本申请提供一种MEMS水声换能器基阵，所述MEMS水声换能器基阵包括以阵列形式排布的MEMS水声换能器；所述MEMS水声换能器包括信号发生器、功率放大器、水声换能器以及信号接收器；所述信号发生器用于产生电信号；所述功率放大器用于将电信号功率放大；所述水声换能器用于将放大后的电信号转换成原始声压数据，并将原始声压数据发射至待测区域；信号接收器用于接收原始声压数据击中目标物体产生的回波信号，得到回波声压数据。本申请还提供一种水下蛙人目标探测方法，通过MEMS水声换能器基阵实现。实现。实现。
【技术实现步骤摘要】
MEMS水声换能器基阵及水下蛙人目标探测方法
[0001]本申请涉及水下目标探测识别
，尤其涉及一种MEMS水声换能器基阵及水下蛙人目标探测方法。
技术介绍
[0002]随着“非对称作战”模式的应用，水下蛙人因体积小、噪声强度低而逐步受到重视，因此，硬件和软件算法两方面需要同时满足对识别水下蛙人等小型目标的探测和识别。由于电磁波信号在水下传播效果很差，目前水声探测是监测和发现水下蛙人的唯一可靠手段，通常采用声呐作为水下探测的核心设备。传统声呐设备有被动式声呐和主动式声呐两类：被动式水声监测的虽然能耗低、隐蔽性强、鲁棒性高，但是其依赖于目标物体自身发出的声波进行目标识别，对于蛙人这种自身噪声强度低的小目标，被动式声呐的检测和识别效果很不理想；受限于水下蛙人常秘密潜入的环境常常是码头、港口、舰船及海上平台等复杂环境的水域，主动式声呐工作时最佳中心频率、探测距离、探测角度和覆盖范围会受到水下复杂声学环境限制，同时，由于蛙人体积小，仅使用单个主动声呐设备时，蛙人的回声信号与背景噪声信号混杂在一起，很难被识别出来。软件算法方面，目前有匹配滤波器、线谱增强器或者在其基础上的改进方法，用来处理海洋声呐数据信号，但是这些算法在处理蛙人这种体积小的目标时，很容易受到背景噪声的影响，如果强行提高分辨精度，会造成虚警率的升高。
技术实现思路
[0003]有鉴于此，本专利技术将MEMS水声换能器与神经网络结合起来，建立一种可广泛应用于复杂水下场景的MEMS水声换能器基阵及水下蛙人目标探测方法，来实现对水下蛙人目标的精准探测和识别。
[0004]第一方面，本专利技术提供了一种MEMS水声换能器基阵，所述MEMS水声换能器基阵包括以阵列形式排布的MEMS水声换能器；
[0005]所述MEMS水声换能器包括信号发生器、功率放大器、水声换能器以及信号接收器；
[0006]所述信号发生器用于产生电信号；所述功率放大器用于将电信号功率放大；所述水声换能器用于将放大后的电信号转换成原始声压数据，并将原始声压数据发射至待测区域；信号接收器用于接收原始声压数据击中目标物体产生的回波信号，得到回波声压数据。
[0007]在本专利技术所述的MEMS水声换能器基阵中，
[0008]每个所述MEMS水声换能器基阵包括m行，每行有n个MEMS水声换能器，所述MEMS水声换能器以阵列形式排布，并设置相邻两行MEMS水声换能器之间间距，以及每一行相邻两个MEMS水声换能器之间间距。
[0009]第二方面，本专利技术还提供一种水下蛙人目标探测方法，通过上述任一项所述的MEMS水声换能器基阵实现，所述水下蛙人目标探测方法包括如下步骤：
[0010]S11、获取MEMS水声换能器基阵采集的原始回波声压数据；
[0011]S12、对所述原始回波声压数据进行处理得到第一处理数据；
[0012]S13、将第一处理数据放入预先训练的深度学习网络模型中识别，通过蛙人目标的气泡群、气瓶和蛙人身体的三种判别特征数据对第一处理数据进行识别，根据识别结果对水下蛙人目标进行探测识别。
[0013]在本专利技术所述的水下蛙人目标探测方法中，
[0014]所述步骤S12包括：
[0015]对原始回波声压数据进行模数转换处理得到离散的数字信号；
[0016]对所述离散的数字信号进行排序，并将排完序的数字信号用小波变换算法处理得到第一处理数据。
[0017]在本专利技术所述的水下蛙人目标探测方法中，
[0018]所述步骤S13包括：
[0019]S131、将第一处理数据放入预先训练的深度学习网络模型中，所述深度学习网络模型包括主干网络和头部网络；所述头部网络为三个分别用于识别蛙人目标的气泡群、气瓶、蛙人身体的三种判别特征；
[0020]S132、所述主干网络提取初步输入深度学习网络模型中第一处理数据的特征，并将提取的特征数据分别输入所述头部网络中；
[0021]S133、通过所述头部网络对蛙人目标的气泡群、气瓶、蛙人身体的三种判别特征数据进行识别；
[0022]S134、对识别结果进行判断，如果蛙人目标的气泡群、气瓶、蛙人身体的三种判别特征判断目标全判定为真，则识别对象为目标蛙人。
[0023]在本专利技术所述的水下蛙人目标探测方法中，
[0024]所述步骤S13中预先训练的深度学习网络模型通过如下方式进行构建：
