[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

本發明公開了一種信號處理與深?淺網絡多模型融合的水聲目標識別方法，屬于水聲目標被動偵察技術領域。本方法首先用信號處理方法對被動偵察陣列采集的目標信號數據進行預處理，濾除干擾并提取目標特征，然后采用卷積神經網絡和殘差網絡構建多模型識別架構，最后引入投票決策機制，實現對水中機動目標的分類識別。本發明以聲納信號處理為預處理應對復雜海況下干凈樣本獲取困難的問題；采用多個維度的特征作為訓練樣本提升不同海況和工況下適應能力和識別正確率；基于多神經網路模型的融合識別提升本方法的識別正確率和魯棒性。

技術領域

本發明屬于水聲目標被動偵察技術領域，特別是指一種信號處理與深-淺網絡多模型融合的水聲目標識別方法，可用于分析探測陣列采集的目標輻射噪聲信號。

背景技術

水聲目標被動分類識別是對聲納設備接收的目標輻射噪聲信號進行分析處理，提取目標特征并判別目標類型的信息處理技術。常用的目標分類識別方法主要有統計分類、模型匹配和專家系統等，但是，由于目標種類繁雜、噪聲信號產生機理復雜、易受海洋環境影響和高質量樣本獲取困難等原因，使得不同的方法均存在應用局限性。此外，如果根據噪聲信號的節拍、音色、起伏和頻譜等信息判斷未知目標的屬性，則難免受到精神狀態、心理因素等影響，使判斷結果出現偏差。

隨著深度學習技術在相關分類識別問題上取得突破性進展，人工智能在水聲信號處理中的應用技術成為研究熱點。由此，基于典型信號處理方法與深度學習相結合的水中機動目標被動識別技術不失為一種有效解決途徑。但是，目前現有技術中還缺少這樣的方案。

發明內容

有鑒于此，本發明的目的在于提供一種信號處理與深-淺網絡多模型融合的水聲目標識別方法，其具有準確率高，環境適應性強，提取特征魯棒性好的優點。

為了實現上述目的，本發明采用的技術方案為：

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，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：