一种基于多任务学习的水下航行器自噪声特征提取、识别与分离的方法技术

本发明专利技术涉及一种基于多任务学习的水下航行器自噪声特征提取、识别与分离的方法，采用多任务学习模型，对信号的类别能量比和信号的时域波形进行分开估计，相较于单个分离任务，本发明专利技术仅在增加少许网络开销的情况下，共用步骤2和步骤3中的编码器和高维特征提取器，利用标签的类别信息对网络进行引导训练，以此获得优于单独分离任务的噪声分离性能；同时，本发明专利技术引入的能量估计器结构，可以对混合噪声中单一来源噪声成分的能量占比进行更有效的估计，相较于从分离噪声中提取能量信息，该结构提升了分离识别的准确性，更能满足对水下航行器自噪声的分离识别要求。噪声的分离识别要求。噪声的分离识别要求。

【技术实现步骤摘要】
一种基于多任务学习的水下航行器自噪声特征提取、识别与分离的方法


[0001]本专利技术属于水下航行器自噪声特征提取、识别与分离领域，特别涉及一种基于多任务学习的水下航行器自噪声特征提取、识别与分离的方法。

技术介绍

[0002]海洋占据地球表面积的三分之二，蕴含着庞大的资源和能量，具有举足轻重的战略意义。水下航行器作为一种开发和利用海洋资源、保障海洋安全的重要技术手段，在建设海洋强国、提升海洋竞争力方面担任着不可替代的角色。
[0003]水下航行器自噪声是指由水下航行器平台自身在运动过程中产生的噪声，该噪声的影响对象为平台自身的换能器基阵。水下航行器自噪声主要包括振动噪声、流噪声、螺旋桨噪声和电噪声。振动噪声主要是平台在水下运动过程中，由外壳、框架和各种功能设备周期性碰撞产生的通过自身结构振动传递至换能器基阵的噪声；流噪声主要是由水下航行体结构表面受到湍流脉动压力的激励以及湍流脉动压力与空腔、附体、突体的相互作用产生的噪声；螺旋桨噪声为平台螺旋桨转动产生的噪声；电噪声是指航行器电机与驱动系统产生的电磁噪声。为了提高水下航行器在水下的远程目标探测和多设备协同通信能力，提升信息传输与处理能力，降低自噪声对自身换能器基阵和数据处理系统的有害影响，必须开展对自噪声特征提取、识别与分离的研究。
[0004]一般而言，国内外学者在处理水声信号时，常规提取的特征包含有以下五种：时域波形特征，功率谱、线谱及调制谱特征，时频联合特征、非线性动力学特征和听觉特征。时域波形特征包括信号均值、方差、峰值、峭度和偏斜度、过零点、波长差、峰间幅值等，有学者使用这些时域波形特征与功率谱、STFT结合分析，用以对声呐信号分类。时频联合特征通常为通过短时傅里叶变换、小波变换等方法得到的二维特征。在利用经典的波形、功率谱和时频分析提取水声信号特征的同时，国内外一些学者也使用了分型、混沌和极限环等新方法研究水声信号特征。对于听觉特征，近年来同样有学者进行研究，汪洋等在水声目标的听觉谱特征、语音特征等方面，取得了一系列研究成果。李朝晖等论证了所提听觉模型在水声中的实用性。
[0005]噪声成分分离方法常被应用于音频分离、医学信号分离和机械振动噪声分离等任务中。这些问题可归纳为盲源分离问题，在深度学习发展前，学者一般使用基于ICA的盲源分离方法和EMD算法以及它们的变种处理噪声成分提取问题。
[0006]近年来，深度学习技术发展，使用深度学习技术进行噪声识别以及对噪声成分进行分离提取逐渐成为人们研究的方向。Huang等将前向DNN和RNN应用在分离任务中。有学者将深度学习技术与时频特征结合，使用DNN训练估计混合信号中目标信号的对数功率谱图；同样是结合时频特征与深度学习技术，部分学者利用DNN训练从混合信号中直接映射出目标和干扰噪声谱。Zhang和Wang提出了一种用于分离应用的深度集成网络。Luo等采取端到端的分离网络，提出了一种超越理想化的时频掩码的新方法。Chen等将RNN整合进
Transformer中，形成新的分离网络。Subakan等在1
‑
D全卷积中引入自注意力机制提取特征，用于分离应用。
[0007]然而，以上各种基于深度学习方法的分离任务，针对的对象为语音、音乐等不存在严重频带重叠和干扰的信号，而水下航行器自噪声成分复杂，不同噪声成分间干扰严重，使用现有深度学习网络无法对水下航行器自噪声成分进行有效分离。同时，以上方法的主要目的仅为分离出目标信号的时域波形，对每一种成分在混合信号中的能量占比并不能进行有效估计。

