基于深度学习的近地面目标声震信号分类识别系统及方法技术方案

本发明专利技术揭示了一种基于深度学习的近地面目标声震信号分类识别系统及方法，包括声震传感器阵列、样本数据库、特征提取模块、特征增强模块、声震信号识别模块、结果输出模块以及模型压缩和移植模块，将本发明专利技术的模型部署至嵌入式设备上，实现模型压缩和移植。本发明专利技术提供的基于深度学习的近地面目标声震信号分类识别系统及方法，利用样本数据库进行监督式学习，将待检测目标的声震信号送入计算系统，最终计算出目标的真实型号，协助部队进一步了解敌军走向和战场态势感知，能够实现将识别系统部署在嵌入式开发板中，极大提升了战场态势感知的速度和准确性。速度和准确性。速度和准确性。

【技术实现步骤摘要】
基于深度学习的近地面目标声震信号分类识别系统及方法


[0001]本专利技术涉及一种基于深度学习的近地面目标声震信号分类识别系统及分类识别方法，属于近地面目标声震信号分类识别


技术介绍

[0002]为实现对防区内态势的准确把握，须实时感知区域内可能出现的目标及其运动状态。态势感知的信息来源是区域中的各探测器节点，由探测器采集目标产生的多种物理场信号，依据不同的特征量区分不同的目标。采用多传感器的复合探测方式，充分利用每一种探测手段的优势、扬长避短；借助无线通信技术对区域中各节点的传感器进行信息融合处理，实现目标的联合探测、定位和跟踪，满足复杂环境下的探测需求。
[0003]以战场隐蔽侦察、战场态势感知等军事应用为背景，研究战场态势感知领域中所涉及的网络化近地面目标低功耗隐蔽探测技术，实现在隐蔽自身的前提下全向探测、不间断警戒、长期值守，借助基于深度学习的近地面目标声震信号分类识别系统及方法，是很有必要的。

