加速计算, 又使得网络深度进一步增加, 增加了网络的非线性。

VGG Net、ResNet与GoogLe Net在ImageNet竞赛中均取得了不错的成绩, 相比之下, InceptionV3模型需要训练的参数更少, 网络层数更深, 取得的准确率更高, 如表1[19]所示。

表1 ImageNet 竞赛中部分模型对比

InceptionV3模型采用多尺度卷积提取不同维度的特征, 同时使用图4所示的3种不同级联架构进行特征组合。因此InceptionV3模型对于输入图像有非常强大的特征提取能力, 故采用模型微调的方法, 迁移InceptionV3模型的特征提取层, 保留线性回归层作为瓶颈层, 重新构建全连接层与softmax层形成新的模型对水下目标进行识别。基于InceptionV3模型迁移学习的水下目标识别策略如图5所示。

5 试验验证与分析

5.1 数据库选择

采用ShipsEar公开数据库[20]对提出的优化2D-VMD与迁移学习的水下目标智能识别方法进行了验证, 该数据库目前记录了11类水下船舶的90组数据, 选取其中的客船、摩托艇、渔船、挖泥船和远洋客轮5类水下目标进行了验证。

图4 Inception V3中的Inception模块

图5 基于InceptionV3迁移学习的水下目标识别策略

5.2 数据预处理

ShipsEar数据库记录的水下目标数据当中含有不同程度的噪声, 从而干扰目标辨识。采用“小波包分解+小波阈值去噪+低通滤波”的方式对原始音频进行了预处理。采用小波包分解将原始数据处理为8个子信号, 对每个子信号进行小波阈值消噪, 然后用子信号重构目标数据。史拓等[21]指出水下目标辐射噪声有效信息主要集中在低频段, 故对小波包重构数据设计低通滤波器滤除高频噪声, 预处理结果如图6所示。

图6 水下目标预处理前后对比

图6为水下渔船目标信号预处理前后对比, 从图6(a)和(b)可以看出, 原始目标信号在时域杂乱无章、无明显规律, 且包含大量随机噪声覆盖整个频域。而从图6(c)和(d)可以看出, 经过预处理的时域目标数据显示出了类周期性的规律倾向, 线谱分量突出, 随机噪声得到有效去除。因此, 提出的数据预处理方法可以很好地压制随机噪声, 对于水下目标数据去噪是切实有效的。

对预处理后的水下目标进行cmor3-3小波变换, 得到小波时频图如图7所示。

图7 预处理水下目标时频图

从图7可以看出, 小波时频图可以综合表征水下目标在时间与频率尺度下的全局信息, 线谱分量表征清晰, 目标在不同时间包含各频率成分的变化情况可以直观地体现在时频图中。但是由于预处理之后水下目标信号中仍含有随机噪声, 导致生成的时频图质量不高, 因此对时频图的去噪势在必行。

5.3 时频图去噪

图8 时频图优化2D-VMD模态信号差异优选

图8中红点为优选得到用于重构时频图的模态信号, 黑点为丢弃的噪声模态。从图8可以看出, 同一类目标信号时频图进行优化2D-VMD具有一定的波动性, 使得不同时频图分解得到的模态信号与原时频图的MI值不一致。50个样本共得到250个模态信号, 其中用于重构的模态为110个, 大部分的模态被视为噪声丢弃, 对图7所示水下渔船目标时频图进行优化2D-VMD重构得到的结果如图9所示。

图9 优化2D-VMD水下目标时频图重构

对比图7与图9可以看出, 采用优化2D- VMD重构可以加强原时频图中的线谱等有效特征, 并且很好地去除了时频图中的噪声, 信息表征更加清晰, 证明了该方法对于水下目标去噪的可行性与有效性。另外, 不同的水下目标含噪声程度不同, 因此进行去噪质量评价的阈值也不同。对于所选5类水下目标时频图模态信号的差异优选情况如图10所示。

图10 5类水下目标优化2D-VMD模态信号差异优选

表2 不同类别水下目标优化2D-VMD产生有效模态的比例

5.4 迁移学习分类效果验证

对ShipsEar中的客船、摩托艇、渔船、挖泥船和远洋客轮5类水下目标进行上述的预处理、小波变换以及优化2D-VMD重构得到每类1 024个样本。刘超等[22]提出不同类型的舰船辐射噪声“声纹图”纹理特征具有较好的类间相似性和类类可分性。将未经处理的水下目标原时频图、优化2D-VMD、局部二值模式(local binary patterns, LBP)纹理特征图采用前文所述的迁移策略进行分类辨识, 图7所示的目标时频图经过LBP特征提取得到纹理特征图, 如图11所示。

