一种基于U-net网络的线谱干扰自动检测方法技术

本发明专利技术公开了一种基于U

【技术实现步骤摘要】
一种基于U
‑
net网络的线谱干扰自动检测方法


[0001]本专利技术属于声学设备目标检测
，具体涉及一种基于U
‑
net网络的线谱干扰自动检测方法。

技术介绍

[0002]水下平台搭载的多种声学设备及平台之间有可能产生相互干扰。声学发射装置的非线性和平台动力设备动力装置的周期运动辐射出的周期信号，成为声学设备探测目标时的强线谱干扰，严重影响的声学设备的目标检测性能。而且线谱频率随发射装置辐射信号和平台工况而具有时变性，无法通过简单的线谱剔除实现干扰的消除。因此时变线谱信号的自动检测成为实现声学设备声兼容性的必要前提。
[0003]动态规划进行单频线跟踪把数据当作一段含有噪声的时间信号序列，此时可以通过维特比算法估计频率线位置。基于马尔科夫模型(Hidden Markov Models，HMM)的频线跟踪方法以位置和速度二维状态向量构建滤波器，并在马尔科夫模型中引入谱功率概率积分，提高了线谱提取质量。这两种基于先验模型的方法在数据与模型失配时效果不佳。主动轮廓能量最小化(contour energy minimisation，CEM)谱图轨迹检测算法定义能量最小化过程，此过程受到内部能量的约束，内部能量根据曲率和连通性等条件约束线谱形状，使得线谱形状和其局部能量梯度变化一致。该方法对于不规则波动线谱检测准确率依然较低。
[0004]随着深度卷积神经网络在图像分割方面取得了一系列突破。深度卷积神经网络把输入转换为抽象的高级特征，从而放大重要方面，同时抑制无关的变化。2015年，由He等提出残差结构，残差结构在一定程度上解决了这种退化现象。基于编码器和解码器结构的卷积网络在图像像素预测上有着更好的效果，Long等提出了全卷积神经网络(Full Connected Network，FCN)用于图像的分割。该方法在采样过程中会损失部分信息，从而得到更为重要的特征，然后通过上采样操作可以得到更精确的分割边界。但此过程是不可逆转的，有时甚至会导致图像分辨率低以及细节丢失。FCN方法是一种反卷积采样结构，其核心思想是经过采样扩大像素，再进行卷积并通过学习获得权值。其优点是可以接受任意大小的输入图像，并保留其空间信息，解决了图像语义级分割问题。但由于每个像素的上采样都是单独分开执行的，因此没有考虑像素之间的关系和缺乏空间一致性，从而导致部分结果模糊以及对图像细节处理不敏感。Ronneberger等提出U型网络(U
‑
net)，它主要由收缩路径(特征提取)和扩展路径(上采样)两部分组成。收缩路径部分用于捕获图像中的上下文信息，而上采样部分则用于恢复图像位置信息。但是，该上采样方法不考虑每个像素预测之间的相关性，导致它在精确恢复像素预测方面的能力有限。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种基于U
‑
net网络的线谱干扰自动检测方法。
[0006]为达到上述目的，本专利技术提供如下技术方案：
[0007]一种基于U
‑
net网络的线谱干扰自动检测方法，包括以下步骤：
[0008]S1：获取实验数据的LOFAR谱图作为模型输入；
[0009]S2：建立检测模型，以U
‑
net作为网络主体框架；
[0010]S3：引入残差结构，在编码器部分加入残差单元；
[0011]S4：在残差单元后引入特征通道注意力机制；
[0012]S5：在解码器部分采用DUpsampling上采样方法；
[0013]S6：使用训练数据训练模型，应用到测试数据集。
[0014]进一步，所述U
‑
net网络结构包括编码器和解码器，所述编码器向下采样输入以提取特征，解码器向上采样输入以恢复分辨率；编码器以残差单元(Residual unit)作为主体提取特征，并加入特征通道注意力模块；特征通道注意力模块对提取的特征在通道维度上进行重新标定；然后Max pool下采样，采样之后的输出通道数为原来通道数的2倍；在解码器部分用DUpsampling上采样代替传统的双线性插值上采样，上采样后输出的通道数为输入通道数的一半；再经过一个2个3
×
3卷积层作用，每个卷积层之后每个都有规范化处理(Batch Normalization，BN)和ReLU激活函数；每层之间都有一个跳跃连接，用于在解码时结合相应的编码特征。
[0015]进一步，步骤S3中所述在编码器部分加入残差单元，具体包括：
