基于样本扩充网络的水声目标分类模型优化算法

水声目标识别是近年来各国的研发热点，但是由于水声目标难以采集而导致样本数据不足，严重影响了神经网络的识别效率以及自动化识别装备的水平和性能的发挥；为此，提出了一种基于样本扩充网络的水声目标分类模型优化方法，通过搭建掩模重建的样本扩充网络，充分利用无标注数据进行训练，使模型学习到样本的全局高维特征，再生成样本加入后续的识别模型训练中，在两次试验过程中，平均识别准确率从76%提升至80%,最佳识别准确率从88%提升至96%;基于实测数据的实验表明，该方法提升了分类器的准确率、收敛速度以及稳定性。