水声目标实时识别方法、系统及装置制造方法及图纸

本发明专利技术公开了水声目标实时识别方法、系统及装置，方法中利用实采数据量规模变化，进行不同阶段多种场景的动态模型训练，形成特征关联且适用于边缘计算平台、满足场景应用需求的多种目标识别模型，基于选择确定的融合特征，利用各个目标识别模型进行水声目标的识别分析，利用边缘计算平台进行逻辑控制规则的自定义配置，根据各目标识别模型的识别结果，推理获得水声目标的当前分类结果及性能分析报告。本发明专利技术由于直接利用不断积累的待识别水声目标的数据进行动态模型训练，因此可在任意复杂环境下进行水声目标识别，满足基于深度学习的多种水声目标算法进行水中应用的需求，为在边缘计算平台上实现高性能复杂水声目标算法提供了可行的处理方案。供了可行的处理方案。供了可行的处理方案。

【技术实现步骤摘要】
作为2027年之前的重点攻关内容。
[0007]我国的声目标识别技术中，传统采用人工提取特征技术和较为简单的分类器，在复杂环境下,这些识别系统对复杂的信号无能为力，性能常常迅速降低。近五年来，人工智能技术迅速发展，基于深度学习的水声目标识别方法不断出现。但是，目前在水声目标识别的应用需求下，没有相关的识别系统被提出，也没有用于性能提升的实时动态识别系统被提出。

