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！

龙图腾网获悉同方电子科技有限公司;中国人民解放军国防科技大学申请的专利一种基于深度流形学习的水中目标声信号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：CN117216516B 。

龙图腾网通过国家知识产权局官网在2025-08-05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：202311109643.5，技术领域涉及：G06F18/213；该发明授权一种基于深度流形学习的水中目标声信号特征提取方法是由刘长明;雷迎科;马欢;周钰;杨民;周存麒;金虎;阮绪芬;徐思武;胡晓凯;潘必胜设计研发完成，并于2023-08-31向国家知识产权局提交的专利申请。

本一种基于深度流形学习的水中目标声信号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深度流形学习的水中目标声信号特征提取方法，该方法具体为：首先，通过自编码器重建误差对原始数据进行全局优化，找出潜在的低维表示结果；然后，利用流形学习保持近邻重构权值的思想对潜在表示实施局部约束，保留其内在拓扑结构；最后，引入生成对抗网络架构进行正则化处理，使潜在表示服从特定分布，从而实现一种局部与全局的联合保持低维嵌入方法。本发明在DeepShip深水船公开数据集上进行了实验和验证，与现有深度学习以及流形学习特征提取方法对比，识别精度平均提高14.96％。

本发明授权一种基于深度流形学习的水中目标声信号特征提取方法在权利要求书中公布了：1.一种基于深度流形学习的水中目标声信号特征提取方法，其特征在于，包括以下步骤： 步骤1、构建深度流形自编码器模型，并命名为DMLAE模型；DMLAE模型包括生成器和判别器；初始化DMLAE模型参数； 其中，由自编码器添加流形正则化构建所述生成器； 所述生成器中的自编码器用于在无监督条件下提取水中目标声信号数据样本的全局特征，该全局特征表征水中目标声信号的整体属性； 所述生成器还用于利用原始样本点之间的近邻重构矩阵来构建隐藏层样本之间的局部结构关系，获得局部特征，该局部特征反映水中目标声信号的局部属性； 所述判别器用于对水中目标声信号样本真实分布与所述生成器产生的潜在表示分布进行判别，通过迭代不断更新所述生成器； 步骤2、将水中目标声信号数据样本矩阵X输入生成器输入层，通过最小化自编码器的自编码网络的重构误差损失函数Lr进行优化，即，在隐藏层中得到目标声信号全局特征Y，其中，X′为重构的水声数据； 步骤3、计算目标声信号样本点近邻重构权值矩阵S； 步骤4、提取水中目标声信号局部特征，对全局特征Y添加局部约束；具体如下： DMLAE模型对水中目标声信号局部特征提取，极小化式8使得yi与yi的近邻点之间反映原始水中目标声信号数据样本的重构权值关系， ； 对式8添加以下约束： ①； ②； 化简得：φY＝||YI-ST||2＝trYMYT9 式中，I为单位矩阵，S为近邻重构权值矩阵，tr为求矩阵迹的函数，M＝I-STI-S为n×n的矩阵； 步骤5、添加L1正则化项，重新构建DMLAE模型的目标函数；具体如下： L1表达式如式10所示： （10） 式中，W1为编码器权重，为模型生成器中编码网络各神经元的权重向量； 根据DMLAE模型生成器原理，重新定义DMLAE模型的目标函数Jθ如式（11）所示： ； 其中，α为流形学习局部约束的平衡参数，λ为编码器网络L1正则化成分的平衡参数； 针对上式目标函数Jθ的求解，利用梯度下降法得到凸函数的全局最优解； 步骤6、对全局特征Y进行对抗正则化处理； 步骤7、迭代更新DMLAE模型的权重和偏置，并求得最优参数，完成DMLAE模型训练； 步骤8、将水中目标声信号数据输入训练好的DMLAE模型中，在生成器中实现数据特征提取，输出水中目标声信号的内在特征矩阵。

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同方电子科技有限公司;中国人民解放军国防科技大学，其通讯地址为：332099 江西省九江市开发区九瑞大道111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”。