[發明專利]信號處理與深-淺網絡多模型融合的水聲目標識別方法

有效

• 申請號: 202011264120.4
• 申請日: 2020-11-12
• 公開（公告）號: CN112364779B
• 公開（公告）日: 2022-10-21
• 發明（設計）人: 羅恒光;張博軒;王大宇;宋高宇;曾昕
• 申請（專利權）人: 中國電子科技集團公司第五十四研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 河北東尚律師事務所 13124
• 代理人: 王文慶

1.一種信號處理與深-淺網絡多模型融合的水聲目標識別方法，其特征在于，包括以下步驟：

(1)對基陣接收的水聲目標輻射噪聲信號進行濾波降噪，得到干凈和增強后的時域信號數據；

(2)對步驟(1)的時域信號數據做域變換，提取具有類間區分度的時頻譜圖和梅爾倒譜系數作為特征樣本；

(3)搭建三通道深-淺網絡，所述三通道深-淺網絡包括兩個卷積神經網絡和一個殘差網絡；將步驟(2)得到特征樣本標注所屬類別，使用特征樣本中的時頻譜圖分別對一個卷積神經網絡和殘差網絡進行訓練，使用特征樣本中的梅爾倒譜系數特征對另一個卷積神經網絡進行訓練，形成多模型聯合識別的處理架構；

其中，使用特征樣本中的時頻譜圖分別對一個卷積神經網絡和殘差網絡進行訓練的具體方式為：

(A301)將所有時頻譜圖按照3:1:1的比例劃分為訓練集、驗證集和測試集，并打亂順序以確保每個樣本集中各類數據均勻分布；

(A302)根據時頻譜圖的特征搭建卷積神經網絡分類模型，卷積神經網絡包括1個輸入層、4個卷積層、4個極大池化層、1個全連接層和1個Softmax層，卷積層使用ReLU函數作為激活函數；

(A303)對卷積神經網絡進行訓練，得到具有分類識別能力的卷積神經網絡模型；

(A304)根據時頻圖譜數據搭建殘差網絡分類模型，所述殘差網絡包括4層layer，每個layer由不同個數的block構成，4層layer的block個數分別為3、4、6、3，每個block均包括卷積層、批量標準化層和Softmax分類層；根據樣本特性，對殘差網絡分類模型進行適應性遷移，調整輸入層維度，加載預訓練好的模型參數并進行訓練，得到可以分辨不同目標時頻譜圖的殘差網絡模型；

使用特征樣本中的梅爾倒譜系數特征對另一個卷積神經網絡進行訓練的具體方式為：

(B301)將所有梅爾倒譜系數樣本數據按照3:1:1的比例劃分為訓練集、驗證集和測試集，并打亂順序以確保每個樣本集中各類數據均勻分布；

(B302)根據梅爾倒譜系數的特征搭建基本的卷積神經網絡分類模型，卷積神經網絡包括1個輸入層、2個卷積層、2個極大池化層、4個Dropout層、2個全連接層和1個Softmax層，卷積層和全連接層使用的激活函數均為ReLU；

(B303)對卷積神經網絡進行訓練，得到可以分辨不同目標梅爾倒譜系數特征的卷積神經網絡模型；

(4)對步驟(3)中的三個網絡模型賦予不同的權重，使用投票表決機制得出最終判決結果，若投票結果各不相同，則使用權重最大的模型的識別結果作為最終判決結果。

2.根據權利要求1所述的一種信號處理與深-淺網絡多模型融合的水聲目標識別方法，其特征在于，步驟(1)的具體方式為：

(101)將基陣采集的實數形式的信號分割成等時長樣本；

(102)對樣本數據采用分裂波束相關法進行波束形成，在全方位進行譜峰檢測選取目標疑似方位；

(103)對步驟(102)輸出的疑似方位進行時間累積，通過經驗門限判決，得到目標精準方位；

(104)根據步驟(103)得到的目標精準方位，進行時域波束形成，完成空域濾波過程，并提取增強后的時域信號數據；

(105)對步驟(104)得到的時域信號數據通過FIR濾波器做頻域濾波，完成濾波降噪。

3.根據權利要求1所述的一種信號處理與深-淺網絡多模型融合的水聲目標識別方法，其特征在于，步驟(2)的具體方式為：

(201)對時域信號數據進行歸一化處理；

(202)對處理后的每幀信號做短時傅里葉變換，提取信號的線譜特征；

(203)對處理后的每幀時域信號做快速傅立葉變換，對結果取平方值得到信號的能量譜，通過梅爾濾波器組進行濾波，得到信號的梅爾頻率，然后做對數運算和離散余弦變換求倒譜，得到信號的梅爾倒譜特征。

4.根據權利要求1所述的一種信號處理與深-淺網絡多模型融合的水聲目標識別方法，其特征在于，步驟(4)的具體方式為：

(401)將訓練好的三個網絡模型進行預加載，對步驟(3)各網絡模型訓練階段的識別準確率由高到低進行排序，并依次賦予高、中、低三個權重；

(402)將三個網絡的識別結果輸入softmax函數，并將softmax函數的輸出送入投票器中，將概率向量進行加權求和，得到最終識別結果；

(403)若投票結果為1:1:1，即預測結果各不相同的情況時，則以權重最大模型的識別結果為最終判決結果。