一种基于多特征融合的被动声纳智能探测方法技术

本发明专利技术公开了一种基于多特征融合的被动声纳智能探测方法，涉及水声探测领域，包括：首先基于ASEMD分解算法，对目标辐射噪声信号进行DEMON谱特征提取和对目标辐射噪声信号进行基于人耳听觉特性的MFCC特征提取；然后再基于多特征协同融合网络，将DEMON谱特征和MFCC特征进行融合；最后将融合后的特征送入Ret残差检测网络，进行目标检测；本发明专利技术，解决传统DEMON谱检测带通滤波器参数难以确定，且不能随着输入信号的改变而自适应变化的难题；同时实现对多维特征的协同学习和特征融合，突破依靠单一特征检测的局限性，提高水下目标被动检测性能，以及在复杂海洋噪声背景下的泛化性和鲁棒性。鲁棒性。鲁棒性。

【技术实现步骤摘要】
一种基于多特征融合的被动声纳智能探测方法


[0001]本专利技术涉及水声探测领域，具体涉及一种基于多特征融合的被动声纳智能探测方法。

技术介绍

[0002]本节中的陈述仅提供与本公开相关的背景信息，并且可能不构成现有技术。
[0003]在未来海战中，水声对抗占据重要地位，而目标探测是水声对抗的基础，只有准确检测出敌方目标，才能完成诸多后续任务；水下目标探测主要通过声学的手段，可分为主、被动两种工作方式，分别针对目标反射回波或者目标辐射噪声，通过换能器基阵实现声电转换，通常采用阵列和时间相关运算来获得空间和时间的增益，达到提高水下目标探测作用距离的目的；其中，被动工作方式具有探测距离远、隐蔽性好、不易遭受敌方攻击等优点，是对各类水下目标进行水声探测的重要手段；但由于目标噪声作为信号，经远距传播后变得十分微弱，因此被动声纳往往工作在低信噪比情况，因此如何采取更多的信号处理措施实现弱目标的检测是被动探测的关键问题。
[0004]由于线谱具有相对平稳的能量，传统被动探测主要针对目标的线谱成分进行检测，其中噪声包络调制谱(DEMON)检测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多特征融合的被动声纳智能探测方法，其特征在于，包括：步骤S1：基于ASEMD分解算法，对目标辐射噪声信号进行DEMON谱特征提取；步骤S2：对目标辐射噪声信号进行基于人耳听觉特性的MFCC特征提取；步骤S3：基于多特征协同融合网络，将DEMON谱特征和MFCC特征进行融合；步骤S4：将融合后的特征送入Ret残差检测网络，进行目标检测。2.根据权利要求1所述的一种基于多特征融合的被动声纳智能探测方法，其特征在于，所述步骤S1，包括：步骤S11：通过ASEMD分解算法，将目标辐射噪声信号分解为n个模态分量；步骤S12：将n个模态分量分别进行解调，获得各个模态分量对应的DEMON谱；步骤S13：计算各个DEMON谱对应的加权系数；步骤S14：将各个DEMON谱与其对应的加权系数进行融合，得到融合后的DEMON谱。3.根据权利要求2所述的一种基于多特征融合的被动声纳智能探测方法，其特征在于，所述ASEMD分解算法，包括：步骤A：对输入的目标辐射噪声信号做EMD模态分解；步骤B：从分解结果中提取模态分量；步骤C：判定模态分量是否为一阶模态分量IMF1；若是，跳转至步骤D；若不是，跳转至步骤E；步骤D：判定模态分量中是否含有高频间隙分量；若不含有，跳转至步骤E；若含有，则进行CEEMD算法；步骤E：计算剩余分量；当剩余分量满足截止条件时，算法结束；当剩余分量不满足截止条件时，重复步骤A和步骤B，直至剩余分量满足截止条件。4.根据权利要求3所述的一种基于多特征融合的被动声纳智能探测方法，其特征在于，所述CEEMD算法，包括：步骤D1：在目标辐射噪声信号中加入I组极性相反的成对噪声分量，形成2I组加噪信号；步骤D2：对加噪信号分别做EMD分解，得到2I组模态分量；步骤D3：将对应的2I组模态分量相加后集总平均，得到第n阶模态分量；步骤D4：计算剩余分量，当剩余分量满足截止条件时，算法结束；当剩余分量不满足截止条件时，重复步骤D2和步骤D3，直至剩余分量满足截止条件。5.根据权利要求4所述的一种基于多特征融合的被动声纳智能探测方法，其特征在于，所述截止条件，包括：剩余分量为一个常量或一个单调函数。6.根据权利要求2所述的一种基于多特征融合的被...

【专利技术属性】
技术研发人员：梁琴，陈洲，王正伟，李捷，王沫然，王婷婷，何桂萍，
申请(专利权)人：四川九洲电器集团有限责任公司，
类型：发明
国别省市：