[發明專利]一種船舶輻射噪聲分類的方法和裝置

在審

• 申請號: 202310410443.7
• 申請日: 2023-04-17
• 公開（公告）號: CN116524913A
• 公開（公告）日: 2023-08-01
• 發明（設計）人: 何靜如;周倜;張劍;王元斌
• 申請（專利權）人: 中國船舶集團有限公司第七〇九研究所
• 主分類號: G10L15/16
• 分類號: G10L15/16;G10L25/24;G10L25/18
• 代理公司: 深圳市六加知識產權代理有限公司 44372
• 代理人: 張甲一

本發明涉及音頻分類領域，特別是涉及一種船舶輻射噪聲分類的方法和裝置。主要包括：提取船舶輻射噪聲信號中的特征，選取對分類的重要性較高的特征進行賦權；將賦權后的特征傳入神經網絡分類模型中進行分類，其中，所述神經網絡分類模型包括一個卷積神經網絡和一個帶有注意力機制的雙向長短記憶網絡。本發明可以通過篩選和注意力機制篩選出對分類準確率影響較大的特征，排除干擾特征，實現在各類場景下船舶輻射噪聲的分類，有效提高準確率。

技術領域

本發明涉及音頻分類領域，特別是涉及一種船舶輻射噪聲分類的方法和裝置。

背景技術

船舶輻射噪聲是指船舶搭載的機械設備和推進裝置等產生并傳播到水中的噪聲。利用船舶輻射噪聲對艦船目標進行識別和分類，實現對某些特定海域全天候監控，對于海軍艦艇的生存和作戰至關重要。

利用聲吶采集和獲取水聲信號，對聲吶數據進行處理，是進行水下目標識別的重點研究方式。從工作原理上，聲吶可以分為主動聲吶和被動聲吶，其中被動聲吶是利用靈敏的接受系統，來采集水流、魚類、艦船等水中目標在水中運動時產生的輻射噪聲，廣泛應用于軍用艦船尤其是潛艇中。水下目標識別領域中大多數情況下使用被動聲吶采集的水信號，完成對目標的識別。

水聲輻射噪聲的人工特征提取，包括運用DEMON譜分析、小波變換、時頻分析、希爾伯特黃變換等數據處理方式，從艦船輻射噪聲中提取包括軸頻、葉片數、功譜率、線譜頻率、波形特征、高階積累量、聽覺感知特征、瞬時頻率等各種聲學特征。然而，僅采用提取人工特征，難以避免信息特征的丟失。

對于輻射噪聲的分類方式，傳統機器學習方法包括貝葉斯分類、決策樹、支持向量機等，人工特征提取將被輸入傳統機器學習的分類器中進行分類。隨著深度學習的發展，將神經網絡應用到水下目標識別中，取得了一定的成果。神經網絡的應用主要有兩種思路：(1)使用人工提取特征，將神經網絡模型作為分類器；(2)將原始信號輸入進神經網絡模型，進行特征提取，構建端到端的分類模型。神經網絡模型可以直接對高維的時域信號建模，但這會引入大量冗余信息，特別是高頻端的冗余信息；它還可以直接對頻譜圖建模，進行分類，但這會丟失信號在時域上的特征。

鑒于此，如何克服現有技術所存在的缺陷，解決現有輻射噪聲分類方法效率和準確性低的現象，是本技術領域待解決的問題。

發明內容

針對現有技術的以上缺陷或改進需求，本發明解決了現有輻射噪聲分類方法效率和準確性低的問題。

本發明實施例采用如下技術方案：

第一方面，本發明提供了一種船舶輻射噪聲分類的方法，具體為：提取船舶輻射噪聲信號中的特征，選取對分類的重要性較高的特征進行賦權；將賦權后的特征傳入神經網絡分類模型中進行分類，其中，所述神經網絡分類模型包括一個卷積神經網絡和一個帶有注意力機制的雙向長短記憶網絡。

優選的，所述提取船舶輻射噪聲信號中的特征，具體包括：獲取船舶輻射的原始輻射噪聲信號，對原始輻射噪聲信號進行預處理獲取倒譜系數，其中，原始輻射噪聲信號的聲譜包括寬帶連續譜和一簇線譜；根據倒譜系數提取原始輻射噪聲信號的低級描述特征，并在低級描述特征基礎上獲取高級描述特征。

優選的，所述對原始輻射噪聲信號進行預處理獲取倒譜系數，具體包括：按照預設的時間窗對原始輻射噪聲信號進行劃分，得到多幀信號，并獲取每幀信號的功率譜；按照時間序列將多幀信號的功率譜整合成功率譜序列，對功率譜序列進行濾波得到輸出能量，對輸出能量取對數獲取對數頻譜；將對數頻譜進行離散余弦變換，獲取噪聲信號的倒譜系數。

優選的，所述根據倒譜系數提取原始輻射噪聲信號的低級描述特征，并在低級描述特征基礎上獲取高級描述特征，具體包括：根據倒譜系數，分別對每幀噪聲信號提取各維度的低級描述特征；對低級描述特征進行統計學計算，獲取每個低級描述特征不同維度的高級描述特征。