基于级联原子库的海洋目标辨识探测方法技术

基于级联原子库的海洋目标辨识探测方法，涉及海洋目标辨识探测。通过水下声信号本身及其回波信号的相关性建立过完备原子库，并根据其呈现的多分量辐射源信号的形式，选择时间尺度原子和时频原子组成级联原子库，将待识别信号自适应分解在原子库上，得到信号的最稀疏表示；通过建立时间尺度原子库并结合radon变换来处理水下信号并进行时间尺度原子参数t0估计；在估计出t0值的基础上，建立级联原子库，根据t0的估计可以抽取出这一确定的行，将接收的信号分解到这一确定的行上，找出最大匹配值，进而可以直接提取出时频尺度原子参数k；利用级联原子库准确地提取出水下目标信号的主要特征，为最终的信号识别奠定坚实的基础，提高可靠性。

【技术实现步骤摘要】

本专利技术设及海洋目标辨识探测，尤其是设及一种基于级联原子库的海洋目标辨识 探测方法。
技术介绍
海洋占地球表面积的71%，在海底及海洋中，蕴藏着极其丰富的矿产资源和生物 资源。在大海中有潜艇、鱼雷、暗礁、鱼群及生物群等各式各样的目标，如何通过大海中传 播的声音去识别目标，将目标分类，运在军用或民用上都具有很重要的意义。国内的一些 单位，如：西北工业大学、东南大学、哈尔滨工程大学、760所、715所、中科院声学所等在水 下目标特性的提取、识别和神经网络分类器的设计等方面进行了大量的研究，比如基于IMF 能量谱的水声信号特征提取与选择方法、基于关联维度特征的改进水下目标模式识别方 法、基于Walsh谱统计分布特征的水下入侵目标分类方法、基于时频分析的S变换的水下目 标识别方法，运几种方法虽然识别率尚可，复杂度低，但实时性和鲁棒性差；而基于小波包 和支持向量机的水下目标识别方法、基于小波包和概率神经网络的水下目标识别方法W及 采用小波统计特征的方法对舰船目标进行分类，运Ξ种方法虽然识别率较高，鲁棒性较好， 但是实时性较差，复杂度较高；基于单目视觉的水下目标Ξ维信息重建方法、基于不相似度 评价的水下声目标分类与听觉特征辨识、基于听觉谱的声音特征提取方法W及基于伽马通 滤波器和应用听觉慢特征的水下目标识别方法，运几种基于听觉模型的水下目标识别方法 虽然识别率较高且改善了W往的特征提取方法普遍存在的鲁棒性差等问题，但存在复杂度 较高、实时性差的缺点。
技术实现思路
本专利技术的目的在于提供可在声波信号复杂、密集、多变且交叠严重的海洋环境中 有效识别目标声信号的一种。 本专利技术包括W下步骤： 阳0化]步骤1，通过水下声信号本身及其回波信号的相关性来建立过完备原子库，并根据 其呈现的多分量福射源信号的形式，选择时间尺度原子和时频原子组成级联原子库，将待 识别信号自适应分解在原子库上，得到信号的最稀疏表示； 步骤2,通过建立时间尺度原子库并结合radon变换来处理水下信号并进行时间 尺度原子参数t。估计； 步骤3,在估计出时间尺度原子参数t。值的基础上，建立级联原子库，根据t。的估 计可W抽取出运一确定的行，将接收的信号分解到运一确定的行上，找出最大匹配值，进而 可W直接提取出时频尺度原子参数k; 步骤4,利用级联原子库准确地提取出水下目标信号的主要特征，为最终的信号识 别奠定坚实的基础，提高可靠性。 在步骤1)中，所述级联原子库是将待识别信号自适应分解在时间尺度原子和时 频原子构成的原子库上，其中： (1)时间尺度原子 设信号为f(t)，在尺度S、位置μ的时间尺度变换运算W□可W定义为W下形式： (1) 其中，f= (μ,S)是原子库的参数组，是过完备原子库D中的原子，在过 泣. 完备原子库D中选择与信号f(t)最匹配的原子； 似时频原子 在过完备原子库D中选择与信号f(t)最匹配的原子，其选择原则为内积最大，设 第一个最匹配原子为gl，则信号f(t)可W分解为两部分：原子gi上的分量和第一次分解的 残差r4,即： 阳016] f= <f，gi〉gi+Rif(2) 接着对每次匹配的残差进行分解，直到终止条件，若对信号分解了η次，则可W表 示成： 货)i 其中，Rkf是在第k个原子黨，上的分量，Rnf是第k次分解的残差。 在步骤2)中，所述时间尺度原子参数t。的估计的具体方法如下： 第一：建立声信号的时间尺度原子库：(4) 其中S是尺度参数，t是时间参数，τk是第k条路径的时延 参数，整个原子库的个数为ηXm; 第二：将信号分解在过完备原子库上：把接收到的信号分解在过完备原子库上，信号在过完备原子库的某一个分量上出 现最优匹配，现提取最优匹配；最大匹配是一条直线，其轨迹表达式为：巧） 其中，a为原子库中的尺度因子匹配，b为原子库中的时延因子匹配，S。