[發(fā)明專利]一種基于水聲信號(hào)的艦船目標(biāo)智能識(shí)別方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110290254.1
• 申請(qǐng)日: 2021-03-18
• 公開(kāi)（公告）號(hào): CN115114949A
• 公開(kāi)（公告）日: 2022-09-27
• 發(fā)明（設(shè)計(jì)）人: 肖旭;任群言;蘇林;王文博;馬力
• 申請(qǐng)（專利權(quán)）人: 中國(guó)科學(xué)院聲學(xué)研究所
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京方安思達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 11472
• 代理人: 陳琳琳;楊青

本發(fā)明涉及水聲物理技術(shù)領(lǐng)域，尤其涉及一種基于水聲信號(hào)的艦船目標(biāo)智能識(shí)別方法及系統(tǒng)。該方法包括：對(duì)水聽(tīng)器接收的待測(cè)海域水聲時(shí)域信號(hào)進(jìn)行預(yù)處理得到頻域信號(hào)；將預(yù)處理后的頻域信號(hào)輸入預(yù)先建立好的艦船目標(biāo)識(shí)別模型，結(jié)合先驗(yàn)數(shù)據(jù)庫(kù)，得到該頻域信號(hào)對(duì)應(yīng)不同艦船目標(biāo)的概率值；所述先驗(yàn)數(shù)據(jù)庫(kù)包括待測(cè)海域若干個(gè)艦船目標(biāo)以及對(duì)應(yīng)的頻域信號(hào)，所述艦船目標(biāo)識(shí)別模型為引入了注意力機(jī)制的神經(jīng)網(wǎng)絡(luò)；從概率值中選取最大值，從而確定艦船目標(biāo)。本發(fā)明從輸入特征中挖掘目標(biāo)的有效信息，并實(shí)時(shí)地輸出注意力分布圖來(lái)可視化所關(guān)注的特征，完成目標(biāo)檢測(cè)、目標(biāo)識(shí)別等具體的判決，一定程度上克服了神經(jīng)網(wǎng)絡(luò)解釋性差的缺陷，有效提高識(shí)別精度和可信度。

技術(shù)領(lǐng)域

本發(fā)明涉及水聲物理技術(shù)領(lǐng)域，尤其涉及一種基于水聲信號(hào)的艦船目標(biāo)智能識(shí)別方法及系統(tǒng)。

背景技術(shù)

由于海洋環(huán)境的復(fù)雜性，基于艦船輻射噪聲的水聲目標(biāo)識(shí)別面臨著巨大的挑戰(zhàn)。然而，傳統(tǒng)的特征提取和分類方法的性能往往受限于環(huán)境復(fù)雜性、目標(biāo)對(duì)抗性等不利因素，難以達(dá)到更高的分類精度。自2006年以來(lái)，深度神經(jīng)網(wǎng)絡(luò)(DNN)技術(shù)大大促進(jìn)了模式識(shí)別領(lǐng)域的發(fā)展。該方法近年來(lái)被應(yīng)用于水聲目標(biāo)識(shí)別。深度學(xué)習(xí)方法的復(fù)雜模型結(jié)構(gòu)及其處理海量數(shù)據(jù)的能力使其在水聲目標(biāo)識(shí)別中具有更強(qiáng)的特征表示能力和預(yù)測(cè)性能。然而，它的高預(yù)測(cè)精度往往難以解釋，而且被認(rèn)為是不可靠的，因?yàn)檫@些黑盒模型使用戶無(wú)法分析模型的內(nèi)部工作和行為。由于深度學(xué)習(xí)方法有可能過(guò)分關(guān)注與目標(biāo)無(wú)關(guān)的噪聲，從而影響模型的決策，因此，一種能夠顯示深度神經(jīng)網(wǎng)絡(luò)在識(shí)別水聲目標(biāo)時(shí)內(nèi)部工作機(jī)理的網(wǎng)絡(luò)模型成為了水聲識(shí)別研究的迫切需求。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)缺陷，提出了一種基于水聲信號(hào)的艦船目標(biāo)智能識(shí)別方法及系統(tǒng)。

為了實(shí)現(xiàn)上述目的，本發(fā)明提出了一種基于水聲信號(hào)的艦船目標(biāo)智能識(shí)別方法，基于設(shè)置在水下固定位置的水聽(tīng)器實(shí)現(xiàn)，所述方法包括：

對(duì)水聽(tīng)器接收的待測(cè)海域水聲時(shí)域信號(hào)進(jìn)行預(yù)處理得到頻域信號(hào)；

將預(yù)處理后的頻域信號(hào)輸入預(yù)先建立好的艦船目標(biāo)識(shí)別模型，結(jié)合先驗(yàn)數(shù)據(jù)庫(kù)，得到該頻域信號(hào)對(duì)應(yīng)不同艦船目標(biāo)的概率值；所述先驗(yàn)數(shù)據(jù)庫(kù)包括待測(cè)海域若干個(gè)艦船目標(biāo)以及對(duì)應(yīng)的頻域信號(hào)，所述艦船目標(biāo)識(shí)別模型為引入了注意力機(jī)制的神經(jīng)網(wǎng)絡(luò)；

從概率值中選取最大值，從而確定艦船目標(biāo)。

作為上述方法的一種改進(jìn)，所述預(yù)處理具體包括：

對(duì)水聽(tīng)器接收的待測(cè)海域水聲時(shí)域信號(hào)進(jìn)行短時(shí)傅里葉變換得到頻域信號(hào)；

根據(jù)船舶低頻特征的顯著性，從預(yù)設(shè)的頻率范圍中選取若干個(gè)頻點(diǎn)的頻域信號(hào)。

作為上述方法的一種改進(jìn)，所述艦船目標(biāo)識(shí)別模型為增加了注意力模塊的DNN網(wǎng)絡(luò)，具體為依次連接的輸入層、注意力模塊、全連接層、Drop-out層、底層全連接層和輸出層，所述艦船目標(biāo)識(shí)別模型的輸入為預(yù)處理后的頻域信號(hào)，輸出為分類結(jié)果。

作為上述方法的一種改進(jìn)，所述注意力模塊用于關(guān)注目標(biāo)特性，抑制多源干擾，還用于作為一個(gè)專用的特征提取器；所述注意力模塊包括：注意層、高斯卷積層和融合層；其中，

所述注意層，用于過(guò)濾不感興趣的特性，并保留與目標(biāo)高度相關(guān)的特性；所述注意層包括密集層和激活層；

所述高斯卷積層，用于減小多普勒頻移、測(cè)量誤差和其他特征隨機(jī)變化造成的影響；還用于輸出注意力權(quán)重值以實(shí)現(xiàn)網(wǎng)絡(luò)可視化；

所述融合層，用于對(duì)高斯卷積層和輸入層進(jìn)行點(diǎn)乘運(yùn)算。

作為上述方法的一種改進(jìn)，所述注意力模塊的具體實(shí)現(xiàn)過(guò)程為：

設(shè)I_s是輸入特征向量[I₁,I₂,…,I_S]，S是特征向量的總數(shù)，輸入注意力層后，輸出注意力權(quán)重α_ts為：