買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉中國船舶重工集團公司第七一五研究所申請的專利一種基于多平臺聽覺感知特征深度遷移學習的小樣本水中目標識別方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN114202056B 。

龍圖騰網通過國家知識產權局官網在2025-08-08發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202111346434.3，技術領域涉及：G06F18/241；該發明授權一種基于多平臺聽覺感知特征深度遷移學習的小樣本水中目標識別方法是由陳越超;王方勇;周彬;王青翠;陳孝森;尚金濤設計研發完成，并于2021-11-11向國家知識產權局提交的專利申請。

本一種基于多平臺聽覺感知特征深度遷移學習的小樣本水中目標識別方法在說明書摘要公布了：本發明提出一種基于多平臺聽覺感知特征深度遷移學習的水中目標識別方法，通過建立由MFCC特征提取網絡、GFCC特征提取網絡、CFCC特征提取網絡和融合識別網絡組成的多深度學習聯合判決模型，另一方面，建立多平臺數據遷移學習體制，針對方法應用平臺小樣本數據條件的情況，充分利用其他聲納平臺目標數據、仿真聲納目標數據、說話人語音數據等具備特征可借鑒性的數據對深度學習模型進行遷移學習訓練。該方法與傳統基于物理特征的目標識別方法相比，特征挖掘和利用更為深入和全面，同時和單純基于本平臺數據驅動的智能化識別模型相比，數據利用范圍更為廣泛，模型訓練過程不容易過擬合，本方法可提升小樣本條件下的聲納目標識別能力。

本發明授權一種基于多平臺聽覺感知特征深度遷移學習的小樣本水中目標識別方法在權利要求書中公布了：1.一種基于多平臺聽覺感知特征深度遷移學習的小樣本水中目標識別方法，其特征在于，所述方法包括以下步驟： 構建面向多維水中目標聽覺感知特征的多深度學習聯合判決模型，構建方法為： 構建MFCC特征提取網絡、GFCC特征提取網絡和CFCC特征提取網絡，將上述3個特征提取網絡并行放置并在頂部依次添加融合識別網絡、支持向量機分類器；所述融合識別網絡為兩層感知機網絡； 所述MFCC特征提取網絡、GFCC特征提取網絡或CFCC特征提取網絡的構建方法為： 添加數據輸入層； 添加第一卷積層，第一卷積層參數為48×1，144，4；添加Irn層； 添加第二卷積層，第二卷積層參數為16×1，192，2； 添加第三卷積層，第三卷積層參數為7×1，256，1；添加lrn層； 添加第一池化層，第一池化層參數為3×1，2； 添加三個基本ResNet-Inception模塊； 添加第四卷積層，第四卷積層參數為3×1，384，1； 添加第五卷積層，第五卷積層參數為3×1，512，1； 添加第二池化層，第二池化層參數為3×1，2； 添加全連接層，輸出節點數量為256； 所述基本ResNet-Inception模塊的構建方法為： 在數據輸入層之后添加3個并行分支，分支1為直接分支；分支2包括2個卷積層，各卷積層參數依次為1×1，128，1、3×3，128，1；分支3包括2個卷積層，各卷積層參數依次為1×3，128，1、3×1，128，1；在分支2和3之后加入特征維擴展操作，通過整合兩個分支輸出特征，得到綜合特征集輸出，特征總數量為256；在分支1輸出特征和綜合特征集之后加入直接相加求和操作，得到基本ResNet-Inception模塊的頂層特征，再加入ReLU激活函數，輸出最終卷積特征； 初始化多深度學習聯合判決模型參數，包括： 基于MFCC、GFCC、CFCC聽覺感知濾波器構建方法，按設定的頻段分別生成48通道的聽覺感知濾波器系數，每個聽覺感知濾波器均為48維向量，通過對所有聽覺感知濾波器進行整合以形成48×144的矩陣，并分別對MFCC特征提取網絡、GFCC特征提取網絡、CFCC特征提取網絡的第一卷積層進行參數初始化； 構建多深度學習聯合判決模型的損失函數J，并設定訓練時的訓練參數； 基于多平臺數據，生成多平臺樣本集為：利用說話人語音數據集、仿真聲納目標數據集、其他聲納平臺目標數據集和待應用小樣本聲納平臺目標數據集，基于MFCC、GFCC和CFCC聽覺感知濾波器，根據需求設置數據處理上下限頻率，生成相應聽覺感知特征樣本，構建多平臺樣本集； 基于多平臺樣本集對多深度學習聯合判決模型展開多層級遷移學習訓練，包括以下步驟： 對多深度學習聯合判決模型進行初始化訓練，包括： 循環優化步驟，從說話人語音樣本集中隨機選取固定數量的樣本并基于梯度下降方法對損失函數J進行若干輪次優化，之后從仿真聲納目標樣本集中隨機選取固定數量的樣本并基于梯度下降方法對損失函數J進行若干輪次優化； 重復上述循環優化步驟直至循環優化次數達到預設循環輪次數，直至損失函數收斂到預期門限； 對多深度學習聯合判決模型開展初級遷移學習訓練，包括： 保留初始化訓練時MFCC特征提取網絡、GFCC特征提取網絡、CFCC特征提取網絡的結構參數，隨機初始化融合識別網絡結構參數，從其他聲納目標樣本集中隨機選取固定數量的樣本并基于梯度下降方法對損失函數J進行若干輪次優化，直至損失函數收斂到預期門限； 對多深度學習聯合判決模型開展進階遷移學習訓練，包括以下步驟： 提取多深度學習聯合判別模型的第一局部網絡結構并保留網絡結構參數，得到特征提取模型SE＝{sM，sG，sC}，所述第一局部網絡結構包括MFCC特征提取網絡、GFCC特征提取網絡、CFCC特征提取網絡中對應的3個基本ResNet-Inception模塊及以前的網絡結構sM、sG、sC； 提取多深度學習聯合判別模型的第二局部網絡結構并組建為特征識別模型SR，構造特征識別模型SR的損失函數Jm；所述第二局部網絡結構為MFCC特征提取網絡、GFCC特征提取網絡、CFCC特征提取網絡中對應的第四卷積層lM、lG、lC至softmax分類器的網絡結構； 通過SE對待應用小樣本聲納平臺目標樣本集中的全部樣本進行特征提取，得到特征樣本集xE＝{xE，1，xE，2，…，xE，n，xE，n＝xM，n，xG，n，xC，n，n∈N*}，其中特征樣本xE，n包含一組三個特征xM，n、xG，n和xC，n，分別對應sM、sG、sC的特征提取結果； 對模型SR結構參數進行隨機初始化； 從xE中隨機選取固定數量的特征樣本并基于梯度下降方法對損失函數Jm進行若干輪次優化，直至損失函數收斂到預期門限； 重新整合SE和SR，得到訓練后的多深度學習聯合判決模型SD； 對未知水中目標輻射噪聲數據進行預處理，對預處理結果采用訓練后的多深度學習聯合判決模型進行目標識別，輸出識別結果。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人中國船舶重工集團公司第七一五研究所，其通訊地址為：310023 浙江省杭州市西湖區留下街道屏峰715號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。