一种基于特征融合与深度置信网络的海洋生物识别方法技术

本发明专利技术涉及一种基于特征融合与深度置信网络的海洋生物识别方法，解决了现有海洋声信号特征提取与分类方法导致算法的鲁棒性能和识别精度十分有限的问题，本发明专利技术的具体步骤如下：采集声学信号S(n)，对所采集的声学信号进行预处理；提取感知线性预测系数(PLP)特征参数与梅尔倒谱系数(MFCC)特征参数，将PLP特征参数与MFCC特征参数融合成新的特征参数；对新的特征参数进行主成分分析；构建深度置信网络进行学习；完成对海洋生物的识别。本发明专利技术可实现对海洋生物的快速识别，其识别精度高，鲁棒性能强，在海洋生物研究、海洋救灾和资源勘探等民生息息相关的问题上，具有重大的研究意义和广阔的应用前景。

【技术实现步骤摘要】
一种基于特征融合与深度置信网络的海洋生物识别方法
本专利技术涉及海洋生物识别
，特别涉及一种基于特征融合与深度置信网络的海洋生物识别方法。
技术介绍
海洋生物识别旨在通过非接触的方式实现对生物类别的判断，其被动识别技术是通过被动声呐接收目标声信号进行分类识别。在海洋生物研究、海洋救灾和资源勘探等民生息息相关的问题上，具有重大的研究意义和广阔的应用前景。海洋目标识别技术由于海洋环境的复杂及各方面限制，是一个难度极大的研究课题，当前还需要重点解决的技术问题主要包括：1.小样本或无监督学习与识别问题，水中目标的数据往往很难获取，难以有足够多的样本数据，严重制约了水中目标识别技术研究的发展。这是客观条件所决定的，只能从数据分析的角度入手，提高对现有数据的分析利用率。同时面对从来没有训练过的无标记数据样本，如何使得系统应该具有相应的判决能力及响应，需要进一步研究；2.实际海况工况下识别鲁棒性的问题，海洋环境复杂多变，获取的目标信号受到声信道的影响，亦或是掺杂了众多的背景噪声，这对目标的自动识别造成了极大的困难。当前研究中的数据或者实验条件都只是在特定条件下进行的，这导致众多性能优良的系统在面对实际数据测试时往往无能为力；3.小型化、实时性的问题，研究的目的是走向实用，研究得到的识别系统最终要应用于实际。那么，在目标识别系统的研发上，就要考虑装备的小型化，尽量不占据过大的空间，同时也要考虑算法的实时性是否能得到满足，这必将需要在效能和体积上权衡利弊，实现平衡。目前国内外对海洋生物及舰船的识别研究比较多，然而大多采用传统的特征提取与分类方法，存在很多的问题和不足，算法的鲁棒性能和识别精度十分有限。
技术实现思路
鉴以此，本专利技术提出一种基于特征融合与深度置信网络的海洋生物识别方法，以解决上述
技术介绍
中提出的问题。本专利技术的技术方案是这样实现的，一种基于特征融合与深度置信网络的海洋生物识别方法，其特征在于，包括下列步骤：S1、采集声学信号S(n)，对所采集的声学信号进行预处理；S2、提取感知线性预测系数(PLP)特征参数与梅尔倒谱系数(MFCC)特征参数，将PLP特征参数与MFCC特征参数融合成新的特征参数；S3、对新的特征参数进行主成分分析，获得转换函数P以及融合特征矩阵Y；S4、构建深度置信网络，将融合特征矩阵Y输入进行学习；S5、完成对海洋生物的识别。优选的，所述预处理方式包括预加重、分帧和加窗。优选的，步骤S2中，所述提取PLP特征参数步骤在于：将声学信号S(n)进行短时傅立叶变换，得到频谱x(ω)，计算频谱x(ω)的功率谱p(ω)；对功率谱p(ω)进行临界频带分析：Ω(ω)＝6ln{ω/1200π+[(ω/1200π)2+1]1/2}(1)式中，ω为角频率，Ω为Bark域频率。将功率谱p(ω)与模拟听觉频率临界曲线Ψ(Ω)进行卷积操作，获得临界带功率谱θ[Ωi]，临界带曲线的公式为：进行等响度曲线预加重处理；进行强度-响度转换；进行傅里叶逆变换，得到信号短时自相关函数R(τ)，根据Durbin公式获得12阶线性预测系数，对所述12阶线性预测系数进行谱分析，获得12维PLP特征参数及其一阶差分特征参数，共24维PLP特征参数。