Resumen

La detección del objetivo del sonar submarino juega un papel importante en el campo de la exploración oceánica. Para resolver el problema de la detección de objetivos de sonar en un entorno complejo, se propone un método de detección de objetivos de sonar basado en redes neuronales convolucionales separables dilatadas y densamente conectadas (DS-CNNs) y en el algoritmo de optimización de enjambre de partículas de comportamiento cuántico (QPSO). En primer lugar, se propone el núcleo de convolución separable dilatado para ampliar el campo receptivo local y mejorar la capacidad de extracción de características de las capas de convolución. En segundo lugar, basándose en el algoritmo de interpolación lineal, se propone una operación de pooling multimuestreo (MS-pooling) para reducir la pérdida de información de las características y restaurar la resolución de la imagen. Por último, con la introducción del factor de contracción-expansión y la varianza de diferencia en el algoritmo tradicional de optimización de enjambre de partículas, se emplea el algoritmo QPSO para optimizar los parámetros de peso del modelo de red. El método propuesto se valida en el conjunto de datos de imágenes de sonar y se compara con otros métodos existentes. Utilizando DS-CNNs para detectar diferentes tipos de objetivos sonares, los experimentos muestran que la precisión de detección de DS-CNNs alcanza el 96,98 y las DS-CNNs tienen un mejor efecto de detección y una mayor robustez.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:detección de objetivos de sonar, cnns, red neuronal convolucional, kernel de convolución separable, capacidad de extracción de características, mejores efectos de detección, precisión de d, campo del océano, algoritmo de interpolación lineal, algoritmo de optimización de enjambre
• Keywords:sonar objectives detection, cnns, convolutional neural network, separable convolution kernel, features extraction ability, better detection effects, accuracy of d, field of ocean, linear interpolation algorithm, swarm optimization algorithm