[發明專利]一種多特征融合的水下目標識別方法

在審

• 申請號: 202010930201.7
• 申請日: 2020-09-07
• 公開（公告）號: CN112183582A
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 殷波;魏志強;賈東寧
• 申請（專利權）人: 中國海洋大學
• 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所(普通合伙) 37247
• 代理人: 趙梅

本發明公開了一種多特征融合的水下目標識別方法，包括如下步驟：(1)數據預處理：(2)特征提取：將處理后的數據在時域方面進行短時能量特征提取，在頻域方面，首先用EMD方法將處理后的數據進行分解，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：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：引入加權投票機制搭建CNN?LSTM集成時序網絡模型；(5)目標識別：將融合特征向量作為CNN?LSTM集成時序網絡的輸入向量，選擇最大值對應的類別為最終的目標識別分類結果。本發明所公開的方法提高了水下目標的識別精度和準確率。

技術領域

本發明涉及一種水下目標識別方法，特別涉及一種多特征融合的水下目標識別方法。

背景技術

隨著海洋聲吶技術的發展，水下目標識別已經成為水聲探測領域最重要的技術之一，被越來越多的應用于海洋生物調查、水雷和潛水器的檢測和識別等科學活動。近年來，各式各樣具有高靈敏度的聲吶系統方案層出不窮，探測和定位的距離和精度都有了大幅度的提升。被動聲吶系統是利用目標的輻射噪聲進行檢測識別的，在發現目標的同時可以保持自身的隱蔽性，基于水聲目標輻射噪聲的目標識別技術是被動聲吶研究中的關鍵環節。隨著深度學習的發展，基于大數據的深度學習框架在語音識別、文本翻譯等很多領域都取得了輝煌的成果，并且相比傳統的機器學習方法有明顯提升。因此，基于深度學習方法進行深層特征挖掘和提取，建立更穩健、更智能、自動化程度更高的目標識別模型，成為了水下目標識別技術發展的新方向。

為了提升水下目標檢測的精度和效率，各國采用的聲吶目標特征提取的方法也在不斷更新。現有的研究手段是將水聲信號預處理后進行單一的一種特征提取。比如線性預測編碼、梅爾倒譜系數等。分類識別模型主要是廣泛應用的經典機器學習方法，如淺層祌經網絡分類器、聚類、K近鄰、支持向量機以及馬爾科夫鏈模型等。

由于水下環境復雜多變以及輻射源結構的差異，使得不同目標的輻射噪聲差異明顯，單一的特征向量很難準確全面地表示原始信號特征，會使部分重要特征丟失，造成識別不準確。如何快速而又準確的提取出能夠有效表征語音信號特性的特征參數從而實現分類識別，是水聲目標的識別精度的關鍵。潛艇的低噪發展趨勢，對水下目標識別能力提出了更高的要求。在這一趨勢下，一些經典的目標識別算法的性能已難以達到現代海戰的要求，提高水下目標識別的準確度已經成為亟需解決的問題。

發明內容

為解決上述技術問題，本發明提供了一種多特征融合的水下目標識別方法，從信號時域和頻域兩個不同的角度獲取聲音信號，可以全方位的表示水下音頻特征，并采用加權投票方法集成適用于時序數據建模的CNN和LSTM集成網絡，將提取的特征序列輸入到網絡中進行識別分類，從而提高水聲目標的識別精度。

為達到上述目的，本發明的技術方案如下：

一種多特征融合的水下目標識別方法，包括如下步驟：

(1)數據預處理：對采集到的水聲信號數據進行min-max標準化處理，將結果值映射到[0-1]之間；

(2)特征提取：將處理后的數據在時域方面進行短時能量特征提取，在頻域方面，首先用EMD方法將處理后的數據進行分解，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：引入加權投票機制搭建CNN-LSTM集成時序網絡模型，所述模型包括CNN子分類器和LSTM子分類器；