基于改进卷积神经网络的工频水下磁目标探测

针对工频水下磁目标信号特征提取难、目标数据样本少、识别精度低等问题，提出一种基于深度卷积生成对抗网络(DCGAN)与优化卷积神经网络(CNN)相结合的水下工频磁目标识别方法。该方法通过滑动时间窗将信号由一维时序空间映射到二维灰度值图像，将实测水下磁异常信号利用DCGAN进行数据增强，之后构建卷积神经网络并引入DY-ReLU动态激活函数对CNN网络结构进行优化，以达到对目标信号的分类识别的目的。实验结果表明，经由数据增强的网络模型识别率提高了10%;相较于其他常用的静态激活函数，优化的CNN识别率分别提高了4.5%、4%、3%和2.5%,识别精度达到92.5%。验证了该方法的有效性，为水下磁异常检测提供一种新思路。