[發(fā)明專利]一種多特征融合的水下目標識別方法

在審

• 申請?zhí)枺?/td>: 202010930201.7
• 申請日: 2020-09-07
• 公開（公告）號: CN112183582A
• 公開（公告）日: 2021-01-05
• 發(fā)明（設(shè)計）人: 殷波;魏志強;賈東寧
• 申請（專利權(quán)）人: 中國海洋大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G01S7/534;G01S7/527;G06N3/04;G06N3/08
• 代理公司: 青島華慧澤專利代理事務(wù)所(普通合伙) 37247
• 代理人: 趙梅

1.一種多特征融合的水下目標識別方法，其特征在于，包括如下步驟：

(1)數(shù)據(jù)預(yù)處理：對采集到的水聲信號數(shù)據(jù)進行min-max標準化處理，將結(jié)果值映射到[0-1]之間；

(2)特征提取：將處理后的數(shù)據(jù)在時域方面進行短時能量特征提取，在頻域方面，首先用EMD方法將處理后的數(shù)據(jù)進行分解，得到多個IMF分量，然后對得到的每個IMF分量進行GFCC特征提取；

(3)特征融合：首先采用相同的分幀方式提取短時能量特征和GFCC特征，之后采用首尾相接的方式將兩種音頻信號特征向量進行組合，形成融合特征向量；

(4)模型搭建：引入加權(quán)投票機制搭建CNN-LSTM集成時序網(wǎng)絡(luò)模型，所述模型包括CNN子分類器和LSTM子分類器；

(5)目標識別：將融合特征向量作為CNN-LSTM集成時序網(wǎng)絡(luò)模型的輸入向量，分別輸入到CNN子分類器和LSTM子分類器中，對分類準確率高的子分類器分配高的權(quán)值，之后將兩個子分類器的每個類別的預(yù)測概率乘以權(quán)值得到分類向量，選擇分類向量中的最大值對應(yīng)的類別為最終的目標識別分類結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種多特征融合的水下目標識別方法，其特征在于，步驟(2)中，短時能量特征提取方法公式如下：

其中，E_n為第n幀濾波加窗的短時能量特征，N為一幀語音信號的長度，y(n)為濾波加窗后的信號。

3.根據(jù)權(quán)利要求1所述的一種多特征融合的水下目標識別方法，其特征在于，步驟(2)中，GFCC特征提取的方法如下：在對音頻信號進行預(yù)處理后，將音頻信號分為n幀，對每一幀信號進行EMD分解，得到若干個IMF分量；之后對每個IMF分量進行快速傅里葉變換，并將各個頻率段的IMF分量相加后，經(jīng)過Gammatone濾波器進行濾波，并對每個濾波器的輸出值進行對數(shù)壓縮，得到一組對數(shù)能量譜，最后經(jīng)過離散余弦變換，獲得的GFCC特征。

4.根據(jù)權(quán)利要求3所述的一種多特征融合的水下目標識別方法，其特征在于，首先將音頻信號分為n幀，通過EMD將每幀語音信號分解為I個IMF分量；之后對每個IMF分量分別進行快速傅里葉變換，得到語音信號的離散功率譜s_i(k)：

其中，i＝1，2，…，I，t為時間，k為濾波器的階數(shù)，s(k)為原始音頻信號，d為離散傅里葉變化采樣點數(shù)；

之后進行頻率合成得到功率譜x(t)：

Gammatone濾波器的時域脈沖響應(yīng)可以看作是Gammatone函數(shù)的乘積，表達形式如下：

其中，g(t)為Gammatone濾波器的時域脈沖響應(yīng)，t為時間，f為中心頻率，a為控制濾波器增益，為相位，k為濾波器的階數(shù)，b為衰減因子，它決定著濾波器對應(yīng)的帶寬，其值由中心頻率f決定：

頻率合成后對功率譜x(t)取平方得到能量譜，并再對每個濾波器的輸出值進行對數(shù)壓縮，得到對數(shù)能量譜為：

其中，j＝1，2，…，H，H是Gammatone濾波器的個數(shù)；

最后，對能量譜e(j)進行離散余弦變換，得到GFCC特征，其計算公式如下：

其中，m＝1，2，…，M，M為GFCC特征參數(shù)的維度，G_mn為該段音頻信號第n幀，第m維的GFCC特征。

5.根據(jù)權(quán)利要求1所述的一種多特征融合的水下目標識別方法，其特征在于，步驟(3)中，進行特征融合前對特征數(shù)據(jù)進行Min-Max標準化處理：

其中，x_max為特征數(shù)據(jù)中的最大值，x_min為特征數(shù)據(jù)中的最小值，x為特征數(shù)據(jù)，x^*為Min-Max標準化處理后的特征數(shù)據(jù)。