技术实现思路

[0004]本专利技术的目的是：实现可抛撒布设并自动组网的多源小微传感器阵列并输出结果，提升战场态势感知过程中的准确性。
[0005]为了达到上述目的，本专利技术的一个技术方案是提供了一种基于深度学习的近地面目标声震信号分类识别系统，其特征在于，包括声震传感器阵列、样本数据库、特征提取模块、特征增强模块、声震信号识别模块、结果输出模块以及模型压缩和移植模块，其中：
[0006]声震传感器阵列：用于对待识别目标使用声震信号传感器阵列获取得到声震信号数据，将该声震信号数据进一步定义为原始数据；
[0007]样本数据库：用于对原始数据进行简单预处理后得到样本数据，并将样本数据存储在样本数据库中；
[0008]特征提取模块：用于提取原始数据的声震信号特征；
[0009]特征增强模块：在对由特征提取模块以及声震信号识别模块组成的模型进行训练时，对样本数据库中的声震信号特征进行数据增强；
[0010]声震信号识别模块：用于将声震信号特征进行卷积操作和注意力编解码变换后计算得到中待识别目标的信息；
[0011]结果输出模块：用于对声震信号识别模块获得的待识别目标的信息进行结果输出；
[0012]模型压缩和移植模块：将由特征提取模块以及声震信号识别模块组成的模型部署至嵌入式设备上，实现模型压缩和移植。
[0013]优选地，所述声震传感器阵列通过MEMS声传感器阵列和MEMS震动传感器获取声震信号数据。
[0014]优选地，所述结果输出模块连接有显示屏，用于实现待识别目标的信息的屏幕显示。
[0015]本专利技术的另一个技术方案是提供了一种基于前述近地面目标声震信号分类识别系统实现的基于深度学习的近地面目标声震信号分类识别方法，其特征在于，包括以下步骤：
[0016]S100、通过声震传感器阵列获取声震信号数据，将声震信号数据定义为原始数据；原始数据经过预处理之后送至已训练后的所述模型进行待识别目标的信息获取，在对所述模型进行训练时，原始数据经过预处理之后被传输至样本数据库；
[0017]S200、利用模型对经过预处理后的原始数据进行进行识别，包括以下步骤：
[0018]S201、提取原始数据的MFCC特征以及深度学习特征，进一步包括以下内容：
[0019]模型提取样本数据的梅尔频率倒谱系数特征，即MFCC特征。
[0020]模型使用预训练的基于混合注意力机制的VggNet16网络提取原始数据的深度学习特征，其中，在VggNet16网络最后一个卷积块后引入混合注意力网络构成基于混合注意力机制的VggNet16网络；在基于混合注意力机制的VggNet16网络中，将VggNet16网络输出的特征图输入混合注意力网络后得到空间注意力谱，再将空间注意力谱与VggNet16网络输出的对应的特征图进行逐元素相乘操作，得到带有空间注意力的特征图特征图输入到通道注意力网络中，最后得到了带有混合注意力谱的特征图，作为深度学习特征；
[0021]步骤202、模型将深度学习特征与MFCC特征结合后获得声震信号特征，利用集成学习方法对声震信号特征进行分类，获得分类结果作为待识别目标的信息。
[0022]S300、分析结果展示：结果输出模块对模型输出的待识别目标的信息进行输出，通过显示屏显示结果和打印机打印输出报告结果。
[0023]优选地，步骤S100中，对原始数据的预处理包括对原始数据进行语音活动检测，去除静音部分，以及将所有数据的采样率进行统一。
[0024]优选地，步骤S200中，特征图U＝[u1,u2,
…
,u
C
]为混合注意力网络的输入，，下标C表示共有C个通道；对特征图U进行全局平均池化操作，并用池化结果作为输入特征图中不同像素空间的描述符，其中描述符代表了特征图中所有通道的感受野，其中，F
sq1
(U)表示对特征图U在通道的维度上进行全局平均池化操作，则有：
[0025][0026]式中，Z
ij
表示特征图U位置(i,j)处的像素点的描述符，H
×
W表示每个通道特征图的大小，Z
ijk
(i,j)表示特征图U中第k通道的特征图u
k
在位置(i,j)处的像素点的像素值；
[0027]得到所有输出特征图的描述符后，进行一个卷积操作来去冗余和捕获像素空间中的权重值，最后通过加入非线性结构来使得网络的表达能力更强，从而获得空间注意力谱，如下式所示：
[0028]S＝F
eq1
(Z,W)＝δ(f(Z,W))
[0029]上述公式描述的过程是卷积层过程，式中，S表示空间注意力谱，Z表示输入的特征图，W表示神经网络训练中的参数，F
eq1
(.)表示对特征图Z在上进行卷积的操作，f(.)表示神经网络的拟合函数，δ(.)表示Sigmoid激活函数。
[0030]优选地，步骤S200中，在对模型进行训练时，对基于样本数据库中的样本数据的声震信号特征进行基于对抗生成方法的数据增强，包括以下内容：
[0031]基于图像条件生成对抗网络，从源域获取数据并学习获取任何数据项将其生成为其他类内数据项；通过在不同的源域中训练一种条件生成对抗网络来学习更大的不变空间模型，然后应用于感兴趣的低数据域，即目标域。
[0032]优选地，步骤S200中，在对基于混合注意力机制的VggNet16网络进行训练时，使用迁移学习方法，在ImageNet数据集上预训练模型的权重上进行微调，使得基于混合注意力机制的VggNet16网络拥有更快的收敛速度。
[0033]通过上述技术方案，本专利技术具有以下效果：
[0034]本专利技术结构设计合理，利用样本数据库进行监督式学习，将待检测目标的声震信号送入计算系统，最终计算出目标的真实型号，协助部队进一步了解敌军走向和战场态势感知，能够实现将识别系统部署在嵌入式开发板中，极大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的近地面目标声震信号分类识别系统，其特征在于，包括声震传感器阵列、样本数据库、特征提取模块、特征增强模块、声震信号识别模块、结果输出模块以及模型压缩和移植模块，其中：声震传感器阵列：用于对待识别目标使用声震信号传感器阵列获取得到声震信号数据，将该声震信号数据进一步定义为原始数据；样本数据库：用于对原始数据进行简单预处理后得到样本数据，并将样本数据存储在样本数据库中；特征提取模块：用于提取原始数据的声震信号特征；特征增强模块：在对由特征提取模块以及声震信号识别模块组成的模型进行训练时，对样本数据库中的声震信号特征进行数据增强；声震信号识别模块：用于将声震信号特征进行卷积操作和注意力编解码变换后计算得到中待识别目标的信息；结果输出模块：用于对声震信号识别模块获得的待识别目标的信息进行结果输出；模型压缩和移植模块：将由特征提取模块以及声震信号识别模块组成的模型部署至嵌入式设备上，实现模型压缩和移植。2.如权利要求1所述的一种基于深度学习的近地面目标声震信号分类识别系统，其特征在于，所述声震传感器阵列通过MEMS声传感器阵列和MEMS震动传感器获取声震信号数据。3.如权利要求1所述的一种基于深度学习的近地面目标声震信号分类识别系统，其特征在于，所述结果输出模块连接有显示屏，用于实现待识别目标的信息的屏幕显示。4.基于权利要求1至3中任意一项近地面目标声震信号分类识别系统实现的基于深度学习的近地面目标声震信号分类识别方法，其特征在于，包括以下步骤：S100、通过声震传感器阵列获取声震信号数据，将声震信号数据定义为原始数据；原始数据经过预处理之后送至已训练后的所述模型进行待识别目标的信息获取，在对所述模型进行训练时，原始数据经过预处理之后被传输至样本数据库；S200、利用模型对经过预处理后的原始数据进行进行识别，包括以下步骤：S201、提取原始数据的MFCC特征以及深度学习特征，进一步包括以下内容：模型提取样本数据的梅尔频率倒谱系数特征，即MFCC特征。模型使用预训练的基于混合注意力机制的VggNet16网络提取原始数据的深度学习特征，其中，在VggNet16网络最后一个卷积块后引入混合注意力网络构成基于混合注意力机制的VggNet16网络；在基于混合注意力机制的VggNet16网络中，将VggNet16网络输出的特征图输入混合注意力网络后得到空间注意力谱，再将空间注意力谱与VggNet16网络输出的对应的特征图进行逐元素相乘操作，得到带有空间注意力的特征图特征图输入到通道注意力网络中，最后得到了带有混合注意力谱的特征图，作为深度学习特征；步骤202、模型将深度学习特征与MFCC特征结合后获得声震信号特征，利用集成学习方法对声震信号特征进行分类，获得分...

【专利技术属性】
技术研发人员：武星，李瑞轩，
申请(专利权)人：上海大学，
类型：发明
国别省市：