是原子库 的尺度参数，t。是原子库的时间参数，即时间尺度原子参数； 阳02引第立：通过radon变换检测直线： 把W上匹配后的结果的信号经过radon变换后，会出现一个峰值点，通过该峰值 点，可W估计出t。； 在理想背景下，峰值出现在式（6)所示直线在（a,b)平面上的对应点（ae，b。）处， 可得： 在步骤3)中，所述时频尺度原子参数k的估计的具体方法如下：。 建立关于估计参数t。，k的级联原子库： 其中：，S是尺度参数，t是时间参数，Tk是第k条路径的时延 参数，整个原子库的个数为ηXm; 因为已经估计出t。的值，所W可W建立级联原子库，再根据t。的估计可W抽取出 运一确定的行，将接收的信号分解到运一确定的行上，找出最大匹配值，进而可W直接估计 出k。 虽然单个的原子库已经是过完备的，但是其仍然是由一个函数离散化得出，具有 单一结果，通常只适合分解一类信号，进行单一参数的估计。而不同原子库对具有不同特点 的信号分解时各有优劣。因此，若分解多分量信号并进行多参数估计，单个原子库分解必然 会有一些局限，导致分解后的稀疏度不高。而使用级联原子库进行稀疏分解则能很好的解 决运个问题。水下目标信号本身具有复杂，密集、多变，且交叠严重运些特点，在实际中更是 呈现为多分量福射源信号的形式，使得单一原子库下原子分解效果明显下降。因此，本专利技术 提出基于级联原子库的原子分解方法，用来分解多分量的水下目标源信号。 本专利技术与常规海洋声目标识别相比具有W下优点： 本专利技术率先将建立原子库估计声信号参数与稀疏分解运种新的信号处理方法应 用于海洋目标辨识技术中。通过水下声信号本身及其回波信号的相关性来建立过完备原子 库，可进行未知信号的参数估计。同时，稀疏分解是一种根据信号特点进行信号自适应的分 解方法，即将信号自适应分解在一组高度冗余的过完备基（即原子库）上，在一定的误差下 的得到信号的最稀疏表示。由于原子库是过完备的，因此可W得到该信号的多个表示，而最 稀疏的表示只有一个。稀疏分解就是为了寻找信号在该原子库下的最稀疏表示，即用最少 的原子来表示该信号。从而可W有效地解决水下目标识别系统的识别率低、鲁棒性差、可靠 性不高而不能满足新形势下的水下目标识别要求的问题。 综上所述，本专利技术可W有效地解决水下目标识别系统的识别率低、鲁棒性差、可靠 性不高而不能满足新形势下的水下目标识别要求的问题。 本专利技术提供了实时性高、可靠且识别效果理想的水下目标信号识别系统，有效解 决了现有水下声目标信号本身具有复杂，密集、多变，且交叠严重的特点，在实际中呈现为 多分量福射源信号的形式，使得水下信号识别效率低、实时性差等问题。因此，本专利技术提出 基于级联原子库的时频原子分解方法，用来分解多分量的水下目标源信号。由于不同的时 频原子库能稀疏表示适合分解的那一分量信号，因此可W得到多分量水下目标信号更稀疏 的表示，能提取出水下目标信号的主要特征，为信号尚未识别提高了可靠性，W分辨海洋声 信号。【附图说明】 图1为本专利技术实施例的过完备原子库的最优匹配示意图。 图2为本专利技术实施例的最优匹配值经radon变换示意图。 图3为本专利技术实施例的时频原子k的最佳原子示意图。【具体实施方式】W下结合实施例和附图对本专利技术作进一步说明。 构造级联原子库的时候，需要充分考虑海洋声信号的特点，由信号的特点来选择 合适的原子库本文档来自技高网...

【技术保护点】
基于级联原子库的海洋目标辨识探测方法，其特征在于包括以下步骤：步骤1，通过水下声信号本身及其回波信号的相关性来建立过完备原子库，并根据其呈现的多分量辐射源信号的形式，选择时间尺度原子和时频原子组成级联原子库，将待识别信号自适应分解在原子库上，得到信号的最稀疏表示；步骤2，通过建立时间尺度原子库并结合radon变换来处理水下信号并进行时间尺度原子参数t0估计；步骤3，在估计出时间尺度原子参数t0值的基础上，建立级联原子库，根据t0的估计可以抽取出这一确定的行，将接收的信号分解到这一确定的行上，找出最大匹配值，进而可以直接提取出时频尺度原子参数k；步骤4，利用级联原子库准确地提取出水下目标信号的主要特征，为最终的信号识别奠定坚实的基础，提高可靠性。

【技术特征摘要】

【专利技术属性】
技术研发人员：孙海信，孙伟涛，齐洁，周小平，曹政，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建;35