技术实现思路

[0008]本专利技术解决的技术问题是：为了有效解决水下航行器各类复杂自噪声间严重干扰、频带重叠，以及由此引发的混合噪声难分离、能量占比难识别的问题，提供一种可用于自噪声分离识别的多任务学习方法。方法首先建立可同时用于分离识别任务的数据集，采用经过特别参数初始化的1D卷积块组对信号进行浅层混合表征提取，再通过深层表征征提取将表征信息进行融合，最后利用能量估计器和解码器可以实现对期望分离信号的能量估计和波形重构。
[0009]一种基于多任务学习的水下航行器自噪声特征提取、识别与分离的方法，包括以下步骤：
[0010]步骤1：利用在线合成方法，对采集得到的不同种类、不同阶段的噪声进行混合，得到由多种噪声组成的混合噪声数据集，噪声的类别与混合能量占比构成噪声的输入标签；
[0011]步骤2：采用编码器对混合噪声进行初步处理，得到浅层混合表征；
[0012]步骤3：针对所述的浅层混合表征，使用高维特征提取器提取深层表征；
[0013]步骤4：使用能量估计器处理所述深层表征，得到混合噪声中各噪声成分的类别和能量占比输出，此输出使用输入标签进行优化；同时，使用掩码估计器获得混合噪声中各噪声成分的分离掩码；
[0014]步骤5：将各噪声成分的分离掩码与浅层混合表征对应相乘，得到各个噪声成分的分离表征，将分离表征输入与编码器结构相应的解码器中，得到各个噪声成分的时域波形；
[0015]步骤6：将噪声类别及能量占比与恢复的时域波形相乘，最终生成各类噪声的估计信号。
[0016]进一步的，所述步骤1中，将采集到的噪声按照采集传感器的种类、水下航行器的航行阶段分为不同的类别，每种类别赋予一类标签；
[0017]按照初始设定分布，在一定范围内对信噪比进行采样，对其中一个信噪比采样结果而言，使用该信噪比对任意两类标签的数据进行混合，得到对应的混合噪声。对每一个混合噪声样本采用不同的信噪比采样结果进行混合，从而得到对应的数据集。
[0018]进一步的，所述步骤2中，编码过程如公式(1)所示：
[0019]Y＝H(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0020]其中，x为一维混合噪声输入，长度为T，Y为编码器输出结果，H为编码器；
[0021]编码器H的编码过程如公式(2)所示：
[0022][0023]其中，和分别表示由不同频率θ
i
下的余弦函数和小波函数初始化的卷积块，和表示第i个频率下的卷积输出，cat(
·
)表示频率维度上的拼接，Conv2d(
·
)为用于加权求和的二维卷积块。
[0024]进一步的，所述步骤3中，提取过程为多次使用一维卷积块分别按照时间和频率这两个维度进行深层特征提取，公式为：
[0025][0026]其中，Conv1d
T
(
·
)和Conv1d
F
(
·
)分别为对时间维度降维和频率维度降维的一维卷积块，和分别表示在第b次特征提取步骤中的降维结果，B是特征提取总步数；
[0027]反复进行上述公式(3)的过程，将浅层混合表征从时间和频率两个维度同时进行压缩，生成压缩的时频维度的深层表征M
d
，即M
(B)
。以上步骤称为高维本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多任务学习的水下航行器自噪声特征提取、识别与分离的方法，其特征在于，包括以下步骤：步骤1：利用在线合成方法，对采集得到的不同种类、不同阶段的噪声进行混合，得到由多种噪声组成的混合噪声数据集，噪声的类别与混合能量占比构成噪声的输入标签；步骤2：采用编码器对混合噪声进行初步处理，得到浅层混合表征；步骤3：针对所述的浅层混合表征，使用高维特征提取器提取深层表征；步骤4：使用能量估计器处理所述深层表征，得到混合噪声中各噪声成分的类别和能量占比输出，此输出使用输入标签进行优化；同时，使用掩码估计器获得混合噪声中各噪声成分的分离掩码；步骤5：将各噪声成分的分离掩码与浅层混合表征对应相乘，得到各个噪声成分的分离表征，将分离表征输入与编码器结构相应的解码器中，得到各个噪声成分的时域波形；步骤6：将噪声类别及能量占比与恢复的时域波形相乘，最终生成各类噪声的估计信号。2.如权利要求1所述的一种基于多任务学习的水下航行器自噪声特征提取、识别与分离的方法，其特征在于，所述步骤1中，将采集到的噪声按照采集传感器的种类、水下航行器的航行阶段分为不同的类别，每种类别赋予一类标签；按照初始设定分布，在一定范围内对信噪比进行采样，对其中一个信噪比采样结果而言，使用该信噪比对任意两类标签的数据进行混合，得到对应的混合噪声。对每一个混合噪声样本采用不同的信噪比采样结果进行混合，从而得到对应的数据集。3.如权利要求1所述的一种基于多任务学习的水下航行器自噪声特征提取、识别与分离的方法，其特征在于，所述步骤2中，编码过程如公式(1)所示：Y＝H(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，x为一维混合噪声输入，长度为T，Y为编码器输出结果，H为编码器；编码器H的编码过程如公式(2)所示：其中，和分别表示由不同频率θ
i
下的余弦函数和小波函数初始化的卷积块，和表示第i个频率下的卷积输出，cat(
·
)表示频率维度上的拼接，Conv2d(
·
)为用于加权求和的二维卷积块。4.如权利要求1所述的一种基于多任务学习的水下航行器自噪声特征提取、识别与分离的方法，其特征在于，所述步骤3中，提取过程为多次使用一维卷积块分别按照时间和频率这两个维度进行深层特征提取，公式为：
其中，Conv1d
T
(
·
)和Conv1d
F
(
·
)分别为...

【专利技术属性】
技术研发人员：史文涛，陈东，张群飞，刘树勋，何成兵，景连友，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：