基于卷积神经网络的鲸鱼叫声分类方法技术

本发明专利技术提供一种基于卷积神经网络的鲸鱼叫声分类方法，实现了对水下鲸鱼叫声信号的分类与识别。本发明专利技术利用分数阶傅里叶变换和线性调频小波变换提取鲸鱼叫声信号的时频特征，将其作为卷积神经网络的输入，进行网络模型的训练。通过对数据集进行有放回的抽取，得到多组数据集的子集，分别采用不同的网络结构对得到的数据集进行训练，得到不同的基模型。采用集成学习方式对得到的基模型进行结合，获得比单学习器更优越的性能，提高了目标的识别率。

【技术实现步骤摘要】
基于卷积神经网络的鲸鱼叫声分类方法
本专利技术涉及一种基于卷积神经网络的鲸鱼叫声分类方法，属于水下目标分类领域。
技术介绍
水声信号的分类识别是水声信号处理领域的热点问题，对于海洋生物信的声号检测尤其是海洋哺乳动物声信号的研究不仅为海洋开发以及水下设备研制提供重要的依据，而且对海洋生态环境以及海洋哺乳动物的保护方面的研究也具有重要意义。特征提取是影响水下目标信号识别的关键因素，对于非平稳的鲸鱼叫声信号，时频分析是研究其时域特性以及频率特征的有效方法。分数阶傅里叶变换可以看作广义的傅里叶变换，是一种时频分析的有效工具。分数阶傅里叶变换早起应用于光学领域，近年来在信号处理领域已经得到迅速发展。在信号检测与参数估计方面，以完备正交的调频信号作为基函数，在匹配阶次域上，通过提取峰值参数可以实现线性调频信号的参数估计。利用线性调频信号在分数阶域最优阶次两侧的幅度特性，采用多分辨搜索方法可以快速搜索峰值位置。分数及傅里叶变换的时频旋转特性在几何角度阐述了分数阶的变换特点。在海杂波背景下应用分数阶傅里叶变变换可以实现小目标检测。分数阶傅里叶变换可以对本文档来自技高网...

【技术保护点】
1.基于卷积神经网络的鲸鱼叫声分类方法，其特征在于：步骤如下：/n步骤1：对采集数据进行预处理：采用DCLDE2015和Mobysound的公开数据集，对采集数据进行剪切和提取，使得每段信号的时间长度在3-5秒；/n步骤2：使用采样率变换的方法，对提取到的鲸鱼叫声信号进行采样率的统一；/n步骤3：采用分数阶傅里叶变换方法进行特征提取；/n步骤4：采用线性调频小波变换方法进行特征提取；/n步骤5：令i＝0，对提取到的鲸鱼叫声信号数据集H1、H2进行划分；随机抽取70％的原始数据集，将其划分为训练集和验证集，其中训练集数据占抽取数据总数的80％，验证集数据占抽取总数据的20％；四类含标签的数据均按...

【技术特征摘要】
1.基于卷积神经网络的鲸鱼叫声分类方法，其特征在于：步骤如下：
步骤1：对采集数据进行预处理：采用DCLDE2015和Mobysound的公开数据集，对采集数据进行剪切和提取，使得每段信号的时间长度在3-5秒；
步骤2：使用采样率变换的方法，对提取到的鲸鱼叫声信号进行采样率的统一；
步骤3：采用分数阶傅里叶变换方法进行特征提取；
步骤4：采用线性调频小波变换方法进行特征提取；
步骤5：令i＝0，对提取到的鲸鱼叫声信号数据集H1、H2进行划分；随机抽取70％的原始数据集，将其划分为训练集和验证集，其中训练集数据占抽取数据总数的80％，验证集数据占抽取总数据的20％；四类含标签的数据均按照上述比例分配，将得到的数据集命名为H1-i和H2-i。
步骤6：令i←i+1，判断i<10是否成立：若成立，则执行步骤5；否则执行步骤7；
步骤7：采用AlexNet网络结构对得到的所有数据集分别进行训练，训练回合数为100；
步骤8：采用残差网络结构对上述数据集分别进行训练，训练回合数为100；
步骤9：对训练得到的40个网络模型，模型采用相同的权重，通过投票方式进行模型集成学习；
步骤10：得到最终的网络模型M，用于实测数据的分类。


2.根据权利要求1所述的基于卷积神经网络的鲸鱼叫...

【专利技术属性】
技术研发人员：李秀坤，徐天杨，于歌，黄健儿，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙;23