控制与决策

作者：崔翰林,褚晓晖,徐立军,祁兵兵,胡润泽

单位：北京理工大学 信息与电子学院,北京 100081,,北京理工大学 信息与电子学院,北京 100081,,北京理工大学 信息与电子学院,北京 100081,,北京理工大学 信息与电子学院,北京 100081,,北京理工大学 信息与电子学院,北京 100081,

关键词：水声目标识别;知识蒸馏;二值神经网络;轻量型模型;深度学习

基金：国家自然科学基金项目(62301041).

基于深度学习的水下声学目标识别算法在水下平台部署时,通常面临计算资源短缺和水下声学环境复杂多变的挑战,提出一种结合二值化神经网络与知识蒸馏的轻量型水声目标识别算法(DSBNN_KD),旨在通过深度可分离卷积和权重参数二值化等手段实现模型的压缩和优化加速.同时,利用知识蒸馏技术将高性能高复杂度的教师模型的知识转移到轻量级学生模型上,从而缓解极端量化带来的性能损失,并确保模型的泛化性能.对DSBNN_KD的表现在两个实测水声数据集上进行全面评估,实验结果表明,相比当前主流的全精度轻量化模型,所提出DSBNN_KD在模型参数量、模型部署尺寸和计算量等方面均展现出显著的优势,同时在知识蒸馏技术的辅助下,量化后的模型依然可以保持与全精度模型接近的性能.

来源：2025年第1期

《控制与决策》期刊编辑部

查看控制与决策杂志2025年第1期