[發明專利]基于微多普勒特征的水下目標識別方法

在審

• 申請號: 202110222287.2
• 申請日: 2021-02-28
• 公開（公告）號: CN112836674A
• 公開（公告）日: 2021-05-25
• 發明（設計）人: 張群飛;胡亞寒;崔曉東
• 申請（專利權）人: 西北工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 陳星

本發明提出一種基于微多普勒特征的水下目標識別方法，主要包括水下目標回波高分辨率微多普勒時頻圖的獲取、采用深度卷積生成對抗網絡對時頻圖樣本進行數據增強、選擇深度神經網絡對樣本數據集進行學習、通過計算機仿真生成水下目標的聲納回波信號對所提出的方法進行評估，驗證其在水下目標識別中的有效性。本發明通過基于壓縮感知的高分辨率時頻分析，提高時頻圖的分辨率，能夠更有效地提取出水下目標的微多普勒特征，并對時頻圖樣本進行數據增強后用于神經網絡的訓練，實現對水下目標識別的目的。

技術領域

本發明屬于水聲探測領域，具體涉及一種基于微多普勒特征的水下目標識別方法。

背景技術

美國海軍研究實驗室(Navy Research Laboratory)的Victor C.Chen最早將微動和微多普勒的概念引入到雷達觀測領域，開創了基于微多普勒特征的雷達目標檢測識別新領域。通常，目標除質心平動以外的振動、轉動等都稱為微動，它作為運動目標的一種固有特性而普遍存在，例如彈道導彈中段的進動、直升機旋翼的轉動、履帶式車輛輪子滾動等。微動會使得雷達信號的多普勒頻移上產生額外的頻率調制，被稱為微多普勒效應，它與目標本身的微動直接相關，且不容易被模擬，因此可以用于對目標的精細特征識別。目前，經過無數科研工作者的多年研究，雷達領域中已經形成了一套較完善的微多普勒理論分析體系，并且在飛行器分類、人體行走和鳥類飛行姿態識別等領域中已經發展到實際應用階段。

電磁波在水中穿透能力有限、頻率高且衰減快，而低頻的聲信號具有良好的傳播特性，所以聲信號是在水中進行探測識別的重要手段。然而，在水下環境中，目前還沒有基于聲納回波信號的微多普勒目標識別技術，聲納回波信號與雷達信號相比，其信噪比和頻率分辨率都比較低，同時考慮到水下目標的微多普勒擴展微小，這大大增加了檢測水下微多普勒特征的難度，使得目前在雷達上行之有效的分析體系，在聲納上并不適用。

基于微多普勒目標識別的核心包括微多普勒特征時頻分析方法和分類算法的選擇。目前雷達上使用的微多普勒特征時頻分析方法在對聲納回波這種信噪比低，微多普勒特征擴展微小的信號進行處理時，效果并不理想，只有高精度地分辨微多普勒頻移，才能有效地提取聲納回波中的微多普勒特征，為后續的目標識別提供前提條件。

在分類算法方面，傳統機器學習非常依賴于特征提取工程(FeatureEngineering)，特征選取的好壞直接決定了目標分類識別的成敗。微多普勒的特征提取通常是基于其時頻譜圖，從圖像中選取反映目標運動相關的物理特征，例如微多普勒頻移帶寬、周期等，或者采用信號變換的特征。然而，特征提取工程十分依賴研究者自身的專業知識和經驗，往往需要大量試錯，才能實踐出可靠有效的目標特征。由于水下目標多個部位的不同運動產生的疊加，目標微多普勒特征復雜多變，加大了手工特征提取的難度。相較于傳統機器學習算法，深度神經網絡模型可以直接以高維數據作為輸入，利用多層神經網絡自動提取出目標特征，并以此進行分類識別。然而，在水下環境中，目標樣本的收集成本高且難度大，尤其是針對非合作目標，樣本數量不是很多，這極大地限制了用微多普勒時頻圖訓練深度學習模型的效果，因此如何對微多普勒時頻圖數據樣本進行數據增強，具有很高的研究價值。

發明內容

聲納回波信號信噪比和頻率分辨率都比較低，同時考慮到水下目標的微多普勒擴展微小，傳統的時頻分析方法在對水下目標回波進行處理時，均存在各自的問題，比如短時傅里葉變換(Short-Time Fourier Transform，STFT)存在時頻圖分辨率差問題，Wigner-Ville分布(Wigner-Ville Distribution，WVD)存在交叉項干擾問題，加窗的平滑偽Wigner-Ville分布(Smoothed Pseudo Wigner-Ville Distribution,SPWVD)不能完全解決交叉項干擾且時頻圖分辨率下降等問題。