【技术实现步骤摘要】
一种多特征融合的水下目标识别方法
本专利技术涉及一种水下目标识别方法，特别涉及一种多特征融合的水下目标识别方法。
技术介绍
随着海洋声呐技术的发展，水下目标识别已经成为水声探测领域最重要的技术之一，被越来越多的应用于海洋生物调查、水雷和潜水器的检测和识别等科学活动。近年来，各式各样具有高灵敏度的声呐系统方案层出不穷，探测和定位的距离和精度都有了大幅度的提升。被动声呐系统是利用目标的辐射噪声进行检测识别的，在发现目标的同时可以保持自身的隐蔽性，基于水声目标辐射噪声的目标识别技术是被动声呐研究中的关键环节。随着深度学习的发展，基于大数据的深度学习框架在语音识别、文本翻译等很多领域都取得了辉煌的成果，并且相比传统的机器学习方法有明显提升。因此，基于深度学习方法进行深层特征挖掘和提取，建立更稳健、更智能、自动化程度更高的目标识别模型，成为了水下目标识别技术发展的新方向。为了提升水下目标检测的精度和效率，各国采用的声呐目标特征提取的方法也在不断更新。现有的研究手段是将水声信号预处理后进行单一的一种特征提取。比如线性预测编码、梅...
【技术保护点】
1.一种多特征融合的水下目标识别方法，其特征在于，包括如下步骤：/n(1)数据预处理：对采集到的水声信号数据进行min-max标准化处理，将结果值映射到[0-1]之间；/n(2)特征提取：将处理后的数据在时域方面进行短时能量特征提取，在频域方面，首先用EMD方法将处理后的数据进行分解，得到多个IMF分量，然后对得到的每个IMF分量进行GFCC特征提取；/n(3)特征融合：首先采用相同的分帧方式提取短时能量特征和GFCC特征，之后采用首尾相接的方式将两种音频信号特征向量进行组合，形成融合特征向量；/n(4)模型搭建：引入加权投票机制搭建CNN-LSTM集成时序网络模型，所述模...
【技术特征摘要】
1.一种多特征融合的水下目标识别方法，其特征在于，包括如下步骤：
(1)数据预处理：对采集到的水声信号数据进行min-max标准化处理，将结果值映射到[0-1]之间；
(2)特征提取：将处理后的数据在时域方面进行短时能量特征提取，在频域方面，首先用EMD方法将处理后的数据进行分解，得到多个IMF分量，然后对得到的每个IMF分量进行GFCC特征提取；
(3)特征融合：首先采用相同的分帧方式提取短时能量特征和GFCC特征，之后采用首尾相接的方式将两种音频信号特征向量进行组合，形成融合特征向量；
(4)模型搭建：引入加权投票机制搭建CNN-LSTM集成时序网络模型，所述模型包括CNN子分类器和LSTM子分类器；
(5)目标识别：将融合特征向量作为CNN-LSTM集成时序网络模型的输入向量，分别输入到CNN子分类器和LSTM子分类器中，对分类准确率高的子分类器分配高的权值，之后将两个子分类器的每个类别的预测概率乘以权值得到分类向量，选择分类向量中的最大值对应的类别为最终的目标识别分类结果。
2.根据权利要求1所述的一种多特征融合的水下目标识别方法，其特征在于，步骤(2)中，短时能量特征提取方法公式如下：
其中，En为第n帧滤波加窗的短时能量特征，N为一帧语音信号的长度，y(n)为滤波加窗后的信号。
3.根据权利要求1所述的一种多特征融合的水下目标识别方法，其特征在于，步骤(2)中，GFCC特征提取的方法如下：在对音频信号进行预处理后，将音频信号分为n帧，对每一帧信号进行EMD分解，得到若干个IMF分量；之后对每个IMF分量进行快速傅里叶变换，并将各个频率段的IMF分量相加后，经过Gammatone滤波器进行滤波，并对每个滤波器的输出值进行对数压缩，得到一组对数能量谱，最后经过离散余弦变换，获得的GFCC特征。
4.根据权利要求3所述的一种多特征融合的水下目标识别方法，其特征在于，首先将音频信号分为n帧，通过EMD将每帧语音信号分解为I个IMF分量；之后对每个IMF分量分别进行快速傅里叶变换，得到语音信号的离散功率谱si(k)：
其中，i＝1，2，…，I，t为时间，k为滤波器的阶数，s(k)为原始音频信号，d为离散傅里叶变化采样点数；
之后进行频率合成得到功率谱x(t)：
Gammatone滤波器的时域脉冲响应可以看作是Gammatone函数的乘积，表达形式如下：...
【专利技术属性】
技术研发人员：殷波，魏志强，贾东宁，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：山东;37
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。