水声目标识别方法技术

本申请提供一种水声目标识别方法

【技术实现步骤摘要】
水声目标识别方法、装置、电子设备及存储介质


[0001]本专利技术涉及目标识别
，尤其涉及一种水声目标识别方法
、
装置
、
电子设备及存储介质
。

技术介绍

[0002]水声目标识别是利用声纳设备采集的声信号来对水面和水下目标进行识别的技术
。
然而，由于海洋环境噪声不断增加以及水下目标降噪技术的改进，目标信号在低信噪比条件下往往会被噪声所掩盖
。
常规技术主要是依靠声纳员的谱图辨识
、
听音辨识和人工判断
。
因此，在识别水声目标时，声纳员会面临更大的困难，可能无法有效地提取目标信号的谱图特征，从而使得对目标进行分类和判断变得困难
。

技术实现思路

[0003]本专利技术提供一种水声目标识别方法
、
装置
、
电子设备及存储介质，用以解决水声目标识别的问题
。
[0004]第一方面，本专利技术提供一种水声目标识别方法，所述方法包括：
[0005]获取待识别目标数据，并利用预设的线谱检测模型对所述待识别目标数据进行特征提取以得到线谱特征；
[0006]将所述待识别目标数据输入至训练好的神经网络模型以得到特征相似度得分，并将所述线谱特征与在训练过程构建的物理可分性特征库进行特征比对以得到特征匹配置信度；
[0007]将所述特征相似度得分和所述特征匹配置信度进行融合判决，以得到目标识别结果
。
[0008]在本申请一实施例中，所述方法还包括：
[0009]在训练过程利用第一训练数据构建所述物理可分性特征库；
[0010]在训练过程利用第二训练数据对所述神经网络模型进行预训练
。
[0011]在本申请一实施例中，所述在训练过程利用第一训练数据构建所述物理可分性特征库包括：
[0012]获取所述第一训练数据，其包括第一谱图和第二谱图；
[0013]利用所述线谱检测模型从所述第一谱图提取到第一线谱特征和从所述第二谱图提取到第二线谱特征；
[0014]根据所述第二线谱特征确定螺旋桨桨叶数，并根据所述第一线谱特征和所述螺旋桨桨叶数计算机桨传动转速比；
[0015]基于所述第一线谱特征
、
所述螺旋桨桨叶数以及所述机桨传动转速比构建所述物理可分性特征库
。
[0016]在本申请一实施例中，获取所述第一训练数据的第一谱图包括：
[0017]对采集到的水声目标音频信号进行分帧，并对每帧信号进行傅里叶变换，以得到
每帧信号在各个频率上的频谱，并对每帧信号的频谱进行功率谱计算，以得到每帧信号在各个频率上的功率值；
[0018]将连续多帧的功率谱按照预设的积分时间进行序贯相干累积，以得到所述第一谱图
。
[0019]在本申请一实施例中，获取所述第一训练数据的第二谱图包括：
[0020]对采集到的水声目标音频信号进行带通滤波操作，并对经过带通滤波后的信号进行绝对值检波处理和低通滤波操作；
[0021]对经过低通滤波操作后的每帧信号进行傅里叶变换，以得到每帧信号的频谱，并对每帧信号的频谱进行功率谱计算，以得到每帧信号在各个频率上的功率值；
[0022]将连续多帧的功率谱按照预设的积分时间进行序贯相干累积，以得到所述第二谱图
。
[0023]在本申请一实施例中，所述利用所述线谱检测模型从所述第一谱图提取到第一线谱特征和从所述第二谱图提取到第二线谱特征包括：
[0024]将所述第一谱图和所述第二谱图输入至所述线谱检测模型；
[0025]分别对所述第一谱图和所述第二谱图进行基于背景均衡的线谱增强操作
、
线谱提取操作
、
线谱跟踪操作以及线谱筛选操作后，以得到对应的包括线谱出现时间
、
线谱频率以及线谱幅值的第一线谱检测结果和第二线谱检测结果；
[0026]基于所述第一线谱检测结果，选取线谱幅值最高的预设根线谱作为所述第一线谱特征，以及基于所述第二线谱检测结果，选取其中一组符合预设要求的线谱作为所述第二线谱特征
。
[0027]在本申请一实施例中，所述根据所述第二线谱特征确定螺旋桨桨叶数包括：
[0028]对所述第二线谱特征求其最小公约数以作为轴频；
[0029]在线谱出现的时间区间内，对所述第二谱图进行时间维度的叠加，以得到频率维的频谱结构；
[0030]基于所述频谱结构并结合所述轴频，按照预设规则确定所述螺旋桨桨叶数
。
[0031]在本申请一实施例中，所述在训练过程利用第二训练数据对所述神经网络模型进行预训练包括：
[0032]获取所述第二训练数据，其包括第三谱图及其标签数据，所述第三谱图按照预设的积分时间进行序贯相干累积以得到所述第一谱图；
[0033]利用所述第二训练数据对所述神经网络模型进行预训练，以确定所述神经网络模型参数并得到所述训练好的神经网络模型
。
[0034]在本申请一实施例中，所述神经网络模型使用基于
ResNet26
