一种水声信号深度学习方法、系统、装置，及存储介质制造方法及图纸

本发明专利技术实施例公开了一种水声信号深度学习方法、系统、装置，及存储介质，该方法包括接收水声原始底层信号；根据所述水声原始底层信号通过深度卷积神经网络运算得到三维特征向量；根据所述三维特征向量转化为具有第一方向和第二方向加权的一维特征向量。本发明专利技术实施例提供了一种水声信号深度学习方法，将最终的所述三维特征通过转化为具有第一方向和第二方向加权的一维特征向量，以减少丢失的特征信息的技术问题。的技术问题。的技术问题。

【技术实现步骤摘要】
一种水声信号深度学习方法、系统、装置，及存储介质


[0001]本专利技术涉及一种水声信号深度学习方法、系统、装置，及存储介质。

技术介绍

[0002]随着隐身技术的发展，目前典型水声目标(如潜艇、水面舰艇、UUV和鱼水雷等)的辐射噪声不断降低，而由自然条件产生的气象噪声、由人类活动产生的人为噪声和由海洋生物活动产生的生物噪声组成的海洋环境背景噪声却不断增加，导致在复杂海洋环境下，对水声目标进行分类识别的难度不断增大。上世纪90年代起，科研人员将信号分析理论和机器学习方法相结合，利用小波变换(Wavelet Transform,WT)、希尔伯特
‑
黄变换(Hilbert
‑
Huang Transform,HHT)、高阶谱估计、梅尔频率倒谱系数(MFCC)等方法进行特征提取，之后再利用贝叶斯分类、决策树(Decision Tree,DT)、支持向量机等机器学习分类器完成对目标信号的分类，在此基础上实现水声目标识别。
[0003]以深度卷积神经网络、递归神经网络等为代表的深度学习方法在语音识别、计算机视觉等方面的突出进展，为水声目标分类识别提供了新的思路。深度学习具有从大体量低价值数据中寻找模糊稀疏特征的天然优势，在处理非线性问题上显示出了巨大潜力。利用深度学习对水声目标数据进行分析处理，能够有效提高水声目标分类识别的能力，在业界已经成为共识。
[0004]目前研究的利用基于深度学习实现水声目标分类方法，首先各种声学处理方法进行去噪、谱变换，将声呐底层信号转化成各种特征图像，如采用水声底层信号转化成MFCC特征图、LPCC特征图、功率谱图、LOFAR谱图和DEMON谱图等，然后将这些图像作为深度学习算法的输入，进行学习训练生成水声目标分类模型。然而在将水声底层信号通过声学处理转化成特征图像的过程中，会丢失一些重要的底层信息，而这些信息对目标感知识别至关重要。例如对声呐底层信号转化成MFCC特征图时，会丢失部分信号中蕴含的目标低频特性；通过低通滤波得到DEMON谱，对目标的高频特性不敏感。目前在图像处理上表现最好的深度学习算法是深度卷积神经网络。典型的深度卷积神经网络由多层卷积层和池化层，以及全连接层等组成。
[0005]所以急需一种水声信号深度学习方法，有助于解决现有技术中最终会有部分特征信息丢失的具体技术问题。

