基于深度学习的水下目标多源异构信息数据协同感知技术研究

The underwater target perception has become the key technology in the detection of underwater resources and the construction of underwater attack-defense system. The multi-source heterogeneous data processing technology is the core of determining the perception ability. However, the current research on cooperative perception mechanism of underwater target using multi-source heterogeneous information data still requires for further development. The project takes the issue into consideration and plans to propose new technologies and methods for the underwater target perception mechanism with deep learning. The novel sparse decomposition denosing technology will be developed to better extract the effective information from underwater multi-source heterogeneous information data. The project also engages in the research on the features extraction of target attributes, robust features extraction and the pattern expression of features for multi-source heterogeneous information data to establish a pattern expression mechanism which can represent the heterogeneous and interrelated unified modes well. According to the pattern expression mechanism, a new space model oriented to the multi-source heterogeneous information data is constructed to supply subsequent research with reliable data. The project combines multi-view deep learning with attention mechanism to accomplish collaborative training. It can improve the accuracy rate of the underwater target classification and recognition. On this basis, the project conducts comprehensible description analysis for the underwater target based on multi-tasking deep learning method to judge the status of the underwater target, which can offer accurate and efficient assistant decision-making to the underwater situation analysis. The achievement of this project will provide a new thinking and reference method for the improvement of the underwater target perception technology, it has important academic value.

水下目标感知技术是水下资源探测、水下攻防体系构建的关键技术，多源异构信息数据处理技术是决定其感知能力的核心。而目前利用多源异构信息数据对水下目标进行协同感知的机制尚待研究。本课题拟以此为研究对象，以深度学习为切入点，提出水下目标感知机制的新技术和新方法。利用稀疏分解的降噪技术，提取水下多源异构信息数据的有效信息。通过目标属性特征提取、提取鲁棒性特征、特征模式表达机制的研究，建立一种能良好表示异构、相互关联的统一模式表达机制，构建面向多源异构信息数据的空间模型，为进一步研究提供可靠的信息数据。进而提出基于注意力机制的多视角深度学习方法，实现协同训练，对水下目标进行高准确率的分类识别。在此基础上，采用多任务学习有效地对水下目标进行可理解性描述分析，判断水下目标状态，为海洋水下态势分析提供准确高效的辅助决策。本课题的完成将为水下目标感知技术的完善和发展提供新的方法参考，具有重要的学术价值。

实施海洋强国战略的重点是在智慧海洋工程中取得新作为，其重要前提是不断提升海洋认知能力，而多源异构信息数据协同感知处理技术则是其关键支撑技术。本课题提出利用深度学习方法和理论，对多源异构信息融合处理、水下目标分类识别等技术进行研究，为海洋智能感知技术发展奠定一定的基础，取得了显著成果。在《The Journal of the Acoustical Society of America》、《Applied Acoustics》等领域内知名期刊发表SCI/EI论文14篇，出版专著1部，授权国家发明专利9项，申请国家发明专利3项。.（1）为取得良好的水下异构信息数据盲去噪效果，提出堆叠式卷积稀疏降噪自编码器的异构信息数据降噪方法，出色实现了水下异构信息数据降噪。相关研究发表SCI论文2篇，授权国家发明专利1项。.（2）以小样本数据为核心开展生成对抗网络、迁移学习的数据风格迁移及扩展研究，构建基于小样本学习的多源异构数据空间，通过引入对抗思想自适应划分特征域和内容域，生成了更丰富的转换结果，提供可靠数据基础。相关研究发表SCI论文2篇，申请国家发明专利1项。.（3）提出自监督学习的水下目标分类识别，解决了复杂海洋环境样本标注成本高、单一特征泛化能力弱的问题，并通过通道注意力和空间注意力机制充分利用样本的关键信息，提升水下目标识别任务性能。相关研究发表SCI论文6篇，EI论文1篇，获得国家发明专利授权7项、申请1项，出版专著1部。.（4）提出构建多任务自注意力网络模型，解决对长期依赖的捕获受序列长度限制的问题，提高模型的泛化能力，提升目标状态正确判断能力。相关研究发表SCI论文3篇，授权国家发明专利1项，申请国家发明专利1项。.本课题对水下目标多源异构信息数据感知机制的完善和发展提供了新的方向和方法参考，对深度学习与多源异构信息数据处理技术的发展具有重要的学术价值。