基于深度学习的主动声呐目标回波识别研究
【摘要】 在水下小目标探测与识别研究中，目标回波受水下复杂环境干扰严重。传统的水声目标识别方法是直接对水下目标进行特征提取再利用分类器识别，但由于对目标回波特征认知有限，手工提取目标特征会不可避免的丢失一部分关键信息。针对上述问题，研究了一种基于贝叶斯正则化理论的BP（BackPmpagation）神经网络识别算法。方法可以在一定程度上避免人工特征提取丢失信息的问题，提高目标识别率。依据目标亮点模型，基于贝叶斯正则化理论，推导了BP神经网络训练结果的网络性能函数，利用网络训练过程中超参数大小的自适应调整，优化网络性能，采用识别准确率和识别效率等性能参数评价效果。仿真结果表明，与传统L-M优化算法相比，基于贝叶斯正则化理论的BP神经网络算法抗干扰能力强，在优化模型的不断更新中提高了目标识别的效率和精度。
