基于對抗殘差網絡的復雜海況艦船目標類型識別技術研究

摘 要：近年來隨著深度學習理論在水聲領域的應用，水中目標識別技術研究取得了巨大進步。然而在工程應用實踐中，應用傳統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，復雜多變的海洋信道使聲信號在傳感器接收前發生劇烈畸變，導致識別算法出現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絡（Ａｄｖｅｒｓａｒｉａｌ Ｒｅｓｉｄｕａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＡＲＮＮ） 模型，利用梯度反向層（Ｇｒａｖｉｔｙ Ｒｅｖｅｒｓａｌ Ｌａｙｅｒ，ＧＲＬ） 結構和雙標簽對抗訓練的方式補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本質的特征上，具有更強的魯棒性和更高的識別率。為驗證其有效性，設計了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機械輻射噪聲信號，制作訓練樣本集和測試樣本集以訓練和測試算法模型。結果表明，相較于支持向量機（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ，ＳＶＭ）、卷積神經網絡（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＣＮＮ）、殘差網絡（Ｒｅｓｉｄｕａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＲｅｓＮｅｔ） 等傳統網絡模型，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，解決人工智能技術在水中目標識別工程應用中的關鍵問題。

關鍵詞：水中目標識別；特征失配；過擬合；對抗訓練；梯度反向層

中圖分類號：ＴＰ１８１ 文獻標志碼：Ａ

文章編號：１００３－３１０６（２０２４）１０－２３５５－０７