《表1 识别率比较：水下目标多模态深度学习分类识别研究》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《水下目标多模态深度学习分类识别研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

将多模态深度学习模型与SVM、CNN以及LSTM网络识别方法进行分类识别率比较。其中SVM采用高斯核函数，惩罚因子C的选择依赖于多次试验，惩罚因子越大，表示分类方法不能容忍出现误差，但是容易出现过拟合，当惩罚因子越小时，表示分类模型对误差的宽容度较强，但容易出现欠拟合，经过多次优化测试，选择惩罚因子为67.3，训练步数设置为200。CNN设置两层卷积层，一层池化层和一层全连接层。激活函数为ReLU，两层卷积层的节点数分别设置为16和32，卷积核大小分别为5*5和3*3，池化层卷积核大小为3*3，一层全连接层，采用Softmax输出层，输出节点为5，学习率设置为10×10-5，epoch为10000步，迭代直到达到设定阈值。LSTM网络参数中，一维信号进行输入时首先进行归一化处理，动量因子设置0.95，衰减因子设为0.1，初始门控设置为0，采用L1正则化方法，激活函数为sigmoid，学习速率设置为0.01，输入向量维度为2，隐含层维度为32，输出层维度为1，迭代10000步。多模态深度学习模型的两种模态输入参数设置与上述一致，CCA特征融合时初始迭代因子设置为2，参数共享后，对特征向量进行深度自编码分类识别，自编码网络选择堆栈自编码（Stacked auto-encoder，SAE）。采用Tensorflow深度学习框架[18]进行训练。采用英伟达丽台K4200 GPU加速，每个模型训练时间达到6 h。该训练-测试比条件下的结果如表1所示，其中识别率=（测试集中正确分类样本数）/测试集总样本数。