改进通道注意力机制的时域水声信号识别网络

为了提高时域水声信号识别网络的性能,本文在改进通道注意力机制的基础上提出了一种识别时域信号的卷积神经网络.该网络分别在原始时域信号和时域重构序列中提取特征,并在训练过程中随机丢弃输入中的数据点以防止网络训练的过拟合.同时,本文使用由多个卷积层或残差模块构造的多尺度卷积模块提取不同频率成分下的信号特征.针对时域信号特点,本文在通道注意力机制中分别引入样本特征通道能量信息,样本特征通道幅值信息以及样本特征通道与样本整体间的相关性求解特征通道权值,增强特征中的有效成分.最后,在损失函数中添加分类器权值范数的正则项,突出网络提取的有效特征.在ShipsEar和DeepShip数据库下的实验结果表明,当训练数据和测试数据具有相似分布时,本文改进的卷积神经网络可对时域目标信号进行有效识别.