[發明專利]異常水聲信號的檢測方法及系統

有效

• 申請號: 202210846309.7
• 申請日: 2022-07-19
• 公開（公告）號: CN114927141B
• 公開（公告）日: 2022-10-25
• 發明（設計）人: 劉立國;郭勇;高玉帥;高強;張云雷;樊誠
• 申請（專利權）人: 中國人民解放軍海軍工程大學
• 主分類號: G10L25/51
• 分類號: G10L25/51;G10L25/03;G10L25/24;G06K9/00;G06K9/62;H04R1/44
• 代理公司: 武漢開元知識產權代理有限公司 42104
• 代理人: 劉琳

本發明公開了一種異常水聲信號的檢測方法及系統，通過獲取背景信號集合、正常信號集合和異常信號集合，對其進行分析和處理生成多路水聽器音頻文件；對多路水聽器音頻文件進行下采樣，選取音頻特征進行特征提取，生成特征圖；采用線性回歸方法對所述特征圖進行分析，識別其中的異常信號，并對所述多路水聽器音頻文件進行標注，生成異常索引文件；將所述異常索引文件與異常信號音頻序列真值進行對比，生成異常信號的召回率Recall，當召回率小于設定值時，調整提取音頻特征、正常閾值θp和置信度閾值θa，直至召回率Recall不小于設定值；最后將待檢測異常水聲信號的多路水聽器音頻文件執行上述步驟得到檢測結果。可靠性高，適用性廣，無需依賴訓練集和測試集。

技術領域

本發明涉及信號檢測技術領域，具體涉及一種異常水聲信號的檢測方法及系統。

背景技術

異常水聲信號的檢測目的是識別水聲音頻信號中，目標音頻事件是否出現和出現的時間。

現有技術中，通常使用端到端的檢測方案，先使用特征提取工具將一維的音頻信號轉化為二維特征圖，然后利用卷積神經網絡CNN等深度學習技術對該特征進行目標檢測。

上述技術方案，由于音頻測試數據中包含較短長度，并且水下音頻信號模式差異較大，導致其技術效果嚴重依賴于訓練數據，導致對于不同的待測水域，其技術方案難以進行遷移測試。因此亟需一種能處理任意長度音頻信號、少量類型的異常信號，并且可以進行多場景適配的異常水聲信號的檢測方法。

發明內容

本發明的目的在于，提供一種能處理較短長度的音頻信號和少量類型的異常信號，并且可以進行多場景適配的異常水聲信號的檢測方法。

為解決上述技術問題，本發明提出了一種異常水聲信號的檢測方法，包括以下步驟：

步驟S1：通過對網絡公開的數據集和船只音頻數據進行分析和處理，得到背景信號集合、正常信號集合和異常信號集合；

步驟S2：在待檢測的海洋范圍內，對所述背景信號集合、正常信號集合和異常信號集合進行處理，生成模擬數據，所述模擬數據包括：水聽器陣列坐標、水聽器信道的背景信號、正常船只的運動軌跡坐標序列、正常船只運動中的原始聲音信號、異常船只的運動軌跡坐標序列、異常船只運動中的原始聲音信號；

步驟S3：對所述模擬數據進行分析，通過所述異常船只的運動軌跡和水聽器陣列坐標，計算所述異常船只運動中的原始聲音信號達到每個水聽器的時間，對所述水聽器信道的背景信號進行異常信號標注，生成異常信號音頻序列真值；

步驟S4：將所述模擬數據中正常船只、異常船只運動中的原始聲音信號進行衰減處理，與所述水聽器信道的背景信號進行疊加，生成多路水聽器音頻文件；

步驟S5：對所述多路水聽器音頻文件進行下采樣，選取音頻特征進行特征提取，并生成特征圖；

步驟S6：采用線性回歸方法對所述特征圖進行分析，通過設定正常閾值θ_p和置信度閾值θ_a識別其中的異常信號，并對所述多路水聽器音頻文件進行標注，生成異常索引文件；

步驟S7：將所述異常索引文件與異常信號音頻序列真值進行對比，計算異常信號的召回率Recall，當召回率小于設定值時，調整步驟S5中提取的所述音頻特征和步驟S6中的正常閾值θ_p和置信度閾值θ_a，重新執行步驟S7直至所述召回率Recall不小于設定值；

S8：將待檢測異常水聲信號的多路水聽器音頻文件執行步驟S5～S6，得到檢測結果。

優選地，步驟S1中的所述背景信號集合包括海洋常規白噪聲和生物聲音；所述正常信號集合包括水面船只聲音；所述異常信號包括水下船只聲音和其它無人潛航器。