买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国船舶重工集团公司第七一五研究所申请的专利一种基于滑动窗深层卷积神经网络和增强学习的被动目标线谱特征提取方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115587302B 。

龙图腾网通过国家知识产权局官网在2026-01-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211297362.2，技术领域涉及：G06F18/214；该发明授权一种基于滑动窗深层卷积神经网络和增强学习的被动目标线谱特征提取方法是由陈越超;杜栓平;罗兆瑞;叶思懋;王青翠设计研发完成，并于2022-10-21向国家知识产权局提交的专利申请。

本一种基于滑动窗深层卷积神经网络和增强学习的被动目标线谱特征提取方法在说明书摘要公布了：本发明公开了一种基于滑动窗深层卷积神经网络和增强学习的被动目标线谱特征提取方法,该方法包括，S1，构建LOFAR谱图训练验证样本集；S2，基于Pytorch框架构建滑动窗深层卷积神经网络模型；S3，构造模型训练损失函数；S4，设计模型训练优化器及参数设置策略；S5，利用S1构建的LOFAR谱图训练验证样本集，结合S3设计的损失函数和S4设计的模型训练优化器及参数设置策略，对S2构建的滑动窗深层卷积神经网络模型进行反复迭代训练。本发明具有较强非线性关系映射能力，同时线谱增强学习架构下的模型训练提升了模型弱特征捕捉能力，处理结果具有较高的宽容性。

本发明授权一种基于滑动窗深层卷积神经网络和增强学习的被动目标线谱特征提取方法在权利要求书中公布了：1.一种基于滑动窗深层卷积神经网络和增强学习的被动目标线谱特征提取方法,其特征在于：该方法包括， S1，构建LOFAR谱图训练验证样本集； S2，基于Pytorch框架构建滑动窗深层卷积神经网络模型，具体包括： S2.1，构建3个基本模块，分别为基本模块1、基本模块2和基本模块3； S2.2，构建4个基本单元，分别为基本单元1、基本单元2，基本单元3、基本单元4； S2.3，构建整个滑动窗深层卷积神经网络模型，具体构建方式如下，添加4个并行分支，分支1依次包括低频数据切片层、基本单元1和Dropout层，其中数据切片层实现从整个输入样本上分割得到低频片段xPatch,1，即xPatch,1＝xfstart,1:fend,1，x为完整样本，fstart为起始频点，f1为截止频点；分支2依次包括中低频数据切片层、基本单元2和Dropout层，其中数据切片层实现从整个输入样本上分割得到中低频片段xPatch,2，即xPatch,2＝xfstart,2:fend,2；分支3依次包括中高频数据切片层、基本单元3和Dropout层，其中数据切片层实现从整个输入样本上分割得到中高频片段xPatch,3，即xPatch,3＝xfstart,3:fend,3；分支4依次包括高频数据切片层、基本单元4和Dropout层，其中数据切片层实现从整个输入样本上分割得到高频片段xPatch,4，即xPatch,4＝xfstart,4:fend,4；添加网络整合层，对4个分支输出进行拼接；全连接层，对输入特征进行降维，使其维度与标签维度一致，输出结果； S3，构造模型训练损失函数； S4，设计模型训练优化器及参数设置策略； S5，利用S1构建的LOFAR谱图训练验证样本集，结合S3设计的损失函数和S4设计的模型训练优化器及参数设置策略，对S2构建的滑动窗深层卷积神经网络模型进行反复迭代训练； S6，对未知水声目标LOFAR谱图进行线谱提取，基于已经训练的滑动窗深层卷积神经网络模型直接对LOFAR谱图进行处理，得到线谱提取结果； S2.1的构建方式如下， S2.1.1，构建基本模块1，输出通道数量为可设置参数x，添加3个并行分支，其中，分支1依次包括卷积层7×7,x,1、LayerNorm层、卷积层1×1,4x,1、GELU激活函数、卷积层1×1,x,1、系数加权层，其中针对7×7,x,1，7×7为卷积核尺寸，x为卷积通道数量，1为步长，针对系数加权层，其实现卷积特征在通道维点乘加权向量，该加权向量长度与卷积特征通道数量相同；分支2依次包括卷积层5×5,x,1、LayerNorm层、卷积层1×1,4x,1、GELU激活函数、卷积层1×1,x,1、系数加权层；分支3为直连层；将三个分支输出的卷积特征进行相加，得到基本模块1最终输出结果； S2.1.2，构建基本模块2，输出通道数量为可设置参数x，添加2个并行分支，其中，分支1依次包括卷积层7×7,x,1、LayerNorm层、卷积层1×1,4x,1、GELU激活函数、卷积层1×1,x,1、系数加权层；分支2为直连层；将2个分支输出的卷积特征进行相加，得到基本模块3最终输出结果； S2.1.3，构建基本模块3，输出通道数量为可设置参数x，添加2个并行分支，其中，分支1依次包括卷积层5×5,x,1、LayerNorm层、卷积层1×1,4x,1、GELU激活函数、卷积层1×1,x,1、系数加权层；分支2为直连层；将2个分支输出的卷积特征进行相加，得到基本模块3最终输出结果； S2.2的构建方式如下， S2.2.1，构建基本单元1，添加卷积层1×4,128,2；添加LayerNorm层；添加3个基本模块1，每个模块输出通道数量x均设置为128；添加LayerNorm层和卷积层2×2,256,2；添加3个基本模块1，每个模块输出通道数量x均设置为256；添加LayerNorm层和卷积层2×2,512,2；添加15个基本模块1，每个模块输出通道数量x均设置为512；添加LayerNorm层和卷积层2×2,1024,2；添加3个基本模块1，每个模块输出通道数量x均设置为1024；添加全局平均池化层；添加全连接层1024,256，括号内数据依次为输入和输出数据维度； S2.2.2，构建基本单元2，添加卷积层1×4,128,2；添加LayerNorm层；添加3个基本模块2，每个模块输出通道数量x均设置为128；添加LayerNorm层和卷积层2×2,256,2；添加3个基本模块2，每个模块输出通道数量x均设置为256；添加LayerNorm层和卷积层2×2,512,2；添加15个基本模块2，每个模块输出通道数量x均设置为512；添加LayerNorm层和卷积层2×2,1024,2；添加3个基本模块2，每个模块输出通道数量x均设置为1024；添加全局平均池化层；添加全连接层1024,256； S2.2.3，构建基本单元3，添加卷积层1×4,96,2；添加LayerNorm层；添加3个基本模块2，每个模块输出通道数量x均设置为96；添加LayerNorm层和卷积层2×2,192,2；添加3个基本模块2，每个模块输出通道数量x均设置为192；添加LayerNorm层和卷积层2×2,192,2；添加9个基本模块2，每个模块输出通道数量x均设置为384；添加LayerNorm层和卷积层2×2,768,2；添加3个基本模块2，每个模块输出通道数量x均设置为768；添加全局平均池化层；添加全连接层768,256； S2.2.4，构建基本单元4，添加卷积层1×4,96,2；添加LayerNorm层；添加3个基本模块3，每个模块输出通道数量x均设置为96；添加LayerNorm层和卷积层2×2,192,2；添加3个基本模块3，每个模块输出通道数量x均设置为192；添加LayerNorm层和卷积层2×2,192,2；添加9个基本模块3，每个模块输出通道数量x均设置为384；添加LayerNorm层和卷积层2×2,768,2；添加3个基本模块3，每个模块输出通道数量x均设置为768；添加全局平均池化层；添加全连接层768,256。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国船舶重工集团公司第七一五研究所，其通讯地址为：310023 浙江省杭州市西湖区留下街道屏峰715号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。