[發明專利]基于高斯混合模型的非合作水中目標自動識別方法

有效

• 申請號: 201911237928.0
• 申請日: 2019-12-06
• 公開（公告）號: CN111027453B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 曾向陽;喬彥;王海濤;楊爽
• 申請（專利權）人: 西北工業大學
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06K9/62;G06V10/774;G06V10/764
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 王鮮凱

本發明公開了一種基于高斯混合模型的非合作水中目標自動識別方法，用于解決現有非合作水中目標識別方法實用性差的技術問題。技術方案是在面對未知類別的目標時，從集內外識別的方式這一角度出發，利用已知集內數據構提取能夠描述人耳聽覺的非線性特性的Mel頻率倒譜系數，即MFCC系數，訓練高斯混合模型，選擇合適的閾值，從而構建目標識別系統，通過將難以獲得標簽信息的樣本代入目標識別系統，以分辨是否屬于已知樣本集內樣本的方法，對其類別進行判斷，實現對非合作目標的類別進行初步判斷，同時降低了對樣本數據的標簽信息以及數據量的要求，實用性好。

技術領域

本發明涉及一種水中目標識別方法，特別涉及一種基于高斯混合模型的非合作水中目標自動識別方法。

背景技術

文獻“深度學習在水下目標被動識別中的應用進展，信號處理，2019，Vol35(9)，p1460-1475”公開了一種基于深度學習的水下目標被動識別方法，該方法在對樣本數據進行預處理、特征提取這些典型的模式分類識別系統的步驟后，采用特定的深度神經網絡結構實現分類器設計和分類器環節，使用一定數量的樣本完成深度神經網絡的模型訓練，或直接利用深度神經網具備良好的特征學習能力的特征，使用深度神經網絡弱化或者完全取代傳統意義上較為關鍵的特征提取環節。但文獻所述中，利用深度學習方法實現建模，必須要有充足數量的具有標簽信息的數據，數據匱乏則會使建模效果受到嚴重影響。然而在實際應用場景中，很難針對每一種水下目標收集到足夠的樣本數據，且水聲目標數據收集的代價高昂且現有積累相當薄弱，大多數目標將處于數據匱乏的狀態。

發明內容

為了克服現有非合作水中目標識別方法實用性差的不足，本發明提供一種基于高斯混合模型的非合作水中目標自動識別方法。該方法在面對未知類別的目標時，從集內外識別的方式這一角度出發，利用已知集內數據構提取能夠描述人耳聽覺的非線性特性的Mel頻率倒譜系數，即MFCC系數，訓練高斯混合模型，選擇合適的閾值，從而構建目標識別系統，通過將難以獲得標簽信息的樣本代入目標識別系統，以分辨是否屬于已知樣本集內樣本的方法，對其類別進行判斷，實現對非合作目標的類別進行初步判斷，同時降低了對樣本數據的標簽信息以及數據量的要求。本發明結合能夠表征人耳聽覺特性的MFCC特征參數，構建出一個基于人耳聽覺感知機理與高斯混合模型的非合作水中目標自動識別系統，訓練模型時，不需要獲取樣本的具體標簽或類別，同時減少針對每一種水下目標需要收集的樣本的數據量。通過集內外識別的方法，分辨難以獲得標簽信息的非合作目標是否屬于已知樣本集內樣本，對目標的類別進行初步識別，且系統的計算效率高，識別性能和魯棒性好。

本發明解決其技術問題所采用的技術方案：一種基于高斯混合模型的非合作水中目標自動識別方法，其特點是包括以下步驟：

步驟一、對數據集內觀察到的訓練樣本進行預處理，包括預加重、分幀和加窗三個部分；所述訓練樣本為水聲目標數據。

步驟二、對預處理后的訓練樣本提取MFCC特征。

步驟三、利用集內數據提取的MFCC特征作為特征向量，訓練GMM模型。其中，對于特征向量，它在GMM中的混合概率密度被定義為：

其中，x為特征向量，λ為GMM，p(x|λ)表示特征向量出現在模型λ中的似然率，M為GMM的混合度，p_i(x)為各個單變量高斯密度函數的概率密度，ω_i為各個單變量高斯密度函數所占的混合權重，并需要滿足限定關系式：

混合概率密度是GMM中M個p_i(x)的加權線性組合。p_i(x)的表示如式(3)所示：