鲸豚类Click类叫声与传统声呐信号分类方法及装置制造方法及图纸

本发明专利技术属于海洋应用声学领域，为提出新的水下声音信号的人工分类方法，分类结果稳定、工作量小、主观性强弱，同时特征提取准确、分类正确率高、适应性强。为此，本发明专利技术鲸豚类Click类叫声与传统声呐信号分类方法及装置，包括三个子系统：信号预处理子系统，信号时频特征提取子系统和信号时频特征分类子系统；其中，信号预处理子系统包括：水听器、声音存储介质、声音去噪模块和端点检测模块；信号时频特征提取子系统包括信号短时傅里叶变换预处理模块，信号时频轮廓提取模块，信号时频轮廓曲线拟合和信号时频特征提取模块。本发明专利技术主要应用于海洋应用声学场合。

【技术实现步骤摘要】
鲸豚类Click类叫声与传统声呐信号分类方法及装置
本专利技术属于海洋应用声学领域，特别是鲸豚类Click类叫声脉冲与传统声呐信号的分类方法及装置。
技术介绍
在海洋被动声学监测以及水下声呐探测或水下声学通信中，鲸豚类Click类叫声脉冲信号与传统声呐信号极易同时出现在同一海域，且一同被声学监测网络或声呐接收设备接收和记录。其中，传统声呐信号主要包括单频脉冲(ContinuousWave，简称CW)信号、线性调频脉冲(LinearFrequencyModulation，简称LFM)信号和双曲调频脉冲(HyperbolicFrequencyModulation，简称HFM)信号。将被接收和记录的声音中的鲸豚类Click类叫声脉冲信号与传统声呐信号(CW信号、LFM信号和HFM信号)进行有效识别与分类，对提高被动声学监测网络的监测准确性、稳定性以及提高人工声呐系统探测的准确性，水声通信系统的可靠性，都具有十分重要的作用。目前的水声信号识别和分类，仍主要是采用人工分类的方法，通过倾听和借助分析工具观察信号波形和信号的频谱特征实现信号分类，该方法主观性强，分类正确率波动大。此外，随着被动声学监测网络规模增大，人工声呐阵列化以及水下通信结构的复杂化，要处理的数据量持续增大，使用人工分类的方法将难以确保数据的实时性和准确性。而目前已有的水下声音信号自动分类方法，难以准确提取信号特征，分类正确率较低，且难以适应复杂多变的海洋环境。
技术实现思路
为克服现有技术的不足，本专利技术旨在提出新的水下声音信号的人工分类方法，分类结果稳定、工作量小、主观性强弱，同时特征提取准确、分类正确率高、适应性强。为此，本专利技术采用的技术方案是，鲸豚类Click类叫声脉冲与传统声呐信号分类装置，包括三个子系统：信号预处理子系统，信号时频特征提取子系统和信号时频特征分类子系统；其中，信号预处理子系统包括：水听器、声音存储介质、声音去噪模块和端点检测模块；信号时频特征提取子系统包括信号短时傅里叶变换预处理模块，信号时频轮廓提取模块，信号时频轮廓曲线拟合和信号时频特征提取模块，信号预处理子系统可依托于DSP(DigitalSignalProcessing)芯片、现场可编程门阵列FPGA(Field-ProgrammableGateArray)芯片或进阶精简指令集机器ARM(AdvancedRISCMachine)架构处理器硬件平台实现；时频特征分类子系统包括信号时频特征输入模块，分类器训练模块，分类器分类模块和分类结果显示模块，时频特征分类子系统可依托于DSP芯片、FPGA芯片或ARM架构处理器硬件平台实现；水听器采集或者计算机存储介质存储的可能含有鲸豚类Click类叫声脉冲信号与传统声呐信号的声音，首先经过声音去噪模块得到去噪后的声音信号，经过端点检测模块，提取出含有鲸豚类Click类叫声脉冲信号与传统声呐信号的特征帧；进一步地，特征帧经过短时傅里叶变换，得到短时傅里叶变换系数矩阵；短时傅里叶变换系数矩阵所有系数取绝对值后，得到绝对值系数矩阵；绝对值矩阵首先经过信号时频轮廓提取模块，得到信号时频轮廓；进一步地，经过信号时频轮廓曲线拟合和信号时频特征提取模块，得到信号时频特征向量；进一步地，时频特征向量被送入先前已训练过的分类器分类模块后，分类器分类模块对特征向量进行分类，输出分类结果经分类结果显示模块显示。