一种基于多维结构化声特性表征的水声目标智能识别方法技术

本发明专利技术针对舰船、潜艇、鱼雷等水中目标的探测与自动识别需求，提出并设计了一种基于多维结构化声特性表征的水声目标智能识别方法，通过水声信号的时频域图形化特征表征和深度学习技术的结合，将水声目标识别转化为水声信号时频域结构化图像的识别问题，既可以避免人工设计复杂水声信号特征算法的困难，也可以通过机器学习自动建模的方式增强特征泛化性，从而改进了水声信号识别方法，提高了水声目标识别能力。本发明专利技术通过将没有明显特征的水声信号声原始数据表征为时频域图像，既可以增强待处理数据的结构性和抗干扰能力，也可以发挥卷积神经网络和深度学习的技术优势，而且可以降低技术开发难度，提升工程应用价值。提升工程应用价值。提升工程应用价值。

【技术实现步骤摘要】
一种基于多维结构化声特性表征的水声目标智能识别方法


[0001]本专利技术属于一种水声目标的自动智能识别技术，可以应用于水中目标的探测、识别和预警相关的海战、水中兵器试验及其他军民用
，具体为一种基于多维结构化声特性表征的水声目标智能识别方法。

技术介绍

[0002]声波是目前所知唯一能在水下远距离传播的信号。无论是舰船、潜艇等人造目标，还是鲸、海豚等海洋生物，都会在活动过程中不可避免地发出声音信号，有些声音信号经水体可以传播十几千米甚至更远的距离。这些声音信号的特征与发声体紧密相关，如舰艇、鱼雷等人造目标的航行噪声特性与航行器的动力类型、螺旋桨结构等固有特点有关，而不同种类海洋生物的叫声也具有明显的区别性。通过对产生于不同目标的水声信号进行差异性鉴别可以区分声源种类，这是水中目标识别的重要技术途径，可用于远距离发现、识别水中目标等方面。
[0003]信号识别首先要解决特征提取问题。水声信号识别领域传统的特征提取方法一般通过建立能反映水下声传播特性的物理模型来提取特征，采用时频域分析归纳信号的内在规律，挖掘波形周期、具有不变性的频谱成分等信息，从水声学物理模型出发提取这些可分性信息构成水声信号的特征向量，通过分类算法对特征向量进行分类以实现信号识别。
[0004]然而，自然水域环境极为复杂，受水声信道、背景噪声、多目标干扰等因素影响，水下目标声信号成分复杂，人工提取的特征受信号获取环境的综合影响较大，具有明显不变性和鉴别性的特征往往是多种原始特征按贡献程度和关联综合后的结果，信号特征的构造和提取需要非常强的专业知识和极高的技巧，更需要丰富经验的支撑。如果以这类人工特征为基础研究水声目标识别问题是有极高专业门槛和难度的，而且，即使经验丰富的专业人员也难以设计出强泛化性的水下目标声信号特征算法。长期以来，人工特征泛化性不足是限制水声信号识别技术性能的主要因素，在实际工程应用中往往面临着特征设计难度大、特征泛化能力不足、算法通用性差等问题。
[0005]总的来说，现阶段常用的水声信号识别方法技术门槛高、实现难度大、目标识别效果不理想，远不能满足实际应用需求。