优选的，将所述Bark域采样步长设置为1，划分成24个临界带域，将所述临界带功率谱θ[Ωi]采样间隔设置为1。优选的，步骤S2中，所述获得MFCC特征参数的步骤在于：对声学信号S(n)进行分帧操作，并对每一帧声学信号S(n)进行高频预加重处理；进行离散傅里叶变换运算，得到离散功率谱X(k)；将X(k)通过多个带通滤波器的滤波器组Hm(n)滤波，得到多个功率值pm；将所述功率值pm进行对数运算，获得对数能量Lm；将对数能量Lm经过离散余弦变换得到Dm，求取Dm的静态参数，通过静态参数求取差分系数，将所述静态参数与所述差分系数结合，即获得MFCC特征参数。优选的，步骤S2中可获得12个维度的MFCC特征参数及其一阶差分特征参数，即总计24维的MFCC特征参数。优选的，步骤S2中，将所述PLP特征参数与所述MFCC特征参数融合成新的特征参数的步骤在于：设定特征向量V，将所述PLP特征参数与所述MFCC特征参数进行串联融合:V＝(αβ)(4)式中，α为PLP特征参数，β为MFCC特征参数。优选的，步骤S3中，对所述新的特征参数进行主成分分析的步骤在于：将n条m维串联特征向量Vi构成矩阵X：计算矩阵X每一行的均值：计算X的协方差矩阵：对协方差矩阵进行特征值分解，得到协方差矩阵的特征值和对应特征向量；通过特征值的累积大小贡献率确定选取的特征值个数k，定义前k个主分量的累计贡献率为：取的前k行组成转换矩阵P；优选的，步骤S3中，将矩阵X与转换矩阵P相乘，获得融合特征矩阵Y。优选的，步骤S4中，构建深度置信网络的步骤在于：利用受限玻尔兹曼机(RBM)来构建深度置信网络；引入丢弃法(dropout)、加入动量项(momentum)、权重衰减方法(weightdecay)对深度置信网络进行优化；用所述新的特征参数训练深度置信网络。与现有技术相比，本专利技术的有益效果是，本专利技术所提供的一种基于特征融合与深度置信网络的海洋生物识别方法，首先，对声音信号的预处理便于后续稳健特征的提取，同时增加了数据量，为深度学习过程做了铺垫，避免因样本数量不足，训练数据难以拟合的问题。其次，通过主成分分析的特征融合过程，构造的新特征参数具有更好的分类性能，能有效提高识别率。最后，通过深度学习的方法进行特征自主学习过程，可以学习到数据内在的本质信息，有助于提高识别率和算法的鲁棒性，可对目标类别数据进行识别预测，且具有较高的识别率，在海洋生物研究、海洋救灾和资源勘探等民生息息相关的问题上，具有重大的研究意义和广阔的应用前景。附图说明图1为本专利技术实施例的总体流程框图；图2为本专利技术实施例提取PLP特征参数的流程框图；图3为本专利技术实施例提取MFCC特征参数的流程框图；图4为本专利技术实施例PLP特征参数散点图；图5为本专利技术实施例MFCC特征参数散点图；图6为本专利技术实施例融合特征参数散点图。具体实施方式为了更好理解本专利技术
技术实现思路
，下面提供具体实施例，并结合附图对本专利技术做进一步的说明。参见图1，一种基于特征融合与深度置信网络的海洋生物识别方法，其特征在于，包括下列步骤：S1、采集声学信号S(n)，对所采集的声学信号进行预处理，所述预处理方式包括预加重、分帧、加窗；具体的，预加重是对信号的高频部分进行加重，以增加信号的高频分辨率，使信号的频谱变得平坦，能够利用同样的信噪比在低频到高频的整个频带内求频谱，便于对信号进行频谱分析或声道参数分析；分帧是指将语音信号划分成短时段的信号，每一段的长度大概为10ms--30ms，每一段称为一帧，分帧的目的是因为声信号是准平稳，只有在短时段上才视为是一个平稳过程；对语音信号加窗的目的是为了减小截断效应，降低语音帧的坡度，使语音帧的两端平滑的过渡到零。S2、提取PLP特征参数与MFCC特征参数，将PLP特征参数与MFCC特征参数融合成新的特征参数；参见图2与图4，具体的，提取PLP特征参数的步骤在于：将声学信号S(n)进行短时傅立叶变换，得到频谱x(ω)，计算频谱x(ω)的功率谱p(ω)：p(ω)＝Rx[x(ω本文档来自技高网...

