基于MOC模型的水声信号样本自动标注方法，具体涉及一种基于MOC模型的水下声音信号样本的自动标注方法，本发明专利技术为解决传统水声信号样本标注采用人工方法，不仅费时费力，经济效益低，还受专业性限制，标注准确性低的问题，它包括采集水声信号作为样本，利用声学模型计算所述水声信号样本的声学特征；建立MOC模型，MOC模型依次包括卷积层一、优选卷积残差层、卷积层二、注意力机制层、全连接层和分类层，将水声信号样本的声学特征输入MOC模型内进行训练，输出已标注的水声信号样本，直到loss收敛，得到训练好的MOC模型；将待标注的水声信号样本上述操作，得到已标注的水声信号样本。属于水下声音信号标注领域。水下声音信号标注领域。水下声音信号标注领域。
【技术实现步骤摘要】
基于MOC模型的水声信号样本自动标注方法
[0001]本专利技术涉及一种标注方法，具体涉及一种基于MOC模型的水下声音信号样本的自动标注方法，属于水下声音信号标注领域。
技术介绍
[0002]随着深度学习与强化学习的广泛应用，大家普遍接受将深度学习与强化学习应用于水声信号的模式识别任务中，那么此时就面临一个问题：如何处理水声信号样本的问题。由于水下声信号数据集非常少，并且数据集的数据量不够大以及数据集不够准确，所以这个问题严重影响着水声领域的发展。通过研究发现这个问题的主要根源是水下声信号标注的发展缓慢。传统的水声信号样本标注方法是使用人工进行标注，这种人工标注方法不仅费时费力，经济效益也不高，同时受标注人员专业性的限制，其标注的准确性往往也不能达到要求。
技术实现思路
[0003]本专利技术为了解决传统水声信号样本标注采用人工方法，不仅费时费力，经济效益低，还受专业性限制，标注准确性低的问题，进而提出了一种基于MOC模型的水声信号样本自动标注方法。
[0004]本专利技术采取的技术方案是：
[0005]它包括以下步骤：
[0006]S1、采集水声信号作为样本，利用声学模型计算所述水声信号样本的声学特征；
[0007]S2、建立MOC模型，MOC模型依次包括卷积层一、优选卷积残差层、卷积层二、注意力机制层、全连接层和分类层，将所述水声信号样本的声学特征输入MOC模型内进行训练，输出已标注的水声信号样本，直到loss收敛，得到训练好的MOC模型；
[0008]S3、将待标注的水声信号样本执行S1
‑
S2，得到已标注的水声信号样本。
[0009]优选的，所述S1中声学模型包括高斯混合模型、隐马尔可夫模型。
[0010]优选的，所述S2中建立MOC模型，MOC模型依次包括卷积层一、优选卷积残差层、卷积层二、注意力机制层、全连接层和分类层，将所述水声信号样本的声学特征输入MOC模型内进行训练，输出已标注的水声信号样本，直到loss收敛，得到训练好的MOC模型，具体过程为：
[0011]S21、将所述水声信号样本的声学特征输入MOC模型的卷积层一内，输出特征一；
[0012]S22、将S21输出的特征一输入优选卷积残差层内，输出特征二；
[0013]S23、将S22输出的特征二输入卷积层二内，输出特征三；
[0014]S24、将S23输出的特征三输入注意力机制层内，输出特征四；
[0015]S25、将S24输出的特征四输入全连接层内，输出特征五；
[0016]S26、将S25输出的特征五输入分类层内，输出已标注的水声信号样本。
[0017]优选的，所述S22中所述优选卷积残差层依次包括第一卷积层、残差层、第二卷积
层、注意力机制优选卷积层。
[0018]优选的，所述S22中将S21输出的特征一输入优选卷积残差层内，输出特征二，具体过程为：
[0019]S221、将S21输出的特征一输入第一卷积层内，输出特征β；
[0020]S222、将S221输出的特征β输入残差层内，输出特征γ；
[0021]S223、将S222输出的特征γ输入第二卷积层内，输出特征δ；
[0022]S224、将S223输出的特征δ输入注意力机制优选卷积层内，输出特征ξ；
[0023]S225、将S224输出的特征ξ与S21输出的特征一相乘，得到特征二。
[0024]优选的，所述S224中所述注意力机制优选卷积层依次包括全局平均池化层(GAP)、一维卷积层、优选卷积层一、优选卷积层二、优选卷积层三。
[0025]优选的，所述S224中将S223输出的特征δ输入注意力机制优选卷积层内，输出特征ξ，具体过程为：
[0026]S2241、将S223输出的特征δ输入全局平均池化层内，输出特征a；
[0027]S2242、将S2241输出的特征a输入一维卷积层内，输出特征b；
[0028]S2243、将S2242输出的特征b输入优选卷积层一内，输出特征c；
[0029]S2244、将S2243输出的特征c输入优选卷积层二内，输出特征d；
[0030]S2245、将S2243输出的特征c和S2244输出的特征d输入优选卷积层三内，输出特征e；
[0031]S2246、将S2243输出的特征c、S2244输出的特征d和S2245输出的特征e进行聚合，得到聚合的特征，利用Sigmoid对聚合的特征进行处理，输出特征f；
[0032]S2247、将S2246输出的特征f与S223输出的特征δ相加，得到特征ξ。