[0025]构建主干网络以及头部网络；所述主干网络包含卷积层、池化层，卷积层、池化层一共有s层，p个卷积层和q个池化层交替出现，卷积层的卷积核大小为k
×
k，池化层采用最大池化层的形式；
[0026]所述头部网络为全连接层，先将主干网络提取的特征数据转换成一维的数列，随后将一维数列放入全连接层进行目标识别。
[0027]在本专利技术所述的水下蛙人目标探测方法中，
[0028]所述深度学习网络模型中主干网络通过如下方式进行迭代学习：
[0029]S41、生成一个卷积神经网络主干网络，其中主干网络的输入层，隐藏层、输出层，以及每层使用的激活函数均与卷积神经网络主干模型一致；
[0030]S42、将主干网络作为对抗神经网络的生成网络，再构建一个判别网络，组合起来作为一个域对抗神经网络；
[0031]S43、将生成网络和判别网络分别以判别网络准确率和1与判别网络准确率的差为损失函数进行迭代学习；
[0032]S44、迭代学习到预设次数后，返回主干网络及参数。
[0033]在本专利技术所述的水下蛙人目标探测方法中，
[0034]对所述步骤S13中对深度学习网络模型进行训练包括如下步骤：
[0035]S51、生成训练样本集；
[0036]S52、对训练样本集中数据预处理；
[0037]S53、利用预处理的数据，基于对抗神经网络和迁移学习网络模型对主干网络进行训练；
[0038]S54、对头部网络进行训练，输出深度学习网络模型。
[0039]在本专利技术所述的水下蛙人目标探测方法中，
[0040]所述步骤S53包括：
[0041]S531、通过特征提取网络提取数据特征，并根据数据来源给数据特征添加域标签；
[0042]S532、判断是否达到最大迭代次数，是则跳转到步骤S54，否则跳转到步骤S533；
[0043]S533、通过域对抗神经网络判别数据的域标签并计算判断误差损失；
[0044]S534、根据误差损失反向传播调整特征提取网络及域对抗网络参数，并跳转到步骤S531。
[0045]在本专利技术所述的水下蛙人目标探测方法中，
[0046]所述步骤S54包括：
[0047]S541、根据误差损失调整头部网络参数；
[0048]S542、将提取特征的训练数据样本输入到头部网络中训练；
[0049]S543、判断是否达到最大迭代次数，如是则跳转到步骤S544，否则跳转到步骤S541；<本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种MEMS水声换能器基阵，其特征在于，所述MEMS水声换能器基阵包括以阵列形式排布的MEMS水声换能器；所述MEMS水声换能器包括信号发生器、功率放大器、水声换能器以及信号接收器；所述信号发生器用于产生电信号；所述功率放大器用于将电信号功率放大；所述水声换能器用于将放大后的电信号转换成原始声压数据，并将原始声压数据发射至待测区域；信号接收器用于接收原始声压数据击中目标物体产生的回波信号，得到回波声压数据。2.如权利要求1所述的MEMS水声换能器基阵，其特征在于，每个所述MEMS水声换能器基阵包括m行，每行有n个MEMS水声换能器，所述MEMS水声换能器以阵列形式排布，并设置相邻两行MEMS水声换能器之间间距，以及每一行相邻两个MEMS水声换能器之间间距。3.一种水下蛙人目标探测方法，通过如权利要求1或2所述的MEMS水声换能器基阵实现，其特征在于，所述水下蛙人目标探测方法包括如下步骤：S11、获取MEMS水声换能器基阵采集的原始回波声压数据；S12、对所述原始回波声压数据进行处理得到第一处理数据；S13、将第一处理数据放入预先训练的深度学习网络模型中识别，通过蛙人目标的气泡群、气瓶和蛙人身体的三种判别特征数据对第一处理数据进行识别，根据识别结果对水下蛙人目标进行探测识别。4.如权利要求3所述的水下蛙人目标探测方法，其特征在于，所述步骤S12包括：对原始回波声压数据进行模数转换处理得到离散的数字信号；对所述离散的数字信号进行排序，并将排完序的数字信号用小波变换算法处理得到第一处理数据。5.如权利要求4所述的水下蛙人目标探测方法，其特征在于，所述步骤S13包括：S131、将第一处理数据放入预先训练的深度学习网络模型中，所述深度学习网络模型包括主干网络和头部网络；所述头部网络为三个分别用于识别蛙人目标的气泡群、气瓶、蛙人身体的三种判别特征；S132、所述主干网络提取初步输入深度学习网络模型中第一处理数据的特征，并将提取的特征数据分别输入所述头部网络中；S133、通过所述头部网络对蛙人目标的气泡群、气瓶、蛙人身体的三种判别特征数据进行识别；S134、对识别结果进行判断，如果蛙人目标的气泡群、气瓶、蛙人身体的三种判别特征判断目标全判定为真，则识别对象为目标蛙人。6.如权利要求...
【专利技术属性】
技术研发人员：王献忠，詹必鑫，姜权洲，董帅，
申请(专利权)人：武汉理工大学，
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。