图11 时频LBP纹理特征图

时频图的数据标注并不影响水下目标在时频域特征的表达, 故进行时频纹理特征提取时省略其标注。由图11可知, 时频纹理图可以较好得恢复原目标信号中的线谱特征, 但由于噪声的干扰会产生大量“乱纹”, 严重影响有效信息的表达。

运行训练环境: Intel(R)Core(TM)i5-6300HQ CPU@2.30GHz 2.30GHz, 内存4+16GB。训练程序在window10 系统下以TensorFlow1.10为开发环境的Jupyter Notebook下运行。设置学习率为0.001, 训练过程中采用蒙特卡洛交叉验证: 共训练5轮, 每轮训练1000次, 每次随机抽取256张图片进行训练, 其中80%作为训练集, 20%作为验证集。训练结束后随机抽取256张图片用作测试集。

对3类数据集的训练取5轮平均结果如图12所示。由图12可知, 训练1 000次后3类训练模型均已收敛, 但收敛速度有所不同, 原时频图训练模型收敛最快, 5次平均训练时长588 s; 优化2D-VMD重构时频图训练模型收敛速度次之, 平均训练时长1427 s; LBP时频纹理特征图训练模型收敛速度最慢, 平均训练时长1460 s。三者随机验证的准确率均正比于模型收敛速度, 原时频图训练模型5次测试集平均准确率为98.7%, 优化2D-VMD重构时频图为96.3%, LBP时频纹理特征图为82.3%, 证明迁移策略对于水下目标信号识别是行之有效的。

图12 3类数据集训练情况对比

3类数据集训练的模型优劣程度不同, 说明每种数据集不同类别的类内以及类间距离不同, 因此采用T-SNE降维对不同数据集下的5类水下目标进行可视化, 其结果如图13所示。

图13 3类数据集T-SNE可视化

图13中类别1~5分别表示水下客船、摩托艇、渔船、挖泥船和远洋客轮目标。T-SNE方法将水下目标时频图映射为二维点集, 通过比较相同或不同类别点簇的距离可以衡量数据的可分性情况, 是一种直观的数据可视化方法。

6 结束语

文中利用小波变换获取水下目标时频图构建分类数据集, 提出了一种优化2D-VMD方法对水下目标进行去噪。采用基于InceptionV3模型的迁移学习方法进行目标分类。试验结果表明, 文中提出的优化2D-VMD方法可以自适应地实现水下目标去噪, 增强线谱等特征对水下目标信号的表征能力; 采用基于InceptionV3的迁移策略能有效实现小样本数据下深度CNN模型的训练, 在短时间内达到较高的准确率; 优化2D-VMD与迁移学习结合, 比传统声纹特征训练迁移模型有更快的收敛速度, 准确率提高14%以上, 兼顾水下目标识别高精度与高效率的要求, 证明了优化2D-VMD与迁移学习在水下目标识别领域应用的有效性, 为水下目标识别提供了一种新的思路。但由于2D-VMD存在模态中心频率随机初始化的问题, 导致重构的时频图丢失了部分类别表征信息, 降低了数据的可分性。在进行特征增强的同时保留目标类别的可分性依据将是下一步的研究方向, 但相比传统的纹理特征提取, 优化2D-VMD在信息表征方面更具优势。

[1] 何春艳. 水下目标瞬态辐射噪声分析与评价[D]. 哈尔滨: 哈尔滨工程大学, 2013.

[2] 陶笃纯. 舰船噪声节奏的研究(Ⅰ)——数学模型及功率谱密度[J]. 声学学报, 1983, 8(2): 65-76.Tao Du-chun. Study on the Ship’s Noise Rhythm (Ⅰ)——Mathematical Model and Power Spectral Density[J].Chinese Journal of Acoustics, 1983, 8(2): 65-76.

[3] 孙昕, 张世海, 翟东民. 水下航行器辐射噪声的仿真实现[J]. 水雷战与舰船防护, 2017, 25(2): 66-69.Sun Xin, Zhang Shi-hai, Zhai Dong-min. Simulation Realization of Radiated Noise from Underwater Vehicles[J]. Digital Ocean & Underwater Warfare, 2017, 25(2): 66-69.

[4] 王晓峰, 王炳和, 相敬林. 基于舰船辐射噪声时-频分析与线谱提取[J]. 电声技术, 2005(11): 61-63.Wang Xiao-feng, Wang Bing-he, Xiang Jing-lin. Time-Frequency Analysis of Ship-Radiated Noise and Line Spectrum Extraction Based on STFT[J]. Audio Engineering, 2005(11): 61-63.

