典型文献
嵌入注意力机制的卷积神经网络水声目标识别
文献摘要：
针对低信噪比水声目标单一特征识别率低,稳健性差的问题,提出一种基于注意力机制和多尺度残差卷积神经网络(Multi-scale Residual CNN with Attention,MR-CNN-A)进行特征融合的识别方法.该方法根据多尺度卷积核与特征图形成多分辨率分析关系,并以此通过注意力机制实现优势特征权值提取与融合,从而提高模型在文中水声数据集上提取目标噪声特征和分类识别的稳健性与抗噪能力.开展了4类舰船噪声和海洋环境噪声的识别试验、水下和水面自主式水下航行器的识别试验,以及不同信噪比条件下目标噪声的识别试验.结果表明:对于文中所涉及的水声目标噪声和人工高斯白噪声干扰,该网络模型识别正确率明显高于支持矢量机与简单卷积神经网络,且对高斯白噪声的抑制能力远强于支持矢量机与简单卷积神经网络,稳健性好,模型复杂度小.
文献关键词：
水声目标识别;注意力机制;多尺度残差;卷积神经网络;特征融合;低信噪比;稳健;自主式水下航行器
中图分类号：
作者姓名：
张钇;熊水东;马燕新;姚琼;王付印;郭微;朱家华
作者机构：
国防科技大学前沿交叉学科学院,湖南长沙 410073;海洋探测技术湖南省重点实验室,湖南长沙 410073;国防科技大学气象海洋学院,湖南长沙 410073
文献出处：
引用格式：
[1]张钇;熊水东;马燕新;姚琼;王付印;郭微;朱家华-.嵌入注意力机制的卷积神经网络水声目标识别)[J].声学技术,2022(06):796-803
A类：
B类：
注意力机制,水声目标识别,低信噪比,标单,特征识别,识别率,多尺度残差,残差卷积神经网络,Multi,scale,Residual,Attention,MR,特征融合,多尺度卷积核,特征图,多分辨率分析,优势特征,特征权值,噪声特征,分类识别,舰船噪声,海洋环境噪声,别试,水面,自主式水下航行器,高斯白噪声,噪声干扰,模型识别,抑制能力,模型复杂度
AB值：
0.275857
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
