本发明公开了一种基于迁移学习的水下声音信号分类方法，涉及机器学习技术领域；本发明将数据集之间的分布和领域之间的域不变性结合；在类别分类器部分，使用MMD算法去匹配两数据集间的分布差异，并通过对内核的数量以及覆盖范围进行改变，最小化两数据集之间的分布差异；而在域分类器部分，则利用梯度反转去阻止域分类器在误差反向传播阶段的梯度下降，最大化域分类器的分类误差，使分类器具有领域不变性。一种基于迁移学习的水下声音信号分类方法，以动态的调整两种方法在模型进行迭代训练过程中的重要程度。通过实验证明，本发明提出的迁移学习方法要优于传统的分类方法以及现有的迁移学习方法DAN和DSN，并且分类越复杂，效果越明显。

1.一种基于迁移学习的水下声音信号分类方法，其特征在于：所述方法具体过程为：将获取的水下声音信号输入到训练好的迁移学习网络中获取分类号的声音信号；所述训练好的迁移学习网络的网络参数通过以下方式获得：s t步骤一：输入源域数据集x以及其对应的类标签 和域标签 目标域数据集x ；学习率σ和最大迭代次数T；类别分类器的初始调整参数值μ＝1和域分类器的初始调整参数值λ＝0；步骤二：利用卷积神经网络的卷积层和下采样层去提取输入数据的特征，令当前迭代次数i＝0；步骤三：通过Feature Extraction获取数据特征；通过Category Classifier获取输入样本的预测类标签 通过Domain Classifier获取输入样本的预测域标签步骤四：根据实验设置获取数据的mini_batches。

机器学习领域出现了一个重要的问题：当源域样本数据与目标域样本数据的边缘分布或者条件分布不相同或者不完全相同，并且无法获取大量的有效数据去作为模型的训练数据时，怎样训练出一个精度高、稳定性强的模型去预测目标领域的数据。迁移学习这一研究方向因此变得愈发重要。迁移学习是指利用当前领域已经获取到的样本数据对模型参数进行训练，将训练好的模型应用到相关但是并不相同的领域中，对该领域的新数据进行预测的新的机器学习手段。它无需遵守传统机器学习的两个要求，其最终的目标是将已经学习到的知识(参数)迁移到目标领域中去，以解决目标域无法获取足够多的有效的训练数据的问题。

众所周知，由于水下环境的复杂性，近年来众多学者提出的水下声音信号分类方法的分类效果均无法达到理想的分类结果。本发明创新的将迁移学习的方法应用于水下声音信号的分类，试图利用迁移学习去提高分类精度。

哈尔滨工程大学，简称“哈工程”，位于黑龙江省哈尔滨市，是中华人民共和国工业和信息化部直属的全国重点大学，工业和信息化部、教育部、黑龙江省、哈尔滨市、海军共建高校，位列“双一流”、“211工程”、入选“985工程优势学科创新平台”、“111计划”、卓越工程师教育培养计划、国家大学生创新性实验计划、国家建设高水平大学公派研究生项目、国家级新工科研究与实践项目、中国政府奖学金来华留学生接收院校、全国首批深化创新创业教育改革示范高校、国家大学生文化素质教育基地、国家创新人才培养示范基地、全国高校实践育人创新创业基地，工业和信息化部高校联盟、北极大学联盟、CDIO工程教育联盟、中俄工科大学联盟成员单位，国际船舶与海洋工程创新与合作联盟牵头单位，被教育部、总政治部列入“21世纪人才强军计划”。

本发明的有益效果为：

 本发明将数据集之间的分布和领域之间的域不变性结合，在类别分类器部分，使用MMD算法去匹配两数据集间的分布差异，并通过对内核的数量以及覆盖范围进行改变，从而使MMD算法能够在训练的任一阶段有效，进而最小化两数据集之间的分布差异；而在域分类器部分，则利用梯度反转去阻止域分类器在误差反向传播阶段的梯度下降，从而最大化域分类器的分类误差，使分类器具有领域不变性。并提出了一种面向水下声音信号分类的迁移学习方法，以动态的调整两种方法在模型进行迭代训练过程中的重要程度。通过实验证明，本发明提出的迁移学习方法要优于传统的分类方法以及现有的迁移学习方法DAN和DSN。并且分类越复杂，效果越明显。

技术转让，许可，合作所需资金需双方协商，此项技术想尽快落地保定，希望具备此项技术研发的技术方，能够尽快承接此项目。