[0016]输入x，输出H(x)＝F(x)+x，通过“捷径连接”，把输入x作为结果的一部分输出，学习的目标为F(x)＝H(x)
‑
x，训练的目标是使残差趋向于0；U
‑
net网络中每个3
×
3卷积层之后都有规范化操作和ReLU激活函数。
[0017]进一步，步骤S4所述在残差单元后引入特征通道注意力机制，具体为在编码器3
×
3卷积之后增加压缩激励(Sequeeze and Excitation，SE)模块，所述SE模块在训练过程中学习到卷积层提取到的不同特征对于线谱提取的重要性，再通过对每个特征通道特征重标定；
[0018]卷积层计算得出特征U＝[u1，u2...，u
c
]，u
c
表示任意一个特征通道的特征图，采用全局平均池化将每个通道上的特征图压缩为一个有全局感受野的实数，压缩后的特征z∈R
C
，R
c
表示所有通道特征，z＝[z1，z2...，z
C
]，z
C
表示任意一个通道上的全局特征，计算公式如下：
[0019][0020]其中，F
sq
(u
e
)表示，H表示特征图高，W表示特征图宽，i表示从1取到H的数值，j表示从1取到W的数值，u
c
(i，j)表示任意一个特征通道的特征图；
[0021]经过压缩之后的特征图通过2个全连接层FC，ReLU激活函数，最后通过Sigmoid激活函数得到归一化特征权重s，计算公式如下：
[0022]s＝F(s，W)＝σ(g(z，w))＝σ(W2δ(W1z))
ꢀꢀꢀꢀ
(2)
[0023]其中σ表示Sigmoid激活函数，δ表示ReLU激活函数，g(z，w)表示平均池化函数，r为超参数，最后，对卷积层输出特征U进行权值重标定；把各个通道的权重s与特征U做权重相乘，如下计算：
[0024][0025]输出特征表示任意一个通道输出特征图；
[0026]对于各个通道输出特征，权重s的值可以调节通道之间的相关性；在网络训练过程中，对于与线谱提取的有用特征，通过SE模块加大对应特征通道的权重值，以增强相应特征响应，同时，对于无用和干扰特征，减小对应特征通道的权重值，抑制相应特征。
[0027]进一步，步骤S5所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于U
‑
net网络的线谱干扰自动检测方法，其特征在于：包括以下步骤：S1：获取实验数据的LOFAR谱图作为模型输入；S2：建立检测模型，以U
‑
net作为网络主体框架；S3：引入残差结构，在编码器部分加入残差单元；S4：在残差单元后引入特征通道注意力机制；S5：在解码器部分采用DUpsampling上采样方法；S6：使用训练数据训练模型，应用到测试数据集。2.根据权利要求1所述的基于U
‑
net网络的线谱干扰自动检测方法，其特征在于：所述U
‑
net网络结构包括编码器和解码器，所述编码器向下采样输入以提取特征，解码器向上采样输入以恢复分辨率；编码器以残差单元作为主体提取特征，并加入特征通道注意力模块；特征通道注意力模块对提取的特征在通道维度上进行重新标定；然后Max pool下采样，采样之后的输出通道数为原来通道数的2倍；在解码器部分用DUpsampling上采样代替传统的双线性插值上采样，上采样后输出的通道数为输入通道数的一半；再经过一个2个3
×
3卷积层作用，每个卷积层之后每个都有规范化处理BN和ReLU激活函数；每层之间都有一个跳跃连接，用于在解码时结合相应的编码特征。3.根据权利要求1所述的基于U
‑
net网络的线谱干扰自动检测方法，其特征在于：步骤S3中所述在编码器部分加入残差单元，具体包括：输入x，输出H(x)＝F(x)+x，通过“捷径连接”，把输入x作为结果的一部分输出，学习的目标为F(x)＝H(x)
‑
x，训练的目标是使残差趋向于0；U
‑
net网络中每个3
×
3卷积层之后都有规范化操作和ReLU激活函数。4.根据权利要求1所述的基于U
‑
net网络的线谱干扰自动检测方法，其特征在于：步骤S4所述在残差单元后引入特征通道注意力机制，具体为在编码器3
×
3卷积之后增加压缩激励SE模块，所述SE模块在训练过程中学习到卷积层提取到的不同特征对于线谱提取的重要性，再通过对每个特征通道特征重标定；卷积层计算得出特征U＝[u1，u2...，u
c
]，u
c
表示任意一个特征通道的特征图，采用全局平均池化将每个通道上的...

【专利技术属性】
技术研发人员：周伟，秦瀚钦，苏帅，邹欢，樊琼，
申请(专利权)人：中国舰船研究设计中心，
类型：发明
国别省市：