[0033]优选的，所述S2243中将S2242输出的特征b输入优选卷积层一内，输出特征c，具体过程为：
[0034]Ⅰ、在优选卷积层一内设置A个不同大小的卷积核，并根据S1中所述水声信号样本的声学特征的维度设置优选卷积层一中卷积核的最大尺寸：
[0035][0036]其中，C表示所述水声信号样本的声学特征的维度，所述声学特征为梅尔频谱；
[0037]K表示卷积核尺寸，k为奇数，且为整数；
[0038]Ⅱ、利用卷积核优选算法选择A个卷积核中最优的卷积核，具体过程为：
[0039]计算A个卷积核的输出，利用相似度算法得到相似度最高的两个卷积核，选取所述两个卷积核中尺寸大的卷积核作为优选卷积层一最优的卷积核，得到具有最优卷积核的优选卷积层一；
[0040]Ⅲ、将S2242输出的特征b输入具有最优卷积核的优选卷积层一内，得到特征c。
[0041]优选的，所述S2244中将S2243输出的特征c输入优选卷积层二内，输出特征d，具体过程为：
[0042]所述优选卷积层二的卷积核数量、卷积核最大尺寸、最优卷积核与所述优选卷积层一的卷积核数量、卷积核最大尺寸、最优卷积核相同，将Ⅲ中得到的特征c输入优选卷积层二内，输出特征d。
[0043]优选的，所述S2245中将S2243输出的特征c和S2244输出的特征d输入优选卷积层
三内，输出特征e，具体过程为：
[0044]所述优选卷积层三的卷积核数量、卷积核最大尺寸、最优卷积核与所述优选卷积层一的卷积核数量、卷积核最大尺寸、最优卷积核相同，将Ⅲ中得到的特征c和S2244输出的特征d输入优选卷积层三内，输出特征e。
[0045]有益效果：
[0046]本专利技术先利用现有的声学模型计算水声信号样本的声学特征，为下一步提取水下声音信号样本的特征嵌入做准备；再利用优选卷积、注意力机制和多层特征融合的方法建立MOC模型，MOC模型依次包括卷积层一、优选卷积残差层、卷积层二、注意力机制层、全连接层和分类层；所述优选卷积残差层依次包括第一卷积层、残差层、第二卷积层、注意力机制优选卷积层；所述注意力机制优选卷积层依次包括全局平均池化层(GAP)、一维卷积层、优选卷积层一、优选卷积层二、优选卷积层三。根据MOC模型提取所述本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于MOC模型的水声信号样本自动标注方法，其特征在于：它包括以下步骤：S1、采集水声信号作为样本，利用声学模型计算所述水声信号样本的声学特征；S2、建立MOC模型，MOC模型依次包括卷积层一、优选卷积残差层、卷积层二、注意力机制层、全连接层和分类层，将所述水声信号样本的声学特征输入MOC模型内进行训练，输出已标注的水声信号样本，直到loss收敛，得到训练好的MOC模型；S3、将待标注的水声信号样本执行S1
‑
S2，得到已标注的水声信号样本。2.根据权利要求1中所述的基于MOC模型的水声信号样本自动标注方法，其特征在于：所述S1中声学模型包括高斯混合模型、隐马尔可夫模型。3.根据权利要求2中所述的基于MOC模型的水声信号样本自动标注方法，其特征在于：所述S2中建立MOC模型，MOC模型依次包括卷积层一、优选卷积残差层、卷积层二、注意力机制层、全连接层和分类层，将所述水声信号样本的声学特征输入MOC模型内进行训练，输出已标注的水声信号样本，直到loss收敛，得到训练好的MOC模型，具体过程为：S21、将所述水声信号样本的声学特征输入MOC模型的卷积层一内，输出特征一；S22、将S21输出的特征一输入优选卷积残差层内，输出特征二；S23、将S22输出的特征二输入卷积层二内，输出特征三；S24、将S23输出的特征三输入注意力机制层内，输出特征四；S25、将S24输出的特征四输入全连接层内，输出特征五；S26、将S25输出的特征五输入分类层内，输出已标注的水声信号样本。4.根据权利要求3中所述的基于MOC模型的水声信号样本自动标注方法，其特征在于：所述S22中所述优选卷积残差层依次包括第一卷积层、残差层、第二卷积层、注意力机制优选卷积层。5.根据权利要求4中所述的基于MOC模型的水声信号样本自动标注方法，其特征在于：所述S22中将S21输出的特征一输入优选卷积残差层内，输出特征二，具体过程为：S221、将S21输出的特征一输入第一卷积层内，输出特征β；S222、将S221输出的特征β输入残差层内，输出特征γ；S223、将S222输出的特征γ输入第二卷积层内，输出特征δ；S224、将S223输出的特征δ输入注意力机制优选卷积层内，输出特征ξ；S225、将S224输出的特征ξ与S21输出的特征一相乘，得到特征二。6.根据权利要求5中所述的基于MOC模型的水声信号样本自动标注方法，其特征在于：所述S224中所述注意力机制优选卷积层依次包括全局平均池化层(GAP)、一维卷积层、优选卷积层一、优选卷积层二、优选卷积层三。7.根据权利要求6中所...
【专利技术属性】
技术研发人员：王红滨，张帅，张政超，何鸣，王勇，周连科，孙彧，王念滨，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：
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。