技术实现思路

[0006]在一实施例中，有鉴于现有技术中存在的上述问题，本专利技术实施例提供了一种水声信号深度学习方法，将最终的所述三维特征通过转化为具有第一方向和第二方向加权的一维特征向量，以减少丢失的特征信息。
[0007]该方法包括：
[0008]接收水声原始底层信号；
[0009]根据所述水声原始底层信号通过深度卷积神经网络运算得到三维特征向量；
[0010]根据所述三维特征向量转化为具有第一方向和第二方向加权的一维特征向量。
[0011]在一实施例中，所述根据所述三维特征向量化为具有第一方向和第二方向加权的一维特征向量步骤后，该方法还包括：
[0012]利用Softmax分类器对不同类型的所述一维特征向量进行分类。
[0013]在一实施例中，所述根据所述三维特征向量转化为具有第一方向和第二方向加权的一维特征向量步骤后，该方法还包括：
[0014]对所述三维特征向量进行池化处理，在最后一层池化时转化为全连接层的具有第一方向和第二方向加权的一维特征向量。
[0015]在一实施例中，所述接收水声原始底层信号为接收水声初始底层信号数据进行拼接处理得到所述水声原始底层信号。
[0016]在一实施例中，所述三维特征向量表示为：
[0017]DLInputData:[SampSize,Height,Width]，SampSize表示数据样本数量，Height表示数据输入高度，Width表示数据输入宽度；水声底层信号数据记录格式是一个二维数组，表示为SonarData:[DataAcqCha,SampSeq]，DataAcqCha表示采集通道数，SampSeq表示采样序列。
[0018]在一实施例中，本专利技术还提供了一种水声信号深度学习系统，所述水声信号深度学习系统包括后台系统；
[0019]所述后台系统，用于接收水声原始底层信号；根据所述水声原始底层信号通过深度卷积神经网络运算得到三维特征向量；根据所述三维特征向量转化为具有第一方向和第二方向加权的一维特征向量。
[0020]在一实施例中，所述水声信号深度学习系统包括Softmax分类器；
[0021]所述Softmax分类器用于利用Softmax分类器对不同类型的所述一维特征向量进行分类。
[0022]在一实施例中，本专利技术还提供了一种水声信号深度学习装置，该装置包括：
[0023]接收模块101，用于接收水声原始底层信号；
[0024]运算模块102，用于根据所述水声原始底层信号通过深度卷积神经网络运算得到三维特征向量；
[0025]转化模块103，用于根据所述三维特征向量转化为具有第一方向和第二方向加权的一维特征向量。
[0026]在一实施例中，本专利技术还提供了一种水声信号深度学习装置，所述装置包括：处理器和存储器；
[0027]所述存储器中存储有可被所述处理器执行的应用程序，用于使得所述处理器执行如所述的水声信号深度学习方法的步骤。
[0028]在一实施例中，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的水声信号深度学习方法的步骤。
附图说明
[0029]图1为本专利技术一实施例中一种水声信号深度学习方法的流程示意图；
[0030]图2为本专利技术另一实施例中深度学习的流程架构示意图；
[0031]图3为本专利技术另一实施例中水声信号深度学习装置的架构示意图。
具体实施方式
[0032]为使本领域技术人员更好的理解本专利技术的技术方案，下面结合附图和具体实施方式对本专利技术作详细说明。
[0033]此处参考附图描述本申请的各种方案以及特征。
[0034]通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本申请的这些和其它特性将会变得显而易见。
[0035]还应当理解，尽管已经参照一些具体实例对本申请进行了描述，但本领域技术人员能够确定地实现本申请的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
[0036]当结合附图时，鉴于以下详细说明，本申请的上述和其它方面、特征和优势将变得更为显而易见。
[0037]此后参照附图描述本申请的具体实施例；然而，应当理解，所申请的实施例仅仅是本申请的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以根据用户的历史的操作，判明真实的意图，避免不必要或多余的细节使得本申请模糊不清。因此，本文所申请的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水声信号深度学习方法，其特征在于，该方法包括：接收水声原始底层信号；根据所述水声原始底层信号通过深度卷积神经网络运算得到三维特征向量；根据所述三维特征向量转化为具有第一方向和第二方向加权的一维特征向量。2.根据权利要求1所述的水声信号深度学习方法，其特征在于，所述根据所述三维特征向量化为具有第一方向和第二方向加权的一维特征向量步骤后，该方法还包括：利用Softmax分类器对不同类型的所述一维特征向量进行分类。3.根据权利要求2所述水声信号深度学习方法，其特征在于，所述根据所述三维特征向量转化为具有第一方向和第二方向加权的一维特征向量步骤后，该方法还包括：对所述三维特征向量进行池化处理，在最后一层池化时转化为全连接层的具有第一方向和第二方向加权的一维特征向量。4.根据权利要求3所述的水声信号深度学习方法，其特征在于，所述接收水声原始底层信号为接收水声初始底层信号数据进行拼接处理得到所述水声原始底层信号。5.根据权利要求4所述的水声信号深度学习方法，其特征在于，所述三维特征向量表示为：DLInputData:[SampSize,Height,Width]，SampSize表示数据样本数量，Height表示数据输入高度，Width表示数据输入宽度；水声底层信号数据记录格式是一个二维数组，表示为SonarData:[DataAcq...

【专利技术属性】
技术研发人员：韦正现，张朝金，吴浩晨，张立琛，李鋆，张驰，闫孝伟，何元安，
申请(专利权)人：中国船舶集团有限公司系统工程研究院，
类型：发明
国别省市：