【技术保护点】
1.一种基于特征融合与深度置信网络的海洋生物识别方法，其特征在于，包括下列步骤：S1、采集声学信号S(n)，对所采集的声学信号S(n)进行预处理；S2、提取感知线性预测系数(PLP)特征参数与梅尔倒谱系数(MFCC)特征参数，将PLP特征参数与MFCC特征参数融合成新的特征参数；S3、对新的特征参数进行主成分分析，获得转换函数P以及融合特征矩阵Y；S4、构建深度置信网络，将融合特征矩阵Y输入进行学习；S5、完成对海洋生物的识别。

【技术特征摘要】
1.一种基于特征融合与深度置信网络的海洋生物识别方法，其特征在于，包括下列步骤：S1、采集声学信号S(n)，对所采集的声学信号S(n)进行预处理；S2、提取感知线性预测系数(PLP)特征参数与梅尔倒谱系数(MFCC)特征参数，将PLP特征参数与MFCC特征参数融合成新的特征参数；S3、对新的特征参数进行主成分分析，获得转换函数P以及融合特征矩阵Y；S4、构建深度置信网络，将融合特征矩阵Y输入进行学习；S5、完成对海洋生物的识别。2.根据权利要求1所述的一种基于特征融合与深度置信网络的海洋生物识别方法，其特征在于，所述预处理方式包括预加重、分帧和加窗。3.根据权利要求1所述的一种基于特征融合与深度置信网络的海洋生物识别方法，其特征在于，步骤S2中，所述提取PLP特征参数步骤在于：将声学信号S(n)进行短时傅立叶变换，得到频谱x(ω)，计算频谱x(ω)的功率谱p(ω)；对功率谱p(ω)进行临界频带分析：Ω(ω)＝6ln{ω/1200π+[(ω/1200π)2+1]1/2}(1)式中，ω为角频率，Ω为Bark域频率。将功率谱p(ω)与模拟听觉频率临界曲线Ψ(Ω)进行卷积操作，获得临界带功率谱θ[Ωi]，其中临界带曲线的公式为：进行等响度曲线预加重处理；进行强度-响度转换；进行傅里叶逆变换，得到信号短时自相关函数R(τ)，根据Durbin公式获得12阶线性预测系数，对所述12阶线性预测系数进行谱分析，获得12维PLP特征参数及其一阶差分特征参数，共24维PLP特征参数。4.根据权利要求3所述的一种基于特征融合与深度置信网络的海洋生物识别方法，其特征在于，将所述Bark域采样步长设置为1，划分成24个临界带域，将所述临界带功率谱θ[Ωi]采样间隔设置为1。5.根据权利要求1所述的一种基于特征融合与深度置信网络的海洋生物识别方法，其特征在于，步骤S2中，所述获得MFCC特征参数的步骤在于：对声学信号S(n)进行分帧操作，并对每一帧声学信号S(n)进行高频预加重处理；进行...

【专利技术属性】
技术研发人员：刘立昕，
申请(专利权)人：中国科学院深海科学与工程研究所，
类型：发明
国别省市：海南,46