分类器采用BP(BackPropagation)神经网络分类器。鲸豚类Click类叫声脉冲与传统声呐信号分类方法，对每一个经过信号预处理子系统得到的信号特征帧，首先进行短时傅里叶变换，得到短时傅里叶变换系数矩阵F(m,f)；其中x(n)为信号特征帧，w(n)为窗函数，其可以沿信号时间轴移动，窗函数的移动距离由m确定，f代表表示频率，其中函数类型、窗函数宽度、移动步长等参数可以根据待分类信号的实际长度和采样率确定；进一步地，按照式(2)对F(m,f)取绝对值得到信号的短时傅里叶变换绝对值矩阵X(m,f)；X(m,f)＝|F(m,f)|(2)进一步地，对于每一个被窗函数w(n-m)截断的信号切片按照式(3)从X(m,f)中获得当前信号切片内的频谱信息xi(f)，其中i表示当前信号切片的索引值；xi(f)＝X(mi,f)(3)进一步地，求取每个xi(f)在频率f上的最大值mi(f)，并计算xi(f)的半功率幅值如图4所示，在按照式(4)确定f-xi(f)曲线中mi(f)左右两边的半功率频率点的频率坐标fli和fri；进一步地，按照式(5)计算当前信号切片的估计瞬时频率fei，所有切片信号的fei构成了当前信号瞬时频率序列Fe；fei＝1/2*(fli+fri)(5)进一步地，对每一个信号的瞬时频率序列Fe，使用移动平均滤波器对其进行平滑滤波，得到平滑的信号时频变化轮廓Se，移动平均滤波的长度l可根据信号的瞬时频率序列Fe的长度确定；进一步地，基于最小二乘法，按照式(6)和式(7)，使用n阶的多项式p(t)对信号时频变化轮廓Se进行拟合；p(t)＝a0+a1t+...+an-1tn-1+antn(6)式中，Se(i)表示时频变化轮廓Se中第i个信号切片所对应的值，即平滑滤波后瞬时频率值，ti表示第i个信号切片的中心在原信号中的位置，E代表残差；根据最小二乘法，求取式(6)中的系数a0,a1,...,an-1,an,使式(7)中的残差E达到最小；同时，根据实际信号的切片个数，舍去时频变换轮廓Se左右两端的若干Se(i)值后，再进行多项式拟合；进一步地，对每一个信号特征帧16，将p(t)的各阶多项式系数a0,a1,...,an-1,an作为信号的时频变化特征，形成时频特征向量A＝[a0,a1,...,an-1,an]；将时频特征向量送入神经网络分类器进行分类，得到最终分类结果。使用BP神经网络作为信号时频特征分类器，首先设定分类器参数，设定分类器的初始结构，设定网络层数、输入层、隐含层节点数、输出层神经元个数、传递函数、训练方法和神经网络的初始权值等参数；BP神经网络训练方法为梯度下降法，根据分类器的输出结果进行分类决策，最后输出分类结果。一个实例中，多项式p(t)阶数n为5的条件下，设置网络层数为3，输入层节点数为6，隐含层节点为4，输出层神经元为4，传递函数为Sigmoid函数，神经网络的初始权值为0至1之间的随机数。本专利技术的特点及有益效果是：(1)本专利技术所述信号时频特征提取模型能够准确地提取鲸豚类Click类叫声脉冲信号与传统声呐信号的时频特征，提取的时频特征能很好的表征信号的时频变化趋势；(2)本专利技术所述时频特征分类模型可以通过少量的时频特征训练数据和简单的神经网络结构获得很高的分类正确率；(3)本专利技术所述鲸豚类Click类叫声脉冲信号与传统声呐信号的分类方法及装置可以准确提取鲸豚类Click类叫声脉冲信号与传统声呐信号的时频变化特征并将其正确分类，有效克服了人工分类方法分类结果不稳定、工作量大、主观性强的缺点，同时有效克服了传统水声信号自动分类方法及装置特征提取不准确、分类正确率低、适应性差的缺点；(4)本专利技术所述鲸豚类Click类叫声脉冲信号与传统声呐信号的分类方法及装置即使在信号受海洋水声信道频率选择性、时变、多途效应等的影响产生了不同本文档来自技高网...

