应用于水声信号识别中的神经网络研究

Abstract

利用舰船辐射噪声信号进行声呐目标自动识别是水声设备智能化的关键环节，神经网络作为分类器越来越受到重视。如何选用神经网络模型是被动声呐目标识别研究的重要课题。 本文综述了神经网络在声呐目标识别中的应用，分析了现在比较流行的BP网络的不足，提出了使用LRNN-BP级联网络作为分类器。本文所使用的BP网络主要采用的是改进的BP算法，主要改进方法是批处理训练、加入动量项、自适应调整学习速率和动量因子和随机跳动，特别是随机跳动可以很好的解决输入维数比较大时网络的不收敛问题；LRNN采用的是BPTT(BackPropagationThroughTime)训练算法。 本文首先对不同神经网络在语音识别·中的性能进行了对比研究，识别的对象是1～10共10个孤立数字汉语语音。在语音识别中主要利用MFCC作为特征向量，通过实验研究训练样本的数目与类别选择(主要是不同的样本组合)、训练算法、网络模型(BP网络、BP-BP级联网络，BP-多层BP级联网络，LRNN(局部循环神经网络)-BP级联网络)和特征向量对神经网络性能的影响，仿真中LRNN-BP级联网络表现出了较好的工作性能。 在语音识别仿真实验的基础上，本文对基于BP网络和LRNN-BP级联网络在声呐目标识别中的性能进行了对比研究，所用的特征向量为时频调制的参数和耳蜗模型参数。实验表明LRNN-BP级联网络在训练样本不太充分时识别效果明显高于传统的BP网络，这说明LRNN对特征向量有二次提取或特征优化的作用，在训练样本不充分时，可以提高工作性能。