[5] 庄瑞, 赵云冬. 一种提取水中目标水声信号时频特征的方法[J]. 舰船电子工程, 2018, 38(3): 135-136, 158.Zhuang Rui, Zhao Yun-dong. A Method for Extracting the Time-frequency Characteristics of Underwater Acoustic Signals in Water[J]. Ship Electronic Engineering, 2018, 38(3): 135-136, 158.

[6] Hemminger T L, Pao Y H. Detection and Classification of Underwater Acoustic Transients Using Neural Networks[J]. IEEE Transactions on Neural Networks, 1994, 5(5): 712-718.

[7] Shyu H C, Sun Y S. Underwater Acoustic Signal Analysis by Multiscaling and Multitranslation Wavelets[J]. Proceedings of SPIE-The International Society for Optical Engineering, 1998, 3391: 628-636.

[8] 章新华, 王骥程, 林良骥. 基于小波变换的舰船辐射噪声特征提取[J]. 声学学报, 1997, 22(2): 139-137.Zhang Xin-hua, Wang Ji-cheng, Lin Liang-ji. Feature Extraction of Ship Radiated Noise Based on Wavelet Transform[J]. Chinese Journal of Acoustics, 1997, 22(2): 139-137.

[9] 李启飞, 吴芳, 韩蕾蕾. 基于 AlexNet 迁移学习的磁异常信号检测方法[J]. 水下无人系统学报, 2020, 28(2): 162-167.Li Qi-fei, Wu Fang, Han Lei-lei. Magnetic Anomaly Signal Detection Method Based on AlexNet Transfer Learning[J]. Journal of Unmanned Undersea Systems, 2020, 28(2): 162-167.

[10] 王维刚. 基于时频图像识别的旋转机械多特征融合故障诊断方法研究[D]. 哈尔滨: 哈尔滨工业大学, 2016．

[11] Aysum S, Hasan S. Deep Convolutional Neural Network-based Automatic Classification of Neonatalhip Ultrasound Images: a Novel Data Augmentation Approach with Speckle Noise Reduction[J]. Ultrasound in Medicine & Biology, 2019, 46(3): 735-749.

[12] 洪礼聪. 基于时频图像和卷积神经网络的尾水管涡带状态识别[D]. 武汉: 武汉大学, 2018.

[13] Yosinski J, Clune J, Bengio Y, et al. How Transferable are Features in Deep Neural Networks?[C]//Advances in Neural Information Processing Systems 27. [S.l.]: NIPS, 2014．

[14] Fischer W, Moudgalya S S, Cohn J D, et al. Sparse Coding of Pathology Slides Compared to Transfer Learning with Deep Neural Networks[J]. BMC Bioinformatics, 2018, 19(S18): 489.

[15] 王斐, 吴仕超, 刘少林. 基于脑电信号深度迁移学习的驾驶疲劳检测[J]. 电子与信息学报, 2019, 41(9): 2264-2272. Wang Fei, Wu Shi-chao, Liu Shao-lin. Driver Fatigue Detection through Deep Transfer Learning in an Electroencephalogram-based System[J]. Journal of Electronics & Information Technology, 2019, 41(9): 2264-2272.

[16] 朱兆彤, 付学志, 胡友峰. 一种利用迁移学习训练卷积神经网络的声呐图像识别方法[J]. 水下无人系统学报, 2020, 28(1): 89-96.

Zhu Zhao-tong, Fu Xue-zhi, Hu You-feng. A Sonar Image Recognition Method Using Transfer Learning to Train Convolutional Neural Networks[J]. Journal of Unmanned Undersea Systems, 2020, 28(1): 89-96.

[17] Dragomiretskiy K, Zosso D. Two-Dimensional Variational Mode Decomposition[C]//Energy Minimization Methods in Computer Vision and Pattern Recognition. Switzerland: Springer, 2015: 197-208.

[18] Szegedy C, Vanhoucke V, Ioffe S, et al. Rethinking the Inception Architecture for Computer Vision[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas, NV, USA: IEEE, 2016: 2818-2826．

[19] Chollet F. Keras: The Python Deep Learning Library[EB/OL]. Keras [2020-04-16]. https://keras.io．

[20] Santos-Dominguez D, Torres-Guijarro S, Cardenal-Lopez A, et al. ShipsEar: An Underwater Vessel Noise Database[J]. Applied Acoustics, 2016, 113: 64-69.

