一种基于波束域数据的水下目标航迹智能提取方法技术

本发明专利技术的目的在于提供一种基于波束域数据的水下目标航迹智能提取方法，包括以下步骤：(1)对波束域数据进行波束形成，绘制波束形成历程图；(2)提取感兴趣信号，并贴标签；(3)特征提取；(4)训练网络；(5)模型评估并筛选得到最优网络模型；(6)识别波束域数据。本申请基于机器学习，对包含一定量数据的训练集的模型训练，通过评估筛选出最优模型，可对波束域数据进行识别并分类成水面目标及水下目标，从而提取并保留水下目标。与目前其他分离水面目标的方法相比，准确率更高，适应性更强。适应性更强。适应性更强。

【技术实现步骤摘要】
一种基于波束域数据的水下目标航迹智能提取方法


[0001]本专利技术涉及的是一种水声阵列信号处理方法，具体地说是水面信号识别过滤方法。

技术介绍

[0002]由于海洋环境复杂多变，在接收信号时通常包括除目标信号之外的噪声、水面信号等等，对于采集到的大量信号，如何准确分离水面信号，只保留水下信号这一想法一直是水声阵列信号处理领域的一大难题。目前还没有针对这一问题的解决办法。而对于水下目标识别领域，目前的水下目标识技术大多基于专业声纳人员依据对信号的了解人工辨音，以及依据水下图像基于机器学习来进行目标识别。但人耳能听到的声音信号频率和幅度有限且影响较多，不能保证很高的准确率。而依据水下图像的处理也因为海洋环境复杂多变的情况，影响其判断能力。

