[發明專利]一種基于深度學習的Lofar線譜檢測方法

有效

• 申請號: 202010139834.6
• 申請日: 2020-03-03
• 公開（公告）號: CN111401548B
• 公開（公告）日: 2022-03-22
• 發明（設計）人: 韓一娜;李雨煙;劉清宇;馬遠良
• 申請（專利權）人: 西北工業大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04;G01S7/539;G06T3/40;G06T7/11
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 劉新瓊

本發明涉及一種基于深度學習的Lofar線譜檢測方法，主要針對不規則波動的低信噪比的線譜檢測與恢復問題。本發明將深度學習應用于線譜檢測問題，使用卷積神經網絡對線譜圖像和噪聲圖像進行分類，并利用可視化策略恢復線譜，其效果遠遠超出傳統線譜檢測中人類視覺的感知范圍，可以檢測和恢復更低信噪比的線譜圖像。

技術領域

本發明涉及信號檢測領域，特別是一種基于深度學習的Lofar線譜檢測方法。

背景技術

在被動聲納系統中檢測安靜的人造目標仍然是海洋監控中最具挑戰性的問題之一。通常，由于電動機的旋轉部件，發出特定的聲波，并構造了一個稱為Lofargram(低頻分析和記錄)的頻率隨時間變化的圖像，以幫助檢測這種發出的信號，通常形式為一條頻率線。線譜檢測傳統方法中，統計模型可以用強大的統計先驗模型對勢能線的波動進行建模，然后對頻譜功率進行概率積分。對于低線形變化，信噪比限制在2～4dB的范圍內，但需要先知道基頻。對于波動變化，使用隱馬爾可夫模型可檢測的信噪比為-18dB，更低的信噪比則無法檢測。

發明內容

要解決的技術問題

針對傳統方法的不足，本發明提出了一種基于深度學習的Lofar線譜檢測方法。深度學習應用于線譜檢測問題，使用卷積神經網絡對線譜圖像和噪聲圖像進行分類，并利用可視化策略恢復線譜。本發明不需要知道信號的先驗信息，且效果遠遠超出傳統線譜檢測中人類視覺的感知范圍，可以檢測和恢復更低信噪比的線譜圖像。

技術方案

一種基于深度學習的Lofar線譜檢測方法，其特征在于步驟如下：

步驟1：數據增強

對蒙特卡羅仿真生成的模擬圖像，進行裁剪和翻轉的數據增強方法，把數據增強后的模擬圖像的90％設置為訓練集，10％設置為測試集；

步驟2：預訓練

使用信噪比為-20dB和-23dB的訓練集預訓練檢測網絡，預訓練時使用Adam算法進行小批量梯度下降，并加入L2正則化和dropout減小過擬合；所述的檢測網絡選取Alexnet，包括5個卷積層，并在他們之間進行非線性激活和池化操作，3個全連接層，最后為2分類層；

步驟3：訓練

降低學習率，使用信噪比為-24dB的訓練集訓練步驟2預訓練好的檢測網絡，其他訓練細節與步驟2的預訓練一致；

步驟4：檢測和恢復線譜

對于訓練好的檢測網絡，輸入線譜圖片或噪聲圖片，檢測網絡可以檢測出線譜圖片，并將其傳入恢復網絡，恢復網絡使用引導的反向傳播，可以從被噪聲掩蓋的原始線譜圖像中恢復線譜；所述的恢復網絡與檢測網絡互為鏡像關系。

有益效果

本發明提出的一種基于深度學習的Lofar線譜檢測方法，提出了一個新的DeepLofargram，它由深度卷積神經網絡及其可視化部分組成。Lofargram上的二分類檢測和線譜空間位置的恢復可以一起進行。借助這種深層架構，可以實現信噪比低至-24dB的信號的檢測和恢復，并且不需要知道信號的先驗信息，其效果遠遠超出傳統Lofargram中人類視覺的感知范圍，可以檢測和恢復更低信噪比的線譜圖像。

附圖說明

圖1為線譜檢測和恢復的模型圖

具體實施方式

現結合實施例、附圖對本發明作進一步描述：