【技术保护点】
1.一种鲸豚类Click类叫声脉冲与传统声呐信号分类装置，其特征是，包括三个子系统：信号预处理子系统，信号时频特征提取子系统和信号时频特征分类子系统；其中，信号预处理子系统包括：水听器、声音存储介质、声音去噪模块和端点检测模块；信号时频特征提取子系统包括信号短时傅里叶变换预处理模块，信号时频轮廓提取模块，信号时频轮廓曲线拟合和信号时频特征提取模块，信号预处理子系统可依托于DSP(Digital Signal Processing)芯片、现场可编程门阵列FPGA(Field‑Programmable Gate Array)芯片或进阶精简指令集机器ARM(Advanced RISC Machine)架构处理器硬件平台实现；时频特征分类子系统包括信号时频特征输入模块，分类器训练模块，分类器分类模块和分类结果显示模块，时频特征分类子系统可依托于DSP芯片、FPGA芯片或ARM架构处理器硬件平台实现；水听器采集或者计算机存储介质存储的可能含有鲸豚类Click类叫声脉冲信号与传统声呐信号的声音，首先经过声音去噪模块得到去噪后的声音信号，经过端点检测模块，提取出含有鲸豚类Click类叫声脉冲信号与传统声呐信号的特征帧；进一步地，特征帧经过短时傅里叶变换，得到短时傅里叶变换系数矩阵；短时傅里叶变换系数矩阵所有系数取绝对值后，得到绝对值系数矩阵；绝对值矩阵首先经过信号时频轮廓提取模块，得到信号时频轮廓；进一步地，经过信号时频轮廓曲线拟合和信号时频特征提取模块，得到信号时频特征向量；进一步地，时频特征向量被送入先前已训练过的分类器分类模块后，分类器分类模块对特征向量进行分类，输出分类结果经分类结果显示模块显示。...

【技术特征摘要】
1.一种鲸豚类Click类叫声脉冲与传统声呐信号分类装置，其特征是，包括三个子系统：信号预处理子系统，信号时频特征提取子系统和信号时频特征分类子系统；其中，信号预处理子系统包括：水听器、声音存储介质、声音去噪模块和端点检测模块；信号时频特征提取子系统包括信号短时傅里叶变换预处理模块，信号时频轮廓提取模块，信号时频轮廓曲线拟合和信号时频特征提取模块，信号预处理子系统可依托于DSP(DigitalSignalProcessing)芯片、现场可编程门阵列FPGA(Field-ProgrammableGateArray)芯片或进阶精简指令集机器ARM(AdvancedRISCMachine)架构处理器硬件平台实现；时频特征分类子系统包括信号时频特征输入模块，分类器训练模块，分类器分类模块和分类结果显示模块，时频特征分类子系统可依托于DSP芯片、FPGA芯片或ARM架构处理器硬件平台实现；水听器采集或者计算机存储介质存储的可能含有鲸豚类Click类叫声脉冲信号与传统声呐信号的声音，首先经过声音去噪模块得到去噪后的声音信号，经过端点检测模块，提取出含有鲸豚类Click类叫声脉冲信号与传统声呐信号的特征帧；进一步地，特征帧经过短时傅里叶变换，得到短时傅里叶变换系数矩阵；短时傅里叶变换系数矩阵所有系数取绝对值后，得到绝对值系数矩阵；绝对值矩阵首先经过信号时频轮廓提取模块，得到信号时频轮廓；进一步地，经过信号时频轮廓曲线拟合和信号时频特征提取模块，得到信号时频特征向量；进一步地，时频特征向量被送入先前已训练过的分类器分类模块后，分类器分类模块对特征向量进行分类，输出分类结果经分类结果显示模块显示。2.如权利要求1所述的鲸豚类Click类叫声脉冲与传统声呐信号分类装置，其特征是，分类器采用BP(BackPropagation)神经网络分类器。3.一种鲸豚类Click类叫声脉冲与传统声呐信号分类方法，其特征是，对每一个经过如权利要求1所述的信号预处理子系统得到的信号特征帧，首先进行短时傅里叶变换，得到短时傅里叶变换系数矩阵F(m,f)；其中x(n)为信号特征帧，w(n)为窗函数，其可以沿信号时间轴移动，窗函数的移动距离由m确定，f代表表示频率，其中函数类型、窗函数宽度、移动步长等参数可以根据待分类信号的实际长度和采样率确定；进一步地，按照式(2)对F(m,f)取绝对值得到信号的短时傅里叶变换绝对值矩阵X(m,f)；X(m,f)＝|F(m,f)|(2)进一...

【专利技术属性】
技术研发人员：蒋佳佳，卜令冉，段发阶，王宪全，孙中波，李春月，马世雄，邓澈，党文杰，刘晗，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12