技术实现思路

[0003]本专利技术的目的在于提供能解决过滤水面信号识别准确率低等问题的一种基于波束域数据的水下目标航迹智能提取方法。
[0004]本专利技术的目的是这样实现的：
[0005]本专利技术一种基于波束域数据的水下目标航迹智能提取方法，其特征是：
[0006](1)对波束域数据进行波束形成，绘制波束形成历程图；
[0007](2)提取感兴趣信号，并贴标签；
[0008](3)特征提取；
[0009](4)训练网络；
[0010](5)模型评估并筛选得到最优网络模型；
[0011](6)识别波束域数据。
[0012]本专利技术还可以包括：
[0013]1、步骤(1)波束形成的过程为：通过对空间不同来波方向的信号进行采样，根据信号环境的变化调整各阵元的加权因子，通过加权相加处理来实现空域滤波，即增强期望信号、抑制干扰信号及噪声，提高信噪比，根据时间累计绘制波束形成历程图。
[0014]2、步骤(2)具体过程为：根据波束形成图对感兴趣的信号进行跟踪提取并贴上标签，将信号转为音频文件，并对每种信号分别进行以Ts为一段的音频切割，得到Ts音频段样本集，对样本集进行随机分配，使其中一部分的样本作为训练集，剩余的样本作为测试集。
[0015]3、步骤(3)特征提取的过程为：对目前已知的13种语音信号特征对样本集数据进行特征提取，特征包括：过零率、色调质心、恒Q变换、色谱短时傅里叶变换、均方根能量、频谱平坦度、频谱对比度、调性网络、梅尔倒频谱系数、梅尔频谱、滚降频率点、谱宽带特征、谱质心特征，包括能将语音信号转换为计算机能够处理的语音特征向量。
[0016]4、训练网络的过程为：基于DenseNet169、ResNet50V2、MobileNet、
EfficientNetB6、VGG16、InceptionV3、Xception、InceptionResNetV2八种神经网络进行，将步骤(3)中提取好的训练集特征送入网络，进行网络模型训练，每5次迭代得到一个网络模型。
[0017]5、最优网络模型的获取过程为：将测试集特征送入步骤(4)中已经训练好的模型中进行识别验证，根据评估得到准确率、精确率、召回率和F1值四个参数，根据这4个参数对8种网络的训练模型进行筛选，得到最优网络模型。
[0018]6、识别波束域数据的过程为：对实际波束域数据进行目标识别，得到水面目标和水下目标，将其分类，筛选出希望得到的水下目标。
[0019]本专利技术的优势在于：利用机器学习，针对准确分离水面信号，只保留水下信号这一问题可有效解决。本专利技术的神经网络应用的训练样本是经过波束形成之后得到的，可以提高训练后网络模型的准确率。并且，本专利技术是基于机器学习，其需提取的特征均为现有已发掘的语音信号特征，其将语音信号转换为计算机能够处理的语音特征向量；符合或类似人耳的听觉感知特性；在一定程度上能够增强语音信号、抑制非语音信号等特点以及对环境具有良好的宽容性等等特点，可以更好地训练网络。此外，本专利技术是基于DenseNet169、ResNet50V2、MobileNet、EfficientNetB6、VGG16、InceptionV3、Xception、InceptionResNetV2八种神经网络进行，通过模型评估分配各训练得到的网络模型，在实际应用时，根据不同权重，八种网络联合判决，得到识别结果，可有效地提高其识别准确性。此专利技术拥有对大量且多种信号的处理能力，并且准确率更高，适应性更强。
附图说明
[0020]图1为波束形成示意图；
[0021]图2为卷积神经网络示意图；
[0022]图3为筛选最优网络模型示意图；
[0023]图4为水下目标智能探测识别系统示意图；
[0024]图5a为挑选最优模型的准确率、精确率、召回率、F1值结果图；图5b为随机单个样本数据识别结果图；图5c为随机某标签的数据文件夹识别结果图。
具体实施方式
[0025]下面结合附图举例对本专利技术做更详细地描述：
[0026]结合图1
‑
5c，本专利技术的步骤如下：
[0027](1)如图1所示，对波束域数据进行波束形成，通过对空间不同来波方向的信号进行采样，根据信号环境的变化调整各阵元的加权因子，通过加权相加处理来实现空域滤波，即增强期望信号、抑制干扰信号及噪声，提高信噪比，最后根据时间累计绘制波束形成历程图。
[0028]传统的深度神经网络方法依赖实数域的深度神经网络，需要将数据分为实部和虚部再输入到网络中去，增加了数据的复杂度。以波束域结果作为输入数据不需要再将声场的实部和虚部分开输入，可以降低输入数据的复杂度。
[0029](2)根据波束形成图对感兴趣的信号进行跟踪提取并贴上标签，将信号转为音频文件，并对每种信号分别进行以5s为一段的音频切割，得到5s音频段样本集。对样本集进行
随机分配，使其中的80％的样本作为训练集，剩余的样本作为测试集。
[0030](3)对目前已知的13种语音信号特征对样本集数据进行特征提取，特征包括：过零率、色调质心、恒Q变换、色谱短时傅里叶变换、均方根能量、频谱平坦度、频谱对比度、调性网络、梅尔倒频谱系数、梅尔频谱、滚降频率点、谱宽带特征、谱质心特征。其特征具备能将语音信号转换为计算机能够处理的语音特征向量；良好的类间可分性；良好的环境宽容性；符合或类似人耳的听觉感知特性；在一定程度上能够增强语音信号、抑制非语音信号等特点。最后得到训练集特征和测试集特征。
[0031](4)将上述已提取好的训练集特征送入网络，进行网络模型训练，涉及网络包括DenseNet169、ResNet50V2、MobileNet、EfficientNetB6、VGG16、InceptionV3、Xception、InceptionResNetV2八种神经网络。如图2为卷积神经网络的示意图。
[0032]并且在训练时，每5次迭代得到一个网络模型，最终每个网络都得到了迭代次数
[0033]5个网络模型。
[0034](5)将测试集特征送入到已经训练好的网络模型中进行识别验证，根据评估得到准确率、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于波束域数据的水下目标航迹智能提取方法，其特征是：(1)对波束域数据进行波束形成，绘制波束形成历程图；(2)提取感兴趣信号，并贴标签；(3)特征提取；(4)训练网络；(5)模型评估并筛选得到最优网络模型；(6)识别波束域数据。2.根据权利要求1所述的一种基于波束域数据的水下目标航迹智能提取方法，其特征是：步骤(1)波束形成的过程为：通过对空间不同来波方向的信号进行采样，根据信号环境的变化调整各阵元的加权因子，通过加权相加处理来实现空域滤波，即增强期望信号、抑制干扰信号及噪声，提高信噪比，根据时间累计绘制波束形成历程图。3.根据权利要求1所述的一种基于波束域数据的水下目标航迹智能提取方法，其特征是：步骤(2)具体过程为：根据波束形成图对感兴趣的信号进行跟踪提取并贴上标签，将信号转为音频文件，并对每种信号分别进行以Ts为一段的音频切割，得到Ts音频段样本集，对样本集进行随机分配，使其中一部分的样本作为训练集，剩余的样本作为测试集。4.根据权利要求1所述的一种基于波束域数据的水下目标航迹智能提取方法，其特征是：步骤(3)特征提取的过程为：对目前已知的13种语音信号特征对样本集数据进行特征提取，特征包括：过零率、色调质心、恒Q变换、色谱...

【专利技术属性】
技术研发人员：张亮，焉然，殷敬伟，王之龙，郭龙祥，曹然，李理，郭昆，戴泽华，申和平，冯权胜，孙春艳，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：