技术实现思路

[0006]为解决上述现有技术存在的不足和缺陷，专利技术人经过研发设计，现提供了一种通过水中目标辐射噪声的多维图形化特征表征和数据构造，以深度学习图像识别方法为手段实现水声信号或目标的智能识别的方法，实现了水声目标识别技术的变革性提高，可以应用于水中目标探测、识别和预警相关的海战、水中兵器试验及其他军民用技术装备的研制和开发。
[0007]水声目标识别一般期望通过建立能反映水下声传播特性的物理模型来提取特征，采用时频域分析归纳信号的内在规律，挖掘波形周期、具有不变性的频谱成分等提取可分
性的目标信息构造特征向量，再通过分类器对特征向量分类以实现目标识别。
[0008]随着深度学习技术的兴起和发展，深度学习技术也被引入水声目标识别领域，但常用方法是把神经网络等作为人工构造特征的分类器。仅将深度学习模型用作特征分类器虽然也可以增加系统容错性，在一定程度上改善水声目标识别算法性能，但仍然难以克服仅依靠先验知识构造目标特征的泛化性局限，特别是在受环境及信号采集条件综合影响极大且复杂的水声目标识别领域尤显不足。深度学习技术的有效性在于可以通过数据驱动自动学习得到针对现实问题的有效表示，端到端的方法才是近年来学习算法推动人工智能突飞猛进的关键。因此，本专利技术的核心技术目标是以端到端的思路构建水声目标识别方法实现目标识别。
[0009]水下环境的特殊性和水下目标探测手段的局限直接决定了水声目标识别与图像识别等智能技术广泛应用领域的巨大差别，水声信号数据形式的结构性缺陷，以及缺乏大量、完备、有代表性水声目标数据支撑等客观因素决定了水声目标识别不能直接套用视觉等智能识别领域的通用方法。因此，为了实现基于深度学习的端到端水声目标识别，需要针对性地解决水声目标的声特性表征和结构化数据构造等问题。
[0010]传统水声目标识别特征构造主要采用时域波形特征构造、谱分析特征构造、时频分析特征构造、非线性特征构造、听觉特征构造等方法，常用手段是基于一定的知识模型处理原始水声数据后根据人工设计规则从中提取某种固定数据结构表示目标特征，由于这一过程对目标信息的丢弃非常严重，因此这类以先验知识为基础的水声目标识别方法对特征设计的要求非常高，常因为人工构建特征目标有效信息含量太少，导致严重的泛化性局限问题。而原始的水声目标数据不但结构性差，也包含了太多无效冗余信息，并不适合直接对其采用学习算法进行处理。
[0011]因此，专利技术人认为，构建既可以减小无效数据干扰又可以保留足够目标声特性的数据表示，实现数据压缩与目标信息保留之间的平衡，是破解水声目标自动识别难题的关键。
[0012]具体的，本专利技术是这样实现的：一种基于多维结构化声特性表征的水声目标智能识别方法，包括以下步骤：
[0013]步骤S1、采集水中目标的原始信号数据；
[0014]步骤S2、将采集到的一维的水声信号原始数据通过时频分析算法构造为二维结构化的时频谱图，时频分析算法构造时，不同谱图具有时域或频域上的对应关系或关联性；
[0015]步骤S3、采用一种或多种时频分析手段获得的谱图，组合构建形成水中目标噪声具有时频域对应关系的多维结构化特征图像组，包含多维图形化构造数据，以作为深度学习算法的直接处理数据；
[0016]步骤S4、搭建可接受多通道数据输入的卷积神经网络，用于完成对来源于不同类别水声目标噪声数据的多维图形化构造数据的自动分类识别；
[0017]步骤S5、基于步骤S3中所述的多维图形化构造数据和自动分类识别建立深度学习算法训练模型，实现自动分类识别水中目标的结构化谱图，实现水中目标的自动识别。
[0018]进一步的，步骤S3中所述的时频分析手段，包括目标水声信号的Lofar谱图、Demon谱图、功率谱图中的一种或多种结构化图形数据。
[0019]进一步的，步骤S4中，还包括：通过水声信号的多维、图形化构造数据为对象，以数
据驱动和机器学习的方式自动构建针对水声信号结构化图像的识别与分类算法，从而实现水声目标的自动分类识别，通过数据驱动和机器学习，神经网络可以根据差别，自动建立适用于该目标识别问题的特征提取和分类识别模型。
[0020]进一步的，所述多维特征图像组包括：时域波形信息、频域谱信息和时频联合信息。
[0021]基于以上分析，本专利技术设计的水声目标识别的基本技术途径是将一维离散型水声信号原始数据构造为二维图形化时频域谱图，再通过不同时频域谱图的组合构造形成目标声特性的多维结构化表征数据，然后以卷积神经网络算法直接对水声目标多维结构化表征数据进行学习建模，从而实现接近端到端的水声目标智能鉴别方法。
[0022]本专利技术的工作原理和有益效果：本专利技术设计了一种基于多维结构化声特性表征的水声目标智能识别技术，通过借助水声信号处理领域经典时频域变换算法提高噪声数据本身的结构性和特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多维结构化声特性表征的水声目标智能识别方法，其特征在于，包括以下步骤：步骤S1、采集水中目标的原始信号数据；步骤S2、将采集到的一维的水声信号原始数据通过时频分析算法构造为二维结构化的时频谱图，时频分析算法构造时，不同谱图具有时域或频域上的对应关系或关联性；步骤S3、采用一种或多种时频分析手段获得的谱图，组合构建形成水中目标噪声具有时频域对应关系的多维结构化特征图像组，包含多维图形化构造数据，以作为深度学习算法的直接处理数据；步骤S4、搭建可接受多通道数据输入的卷积神经网络，用于完成对来源于不同类别水声目标噪声数据的多维图形化构造数据的自动分类识别；步骤S5、基于步骤S3中所述的多维图形化构造数据和自动分类识别建立深度学习算法训练模型，实现自动分类识别水中...

【专利技术属性】
技术研发人员：尹毅，毛启明，江南，刘升艳，刘浩，
申请(专利权)人：中国船舶重工集团公司七五零试验场，
类型：发明
国别省市：