技术实现思路

[0008]本申请实施例通过提供一种水声目标识别方法、系统及装置，解决了现有技术中水声识别技术功能的单一性导致在不同复杂环境无法进行水声目标的识别分析目的，本申请为解决
技术介绍
存在的技术问题，开发了基于边缘计算平台、适配多种深度学习算法的实时水声目标识别技术，可以有效满足在复杂环境下对水声目标识别的应用需求，同时为实现在边缘计算平台上实现基于深度学习的水声目标算法提供了可行的处理方案。
[0009]第一方面，本申请实施例提供了一种水声目标识别方法，所述方法包括：
[0010]S110，利用数据采集规则配置，控制并接收实时采集的水声目标的声学信号数据；
[0011]S120，利用数据预处理规则配置对实采的所述声学信号数据进行信号预处理后，形成满足水声目标识别归一化配置的若干声学信号数据集合；根据不同距离下不同大类目标的探测需求，通过对各所述声学信号数据集合进行不同场景以及不同维度的特征值提取，形成所述水声目标识别所需的基于数据量规模动态变化的具备索引及筛选功能的多模式特征库；
[0012]S130，利用模型训练规则配置按照不同数据量规模需求进行不同阶段多种场景的动态模型训练；通过将所述多模式特征库中的特征值输入到预先搭建的多种深度学习神经网络中，分别对所述多模式特征库中的特征值进行端对端的动态并行模型训练，形成特征关联且适用于边缘计算平台、满足不同应用场景需求的目标识别模型，以此实现利用边缘计算平台中的模型识别规则配置，接收并部署适配于当前所述声学信号数据的数据量规模的多种所述目标识别模型以及映射缓存的所述多模式特征库，在接收选择确定的所述多模式特征库中的融合特征后，利用边缘推理计算规则控制各所述目标识别模型对选择确定的融合特征进行并行识别分析，从而利用所述水声目标不同维度的识别分析结果，推理获得水声目标当前分类结果及性能分析报告。
[0013]进一步地，所述步骤S110中：利用所述数据采集规则中的采集调理参数，控制数据采集设备采集不同增益参数下的声学信号数据。
[0014]进一步地，在所述步骤S120中包括：
[0015]利用信噪比评估对采集的所述声学信号数据进行包括筛选、过滤、数字束波形成、均衡、归一化、存储在内的信号处理；
[0016]统计当前水声目标的所述声学信号数据的实时数据量；
[0017]根据不同阶段各模型训练所需数据量规模的阈值范围，将所述实时数据量与各个阶段阈值范围的临界值进行比较；
[0018]在实时数据量低于最小数据量规模的阈值范围临界值时，提取预存的水声公开数据集中的部分数据作为存储的所述声学信号数据；
[0019]利用多源数据融合技术将存储后的所述声学信号数据进行打散及自适应划分，得到满足水声目标识别要求的若干声学信号数据集合。
[0020]进一步地，在所述步骤S120中还包括：
[0021]在实时数据量高于最小数据量规模的阈值范围临界值时，直接利用多源数据融合技术将存储后的所述声学信号数据进行打散及自适应划分，得到满足水声目标识别要求的若干声学信号数据集合。
[0022]进一步地，所述步骤S120还包括，预先设置包括波形特征、时频域特征、听觉特征在内的特征库分类；其中，
[0023]在所述波形特征库中预设包括直接波形幅度、过零率、能量在内的提取参数，筛选出所述声学信号数据集合中符合所述波形特征的特征值；
[0024]在所述时频域特征库中预设包括小波特征、Wigner
‑
Ville分布特征在内的二维时频特征，计算筛选出所述声学信号数据集合中符合所述二维时频特征的特征值；
[0025]在所述听觉特征库中预设包括伽马通频率倒谱系数、梅尔倒谱系数、梅尔谱及差分梅尔谱、对数梅尔谱、各类自设的听觉滤波器组在内的二维特征，计算筛选出所述声学信号数据集合中符合所述二维特征的特征值；
[0026]通过索引关系关联各特征库分类，形成具备索引及筛选的多模式特征库，以便在使用确定相关特征时，依据不同距离下不同大类目标的探测需求，进行特征索引和筛选。
[0027]进一步地，在所述步骤S130中，利用模型训练规则配置，按照不同数据量规模需求进行不同阶段多种场景的动态模型训练的方法中，还包括：
[0028]基于实时数据量与当前各所述目标识别模型所需数据量规模的阈值范围临界值的比较结果，在实时数据量超过当前对应所述目标识别模型所需数据量规模的阈值范围临界值时，控制执行模型重训练，动态更新相应种类的所述目标识别模型；否则直接进入下一步骤基于选择确定的融合特征利用各所述目标识别模型执行识别分析。
[0029]进一步地，在所述步骤S130中，训练的各所述目标识别模型之间关联有一种确定性融合特征，以便进行确定性融合特征选择后，基于边缘推理计算规则，通过各所述目标识别模型的识别结果，推理获得水声目标当前分类结果及性能分析报告。
[0030]进一步地，在所述步骤S130中，
[0031]利用融合特性最优选择以及端对端的复杂深度学习分类器技术对所述多模式特征库中的特征值进行多GPU分布式数据动态并行逻辑训练，形成适用于所述边缘计算平台的至少满足三种不同需求的所述目标识别模型；
[0032]以及，利用减少参数计算量的模型压缩算法对各所述目标识别模型进行压缩后，至少形成包括资源节约模型、精度最优模型以及资源精度平衡模型在内的目标识别模型。
[0033]第二方面，本申请实施例提供了一种水声目标识别方法，基于实施例一中任意一项所述方法步骤的实现，所述方法包括：
[0034]S210，发送数据采集规则配置，以控制并接收实时采集水声目标的声学信号数据；
[0035]S220，发送数据预处理规则配置，以对实采的所述声学信号数据进行信号预处理后，形成满足水声目标识别归一化配置的若干声学信号数据集合；根据不同距离下不同大类目标的探测需求，通过对各所述声学信号数据集合进行不同场景以及不同维度的特征值提取，形成所述水声目标识别所需的基于数据量规模动态变化的具备索引及筛选功能的多
模式特征库；
