利用深层卷积神经网络实现地形辅助的多波束海底底质分类

摘要：

海底底质分类对于海洋资源开发与利用、海洋科学研究等多方面具有重要意义.目前,多波束探测是实现大范围海底底质分类的有效手段之一,通常基于多波束反向散射强度提取角度响应(AR)特征及反向散射图像特征进行底质分类.由于特征来源较单一,分类器结构简单,往往分类精度不高.为此,本文提出了一种基于深层卷积神经网络(CNN)的多波束海底底质分类方法.除反向散射强度特征外,还利用地形特征,将特征向量转换为波形图,再输入卷积神经网络进行训练和分类.试验对比不同特征组合以及BP网络、支持向量机(SVM)、K近邻(KNN)、随机森林(RF)4种常规分类器,本文模型算法总体分类精度达到94.86％,Kappa系数为0.93,精度具有明显优势,效率也比较高.表明该方法有效利用两种数据类型所蕴含的海底底质信息,充分发挥卷积神经网络权值共享、高效率等特点,实现高分辨率海底底质分类,可对海底底质分类研究提供参考.

关键词：多波束、反向散射图像、角度响应、底质分类、卷积神经网络

所属期刊栏目：50

分类号：P229.1(大地测量学)

资助基金：国家自然科学基金;国家重点研发计划;山东科技大学科研创新团队支持计划

在线出版日期：2021-01-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：71-84