[21] 徐智, 唐刚, 刘伟, 等. 基于变分模态分解参数优化的地震随机噪声去除方法[J]. 北京化工大学学报(自然科学版), 2019, 46(5): 60-68．Xu Zhi, Tang Gang, Liu Wei, et al. Seismic Random Noise Removal Method Based on Optimization of Variational Mode Decomposition Parameters[J]. Journal of Beijing University of Chemical Technology(Natural Science Edition), 2019, 46(5): 60-68.

[22] 史拓, 陈艳静. 舰船辐射噪声特性的模拟与仿真[J]. 军民两用技术与产品, 2016(4): 61-62.Shi Tuo, Chen Yan-jing. Simulation and Simulation of Radiated Noise Characteristics of Warships[J]. Dual Use Technologies & Products, 2016(4): 61-62.

1. 谢少荣, 刘坚坚, 张丹. 复杂海况无人艇集群控制技术研究现状与发展. 2020, 28(6).

2. 严良涛, 项晓丽. 基于GA-KPCA的特征选择在水下目标识别中的应用. 2020, 28(1).

3. 朱兆彤, 付学志, 胡友峰. 一种利用迁移学习训练卷积神经网络的声呐图像识别方法. 2020, 28(1).

4. 赵国贵, 梁红, 陆禹, 等. 基于多参量联合特征的水下小目标分类识别. 2019, 27(6).

5. 杜雪, 廖泓舟, 张勋. 基于深度卷积特征的水下目标智能识别方法. 2019, 27(3).

6. 胡桥, 刘钰, 赵振轶, 等. 水下无人集群仿生人工侧线探测技术研究进展. 2019, 27(2).

7. 何心怡, 高贺, 卢军, 等. 逆合成孔径成像在鱼雷真假目标识别中的应用及展望. 2017, 25(4).

Underwater Target Identification Method Based on Optimized 2D Variational Mode Decomposition and Transfer Learning

FU Tong-qiang1, 3, HU Qiao1, 2, 3, LIU Yu1, 3, ZHENG Hui-wen1, 3

(1. Mechanical Engineering School, Xi’an Jiaotong University, Xi’an 710049, China; 2. Mechanical Engineering System National Key Laboratory, Xi’an Jiaotong University, Xi’an 710049, China; 3. Shaanxi Province Intelligent Machine Laboratory, Xi’an Jiaotong University, Xi’an 710049, China)

Intelligent identification of underwater targets using the traditional underwater acoustic target identification method has limitations owing to the complexity and variability of marine environments. The data sets that are constructed based on single-domain features cannot be used to characterize the global information of the target signal and the traditional machine learning and deep learning methods demonstrate a low generalization ability for small sample targets. To solve the problem of low accuracy and efficiency of traditional underwater acoustic target identification methods in complex marine environments, an underwater target identification method based on optimized two-dimen- sional variational mode decomposition(2D-VMD) and transfer learning is proposed herein. This method obtains the time-frequency map of the underwater target by wavelet transform and then uses the optimized 2D-VMD method to adaptively select the effective mode to achieve the separation of the target effective mode and the noise mode. The denoising of the time-frequency map is completed, and the classic texture features of the image are extracted for comparative analysis. Finally, through the transfer learning strategy being adopted, the model transfer learning verification based on InceptionV3 is realized, and the classification and identification for small sample data set of underwater targets are completed. Combined with the classification test experiment of five types of underwater targets in ShipsEar, the results show that: the underwater target identification method based on optimized 2D-VMD and transfer learning shows good feature extraction and denoising capabilities while taking into account the accuracy of underwater target identification and efficiency requirements. Moreover, it provides theoretical and technical support for the detection and identification of intelligent targets of marine equipment.

underwater target identification; time-frequency analysis; two-dimensional variational mode decomposition; transfer learning

TN911.73; TB566

A

2096-3920(2021)02-0153-11

10.11993/j.issn.2096-3920.2021.02.004

付同强, 胡桥, 刘钰, 等. 基于优化二维变分模态分解与迁移学习的水下目标识别方法[J]. 水下无人系统学报, 2021, 29(2): 153-163.

2020-05-22;

2020-09-01.

国家自然科学基金重大项目(61890961); 装备预研领域基金项目(61404160503, 61402070304); 陕西省重点研发计划重点项目资助(2018ZDXM-GY-111); 中央高校基本科研业务费资助(xjjgf2018005).

付同强(1997-), 男, 在读硕士, 主要研究方向为水下智能感知技术.

(责任编辑: 许 妍)