一种水声信号智能训练方法、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智能训练方法，该方法包括：根据水声信号历史数据获取底层水声信号，其中，所述底层水声信号为一维信号；根据所述底层水声信号创建具有三维矩阵的信号数据；根据所述信号数据进行深度学习得到水声信号感知模型。将进行训练的输入信号进行加工，使其建立起更加丰富的特征，避免以现有技术方式训练时丢失部分重要技术特征的技术问题。技术问题。技术问题。

【技术实现步骤摘要】
一种水声信号智能训练方法、系统、装置，及存储介质


[0001]本专利技术属于水声信号处理
，尤其涉及一种水声信号智能训练方法、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，对水声目标进行感知与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，实现水下目标的感知识别。但这类特征提取难以避免信息特征的丢失。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标感知识别提供了新的思路，其可以从原始信号中自动提取特征的特点也弥补了传统特征提取方法的缺陷。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。利用深度学习对原始声呐底层信号数据进行分析处理，能够有效提高水声目标感知识别的能力，在业界已经成为共识。
[0003]目前研究的利用基于深度学习实现水声目标感知识别方法，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，如采用声呐底层信号转化成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，进行学习训练生成目标感知识别模型。然而在将声呐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：卷积神经网络，在将多种不同类型的特征图同时作为输入数据时，所得的目标感知识别效果却差强人意，根本不具有可用性。
[0004]本专利技术所述的一种底层信号深度学习的水声目标感知系统，将历史声呐原始底层信号原始数据作为深度学习算法的输入，利用在图像处理上表现最好的深度学习算法——卷积神经网络，并对其实施改进，通过学习训练生成水声目标感知识别模型；这样，一方面，避免了对声呐信号进行声学处理转化成各种图像时部分重要特征丢失的现象；
[0005]所以急需一种水声信号智能训练方法，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
声信号智能训练方法，将进行训练的输入信号进行加工，使其建立起更加丰富的特征，避免以现有技术方式训练时丢失部分重要技术特征的技术问题。
[0007]该方法包括：
[0008]根据水声信号历史数据获取底层水声信号，其中，所述底层水声信号为一维信号；
[0009]根据所述底层水声信号创建具有三维矩阵的信号数据；
[0010]根据所述信号数据进行深度学习训练得到水声信号感知模型。
[0011]在一实施例中，所述根据所述底层水声信号创建具有三维矩阵的信号数据包括：
[0012]根据所述底层水声信号按照预定数据长度切分为数据段；
[0013]将所述数据段按照预定数据段为基准进行对齐得到多维底层水声信号；
[0014]对所述多维底层水声信号的数据进行拼接得到具有完整三维矩阵的信号数据。
[0015]在一实施例中，所述底层水声信号为通过多通道声呐采集的信号。
[0016]在一实施例中，所述预定数据段为距离声源目标最近的声呐采集信号数据。
[0017]在一实施例中，根据所述信号数据进行深度学习训练得到水声信号感知模型包括：
[0018]根据所述信号数据通过卷积层和池化下采样层深度学习训练得到水声信号感知模型。
[0019]在一实施例中，本专利技术还提供了一种底层水声信号训练系统，所述底层水声信号深度学习系统包括后台系统；
[0020]所述后台系统，用于根据水声信号历史数据获取底层水声信号，其中，所述底层水声信号为一维信号；根据所述底层水声信号创建具有三维矩阵的信号数据；根据所述信号数据进行深度学习得到水声信号感知模型。
[0021]在一实施例中，所述底层水声信号深度学习系统还包括多通道声呐采集装置；
[0022]所述多通道声呐采集装置，用于采集所述底层水声信号。
[0023]在一实施例中，本专利技术还提供了一种底层水声信号训练装置，该装置包括：
[0024]接收模块，用于根据水声信号历史数据获取底层水声信号，其中，所述底层水声信号为一维信号；
[0025]运算模块，用于根据所述底层水声信号创建具有三维矩阵的信号数据；
[0026]转化模块，用于根据所述信号数据进行深度学习训练得到水声信号感知模型。
[0027]在一实施例中，本专利技术还提供了一种底层水声信号训练装置，所述装置包括：处理器和存储器；
[0028]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智能训练方法的步骤。
[0029]在一实施例中，本专利技术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智能训练方法的步骤。
附图说明
[0030]图1为本专利技术一实施例中一种水声信号智能训练方法的流程100示意图；
[0031]图2为本专利技术另一实施例中一种水声信号智能训练方法的流程200示意图；
[0032]图3为本专利技术另一实施例中一种水声信号智能训练方法的水声目标感知系统的工
作原理示意图；
[0033]图4为本专利技术另一实施例中对卷积神经网络的改进示意图；
[0034]图5为本专利技术另一实施例中一种数据选择预览页面示意图；
[0035]图6为本专利技术另一实施例中一种学习训练页面示意图；
[0036]图7为本专利技术另一实施例中一种目标感知识别页面示意图；
[0037]图8为本专利技术另一实施例中基于注意力聚焦的池化过程示意图；
[0038]图9为本专利技术另一实施例中网络参数更新方法的示意图；
[0039]图10为本专利技术另一实施例中一种底层水声信号训练装置示架构示意图。
具体实施方式
[0040]本专利技术的技术解决问题：克服现有技术的不足，提供一种底层信号深度学习的水声目标感知系统，以历史声呐原始底层信号数据而不是经过声学处理以后的图像作为的输入，充分利用底层信号蕴含的所有的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水声信号智能训练方法，其特征在于，该方法包括：根据水声信号历史数据获取底层水声信号，其中，所述底层水声信号为一维信号；根据所述底层水声信号创建具有三维矩阵的信号数据；根据所述信号数据进行深度学习训练得到水声信号感知模型。2.根据权利要求1所述的水声信号智能训练方法，其特征在于，所述根据所述底层水声信号创建具有三维矩阵的信号数据包括：根据所述底层水声信号按照预定数据长度切分为数据段；将所述数据段按照预定数据段为基准进行对齐得到多维底层水声信号；对所述多维底层水声信号的数据进行拼接得到具有完整三维矩阵的信号数据。3.根据权利要求2所述的水声信号智能训练方法，其特征在于，所述底层水声信号为通过多通道声呐采集的信号。4.根据权利要求3所述的水声信号智能训练方法，其特征在于，所述预定数据段为距离声源目标最近的声呐采集信号数据。5.根据权利要求4所述的水声信号智能训练方法，其特征在于，根据所述信号数据进行深度学习训练得到水声信号感知模型包括：根据所述信号数据通过卷积层和池化下采样层深度学习训练得到水声信号感知模型。6.一种底层水声信号训练系统，其特征在于，所述底层水声信号深度学习系...

【专利技术属性】
技术研发人员：韦正现，张立琛，李鋆，张驰，吴浩晨，张朝金，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：