[發(fā)明專(zhuān)利]基于微多普勒特征的水下目標(biāo)識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110222287.2
• 申請(qǐng)日: 2021-02-28
• 公開(kāi)（公告）號(hào): CN112836674A
• 公開(kāi)（公告）日: 2021-05-25
• 發(fā)明（設(shè)計(jì)）人: 張群飛;胡亞寒;崔曉東
• 申請(qǐng)（專(zhuān)利權(quán)）人: 西北工業(yè)大學(xué)
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西北工業(yè)大學(xué)專(zhuān)利中心 61204
• 代理人: 陳星

1.一種基于微多普勒特征的水下目標(biāo)識(shí)別方法，其特征在于，包括以下步驟：

步驟1：構(gòu)建用于訓(xùn)練的樣本數(shù)據(jù)集；

所述樣本數(shù)據(jù)集包括只包含微多普勒頻移的水下目標(biāo)回波信號(hào)的時(shí)頻圖和不包含微多普勒頻移的水下回波信號(hào)的時(shí)頻圖；

其中，通過(guò)對(duì)從只包含微多普勒頻移的水下目標(biāo)回波信號(hào)中提取的微多普勒復(fù)包絡(luò)信號(hào)進(jìn)行基于壓縮感知的時(shí)頻分析，得到所述只包含微多普勒頻移的水下目標(biāo)回波信號(hào)的時(shí)頻圖；

步驟2：建立深度神經(jīng)網(wǎng)絡(luò)模型，利用步驟1得到的樣本數(shù)據(jù)集進(jìn)行訓(xùn)練；深度神經(jīng)網(wǎng)絡(luò)模型的輸入是信號(hào)時(shí)頻圖，輸出是信號(hào)為水下目標(biāo)回波信號(hào)的置信度；

步驟3：對(duì)于實(shí)際采集的水下回波信號(hào)，獲取該信號(hào)的時(shí)頻圖，再將時(shí)頻圖輸入步驟2訓(xùn)練完成的深度神經(jīng)網(wǎng)絡(luò)模型，得到實(shí)際采集的水下回波信號(hào)為水下目標(biāo)回波信號(hào)的置信度。

2.根據(jù)權(quán)利要求1所述一種基于微多普勒特征的水下目標(biāo)識(shí)別方法，其特征在于，步驟1構(gòu)建樣本數(shù)據(jù)集時(shí)，只包含微多普勒頻移的水下目標(biāo)回波信號(hào)通過(guò)以下方式得到：

通過(guò)聲納探測(cè)設(shè)備接收經(jīng)過(guò)水下目標(biāo)頻率調(diào)制后的回波信號(hào)，并經(jīng)過(guò)多普勒估計(jì)和降采樣的方式去除回波信號(hào)中的多普勒頻移，得到只包含微多普勒頻移的水下目標(biāo)回波信號(hào)。

3.根據(jù)權(quán)利要求1所述一種基于微多普勒特征的水下目標(biāo)識(shí)別方法，其特征在于，步驟1構(gòu)建樣本數(shù)據(jù)集時(shí)，對(duì)所述只包含微多普勒頻移的水下目標(biāo)回波信號(hào)的時(shí)頻圖，采用深度卷積生成對(duì)抗網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)增強(qiáng)：通過(guò)深度卷積生成對(duì)抗網(wǎng)絡(luò)學(xué)習(xí)已獲得的所述只包含微多普勒頻移的水下目標(biāo)回波信號(hào)的時(shí)頻圖的數(shù)據(jù)分布，生成相應(yīng)的時(shí)頻圖數(shù)據(jù)，用于擴(kuò)充樣本數(shù)據(jù)集。

4.根據(jù)權(quán)利要求1所述一種基于微多普勒特征的水下目標(biāo)識(shí)別方法，其特征在于，步驟1中，采用正交解調(diào)方法從只包含微多普勒頻移的水下目標(biāo)回波信號(hào)中提取微多普勒復(fù)包絡(luò)信號(hào)。

5.根據(jù)權(quán)利要求1所述一種基于微多普勒特征的水下目標(biāo)識(shí)別方法，其特征在于，步驟1中，對(duì)微多普勒復(fù)包絡(luò)信號(hào)進(jìn)行基于壓縮感知的時(shí)頻分析的過(guò)程為：

對(duì)于微多普勒復(fù)包絡(luò)信號(hào)s_D(t)，利用窗函數(shù)進(jìn)行窗處理，得到當(dāng)前的觀測(cè)信號(hào)f；

對(duì)于觀測(cè)信號(hào)f，尋找正交變換基矩陣Ψ，使得該非稀疏的觀測(cè)信號(hào)f在變換域Ψ下具有稀疏表示：f＝Ψx；則壓縮感知過(guò)程的數(shù)學(xué)表達(dá)式為y＝ΦΨx＝Ax，y為測(cè)量向量，A＝ΦΨ為傳感矩陣，x為K-稀疏向量；

此時(shí)，通過(guò)求解l₀范數(shù)最小優(yōu)化問(wèn)題min||x||₀ s.t.y＝Ax，實(shí)現(xiàn)由測(cè)量向量y高概率的精確重建信號(hào)x，信號(hào)x即為對(duì)應(yīng)時(shí)間窗內(nèi)信號(hào)的高分辨率頻域信息；

通過(guò)沿著微多普勒復(fù)包絡(luò)信號(hào)移動(dòng)窗函數(shù)并依次處理，得到微多普勒復(fù)包絡(luò)信號(hào)頻率隨時(shí)間變化的時(shí)頻圖。

6.根據(jù)權(quán)利要求5所述一種基于微多普勒特征的水下目標(biāo)識(shí)別方法，其特征在于，所述正交變換基矩陣采用離散傅里葉逆變換矩陣。

7.根據(jù)權(quán)利要求1所述一種基于微多普勒特征的水下目標(biāo)識(shí)別方法，其特征在于，步驟2中，深度神經(jīng)網(wǎng)絡(luò)模型采用類(lèi)VGGNet的結(jié)構(gòu)，每個(gè)卷積層卷積核的大小為3×3，激活函數(shù)采用ReLU，并且采用批標(biāo)準(zhǔn)化處理加速訓(xùn)練。

8.根據(jù)權(quán)利要求7所述一種基于微多普勒特征的水下目標(biāo)識(shí)別方法，其特征在于，步驟2中，深度神經(jīng)網(wǎng)絡(luò)模型分為三個(gè)卷積層，每個(gè)卷積層中卷積核的數(shù)目依次為32、64和128，在每個(gè)卷積層后接一個(gè)最大池化層，最大池化層的池化核大小為2×2，并且采用Dropout方法防止過(guò)擬合，網(wǎng)絡(luò)最后接兩個(gè)全連接層以及一個(gè)softmax層用來(lái)進(jìn)行分類(lèi)。