[0036]S230，发送模型训练规则配置，以便按照不同数据量规模需求进行不同阶段多种场景的动态模型训练；通过将实时的所述多模式特征库中的特征值输入到预先搭建的多种深度学习神经网络中，分别对所述多模式特征库中的特征值进行端对端的动态并行模型训练，形成特征关联且适用于边缘计算平台、满足不同应用场景需求的目标识别模型；
[0037]S240：利用边缘计算平台动态更新包括数据采集规则、数据预处理规则、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水声目标识别方法，其特征在于，所述方法包括：S110，利用数据采集规则配置，控制并接收实时采集的水声目标的声学信号数据；S120，利用数据预处理规则配置，对实采的所述声学信号数据进行信号预处理后，形成满足水声目标识别归一化配置的若干声学信号数据集合；根据不同距离下不同大类目标的探测需求，通过对各所述声学信号数据集合进行不同场景以及不同维度的特征值提取，形成所述水声目标识别所需的基于数据量规模动态变化的具备索引及筛选功能的多模式特征库；S130，利用模型训练规则配置，按照不同数据量规模需求进行不同阶段多种场景的动态模型训练；通过将所述多模式特征库中的特征值输入到预先搭建的多种深度学习神经网络中，分别对所述多模式特征库中的特征值进行端对端的动态并行模型训练，形成特征关联且适用于边缘计算平台、满足不同应用场景需求的目标识别模型，以此实现利用边缘计算平台中的模型识别规则配置，接收并部署适配于当前所述声学信号数据的数据量规模的多种所述目标识别模型以及映射缓存的所述多模式特征库，在接收选择确定的所述多模式特征库中的融合特征后，利用边缘推理计算规则控制各所述目标识别模型对选择确定的融合特征进行并行识别分析，从而利用所述水声目标不同维度的识别分析结果，推理获得水声目标当前分类结果及性能分析报告。2.如权利要求1所述的水声目标识别方法，其特征在于，所述步骤S110中：利用所述数据采集规则中的采集调理参数，控制数据采集设备采集不同增益参数下的声学信号数据。3.如权利要求1所述的水声目标识别方法，其特征在于，在所述步骤S120中包括：利用信噪比评估对采集的所述声学信号数据进行包括筛选、过滤、数字束波形成、均衡、归一化、存储在内的信号处理；统计当前水声目标的所述声学信号数据的实时数据量；根据不同阶段各模型训练所需数据量规模的阈值范围，将所述实时数据量与各个阶段阈值范围的临界值进行比较；在实时数据量低于最小数据量规模的阈值范围临界值时，提取预存的水声公开数据集中的部分数据作为存储的所述声学信号数据；利用多源数据融合技术将存储后的所述声学信号数据进行打散及自适应划分，得到满足水声目标识别要求的若干声学信号数据集合。4.如权利要求3所述的水声目标识别方法，其特征在于，在所述步骤S120中还包括：在实时数据量高于最小数据量规模的阈值范围临界值时，直接利用多源数据融合技术将存储后的所述声学信号数据进行打散及自适应划分，得到满足水声目标识别要求的若干声学信号数据集合。5.如权利要求1所述的水声目标识别方法，其特征在于，所述步骤S120还包括，预先设置包括波形特征、时频域特征、听觉特征在内的特征库分类；其中，在所述波形特征库中预设包括直接波形幅度、过零率、能量在内的提取参数，筛选出所述声学信号数据集合中符合所述波形特征的特征值；在所述时频域特征库中预设包括小波特征、Wigner
‑
Ville分布特征在内的二维时频特征，计算筛选出所述声学信号数据集合中符合所述二维时频特征的特征值；在所述听觉特征库中预设包括伽马通频率倒谱系数、梅尔倒谱系数、梅尔谱及差分梅尔谱、对数梅尔谱、各类自设的听觉滤波器组在内的二维特征，计算筛选出所述声学信号数
据集合中符合所述二维特征的特征值；通过索引关系关联各特征库分类，形成具备索引及筛选的多模式特征库，以便在使用确定相关特征时，依据不同距离下不同大类目标的探测需求，进行特征索引和筛选。6.如权利要求1所述的水声目标识别方法，其特征在于，在所述步骤S130中，利用模型训练规则配置，按照不同数据量规模需求进行不同阶段多种场景的动态模型训练的方法中，还包括：基于实时数据量与当前各所述目标识别模型所需数据量规模的阈值范围临界值的比较结果，在实时数据量超过当前对应所述目标识别模型所需数据量规模的阈值范围临界值时，控制执行模型重训练，动态更新相应种类的所述目标识别模型；否则直接进入下一步骤基于选择确定的融合特征利用各所述目标识别模型执行识别分析。7.如权利要求1所述的水声目标识别方法，其特征在于，在所述步骤S130中，训练的各所述目标识别模型之间关联有一种确定性融合特征，以便进行确定性融合特征选择后，基于边缘推理计算规则，通过各所述目标识别模型的识别结果，推理获得水声目标当前分类结果及性能分析报告。8.如权利要求1或7所述的水声目标识别方法，其特征在于，在所述步骤S130中，利用融合特性最优选择以及端对端的复杂深度学习分类器技术对所述多模式特征库中的特征值进行多GPU分布式数据动态并行逻辑训练，形成适用于所述边缘计算平台的至少满足三种不同需求的所述目标识别模型；以及，利用减少参数计算量的模型压缩算法对各所述目标识别模型进行压缩后，至少形成包括资源节约模型、精度最优模型以及资源精度平衡模型在内的目标识别模型。9.一种水声目标识别方法，其特征在于，用于权利要求1
‑
8任意一项所述方法步骤的实现，所述方法包括：S210，发送数据采集规则配置，以控制并接收实时采集水声目标的声学信号数据；S220，发送数据预处理规则配置，以对实采的所述声学信号数据进行信号预处理后，形成满足水声目标识别归一化配置的若干声学信号数据集合；根据不同距离下不同大类目标的探测需求，通过对各所述声学信号数据集合进行不同场景以及不同维度的特征值提取，形成所述水声目标识别所需的基于数据量规模动态变化的具备索引及筛选功能的多模式特征库；S230，发送模型训练规则配置，以便按照不同数据量规模需求进行不同阶段多种场景的动...

【专利技术属性】
技术研发人员：洪峰，
申请(专利权)人：中国科学院声学研究所东海研究站，
类型：发明
国别省市：