【技术实现步骤摘要】
一种基于卷积残差网络的水中目标辐射噪声LOFAR谱图线谱提取方法
本专利技术属于水中目标特征提取优化与人工智能
，具体涉及一种基于卷积残差网络的水中目标辐射噪声LOFAR谱图线谱提取方法。
技术介绍
被动目标识别技术主要利用声纳接收的被动目标辐射噪声信号和其他传感器信息判别目标类型，可为声纳员提供目标特征信息，是进行综合决策的重要依据。当前，水下目标探测与识别是海军武器装备现代化发展的重要研究方向，也是声纳和武器系统智能化的关键技术之一。被动目标识别技术的核心是对目标声信号特征的提取和表达，综合目前国内外的研究现状，线谱特征是水声目标噪声中最重要的可鉴别性特征之一，线谱频率和强度能够反映目标本身结构特点，具有较明显的物理含义。因此，线谱特征在目前的被动水声目标识别中得到了广泛应用。传统线谱特征提取一般通过观察LOFAR谱变化趋势并基于信号处理手段提取极值得到。受水声目标的发声机理复杂多样、海洋信道复杂时变空变性、多目标和平台噪声干扰严重等影响，声纳目标噪声信号通常信噪比较低并且受周围环境综合影响大，线谱...
【技术保护点】
1.一种基于卷积残差网络的水中目标辐射噪声LOFAR谱图线谱提取方法，其特征在于：该方法包括如下步骤：/n(1.1)、构建LOFAR谱图训练数据集，对水声目标数据进行处理，生成带标签LOFAR谱图样本；/n(1.2)、针对LOFAR谱图特点，构建卷积残差回归网络模型；/n(1.3)、基于已有带标签LOFAR谱图数据对卷积残差回归网络模型开展训练，完成卷积残差回归网络模型；/n(1.4)、对未知水声目标噪声LOFAR谱图进行线谱提取，基于已经训练的卷积残差回归网络模型对各自对应频段LOFAR谱图进行处理，得到各频段线谱提取结果并进行综合，得到最终线谱提取结果。/n
【技术特征摘要】
1.一种基于卷积残差网络的水中目标辐射噪声LOFAR谱图线谱提取方法，其特征在于：该方法包括如下步骤：
(1.1)、构建LOFAR谱图训练数据集，对水声目标数据进行处理，生成带标签LOFAR谱图样本；
(1.2)、针对LOFAR谱图特点，构建卷积残差回归网络模型；
(1.3)、基于已有带标签LOFAR谱图数据对卷积残差回归网络模型开展训练，完成卷积残差回归网络模型；
(1.4)、对未知水声目标噪声LOFAR谱图进行线谱提取，基于已经训练的卷积残差回归网络模型对各自对应频段LOFAR谱图进行处理，得到各频段线谱提取结果并进行综合，得到最终线谱提取结果。
2.根据权利要求1所述的基于卷积残差网络的水中目标辐射噪声LOFAR谱图线谱提取方法，其特征在于：构建LOFAR谱图训练数据集，基本过程如下：
(2.1)对水中目标辐射噪声进行预处理，生成按批次滚动的LOFAR谱图，LOFAR谱图频率分辨率为0.1Hz，谱图显示批次为150批，按频率将LOFAR谱图切分为150×400尺寸的若干LOFAR谱图子块；
(2.2)每隔50批次数据刷新后生成一批LOFAR谱图样本并存储于4维矩阵中；
(2.3)对LOFAR谱图样本进行线谱序列标注，生成标签，进而对样本进行遴选，剔除难以标注的样本，得到该目标各频段的LOFAR谱图样本集；
(2.4)按以上步骤对其他水声目标数据进行处理，生成更多带标签LOFAR谱图样本。
3.根据权利要求1所述的基于卷积残差网络的水中目标辐射噪声LOFAR谱图线谱提取方法，其特征在于：基于TensorFlow框架构建深层卷积残差回归网络模型，基本过程如下：
(3.1)构建3个基本模块，具体构建方式如下：
(3.1.1)构建基本模块1，在数据输入层之后添加2个并行分支；分支1包括2个卷积层，卷积层1参数为(1×3,128,1)，即卷积核尺寸为1×3，卷积核数量为128，卷积步长为1，表示方法下同；卷积层2的参数为(3×1,256,1)，分支2为直接分支，仅添加卷积核尺寸为1×1的卷积操作，用于匹配分支1的输出通道数量，即分支2卷积层参数为(1×1,256,1)；
(3.1.2)构建基本模块2，在数据输入层之后添加2个并行分支；分支1包括3个卷积层，卷积层参数分别为(1×1,256,1)，(3×3,256,1)和(1×1,512,1)，分支2为直接分支，仅添加匹配分支1的输出通道数的卷积层，参数为(1×1,512,1)；...
【专利技术属性】
技术研发人员：陈越超，尚金涛，
申请(专利权)人：中国船舶重工集团公司第七一五研究所，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。