的深度学习模型框架，其包括前置卷积层
、
堆叠的卷积块以及全连接层；
[0035]其中，所述前置卷积层为所述神经网络模型的第一部分，其使用
7x7
大小的卷积滤波器和最大池化层；所述堆叠的卷积块为所述神经网络的第二部分，其包含4种不同大小的特征，通过将不同大小的卷积块堆叠在一起，以形成了深度不同的网络结构；所述全连接层为所述神经网络的第三部分，其用于将经过卷积和池化操作之后得到的特征映射到相应的类别空间
。
[0036]在本申请一实施例中，所述将所述线谱特征与在训练过程构建的物理可分性特征
库进行特征比对以得到特征匹配置信度包括：
[0037]判断所述线谱特征是否包括第一谱图的第一线谱特征和第二谱图的第二线谱特征；
[0038]若所述线谱特征包括第一线谱特征和第二线谱特征，则根据所述第二线谱特征确定螺旋桨桨叶数，并根据所述第一线谱特征和所述螺旋桨桨叶数计算机桨传动转速比；
[0039]按照每条第一线谱特征占总权重的第一百分比
、
所述螺旋桨桨叶数占总权重的第二百分比以及所述机桨传动转速比占总权重的第三百分比，分别与所述物理可分性特征库进行特征匹配计算并根据预设的权重值进行加权处理以得到所述特征匹配置信度
。
[0040]在本申请一实施例中，所述将所述线谱特征与在训练过程构建的物理可分性特征库进行特征比对以得到特征匹配置信度包括：
[0041]若所述线谱特征只包括第一线谱特征，假设所述待识别目标数据包含的
i
条第一线谱特征与所述物理可分性特征库的第
j
条第一线谱特征在预设的误差范围内有
n
根线谱是相同的，则所述特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种水声目标识别方法，其特征在于，所述方法包括：获取待识别目标数据，并利用预设的线谱检测模型对所述待识别目标数据进行特征提取以得到线谱特征；将所述待识别目标数据输入至训练好的神经网络模型以得到特征相似度得分，并将所述线谱特征与在训练过程构建的物理可分性特征库进行特征比对以得到特征匹配置信度；将所述特征相似度得分和所述特征匹配置信度进行融合判决，以得到目标识别结果
。2.
根据权利要求1所述的水声目标识别方法，其特征在于，所述方法还包括：在训练过程利用第一训练数据构建所述物理可分性特征库；在训练过程利用第二训练数据对所述神经网络模型进行预训练
。3.
根据权利要求2所述的水声目标识别方法，其特征在于，所述在训练过程利用第一训练数据构建所述物理可分性特征库包括：获取所述第一训练数据，其包括第一谱图和第二谱图；利用所述线谱检测模型从所述第一谱图提取到第一线谱特征和从所述第二谱图提取到第二线谱特征；根据所述第二线谱特征确定螺旋桨桨叶数，并根据所述第一线谱特征和所述螺旋桨桨叶数计算机桨传动转速比；基于所述第一线谱特征
、
所述螺旋桨桨叶数以及所述机桨传动转速比构建所述物理可分性特征库
。4.
根据权利要求3所述的水声目标识别方法，其特征在于，获取所述第一训练数据的第一谱图包括：对采集到的水声目标音频信号进行分帧，并对每帧信号进行傅里叶变换，以得到每帧信号在各个频率上的频谱，并对每帧信号的频谱进行功率谱计算，以得到每帧信号在各个频率上的功率值；将连续多帧的功率谱按照预设的积分时间进行序贯相干累积，以得到所述第一谱图
。5.
根据权利要求3所述的水声目标识别方法，其特征在于，获取所述第一训练数据的第二谱图包括：对采集到的水声目标音频信号进行带通滤波操作，并对经过带通滤波后的信号进行绝对值检波处理和低通滤波操作；对经过低通滤波操作后的每帧信号进行傅里叶变换，以得到每帧信号的频谱，并对每帧信号的频谱进行功率谱计算，以得到每帧信号在各个频率上的功率值；将连续多帧的功率谱按照预设的积分时间进行序贯相干累积，以得到所述第二谱图
。6.
根据权利要求3所述的水声目标识别方法，其特征在于，所述利用所述线谱检测模型从所述第一谱图提取到第一线谱特征和从所述第二谱图提取到第二线谱特征包括：将所述第一谱图和所述第二谱图输入至所述线谱检测模型；分别对所述第一谱图和所述第二谱图进行基于背景均衡的线谱增强操作
、
线谱提取操作
、
线谱跟踪操作以及线谱筛选操作后，以得到对应的包括线谱出现时间
、
线谱频率以及线谱幅值的第一线谱检测结果和第二线谱检测结果；基于所述第一线谱检测结果，选取线谱幅值最高的预设根线谱作为所述第一线谱特征，以及基于所述第二线谱检测结果，选取其中一组符合预设要求的线谱作为所述第二线
谱特征
。7.
根据权利要求6所述的水声目标识别方法，其特征在于，所述根据所述第二线谱特征确定螺旋桨桨叶数包括：对所述第二线谱特征求其最小公约数以作为轴频；在线谱出现的时间区间内，对所述第二谱图进行时间维度的叠加，以得到频率维的频谱结构；基于所述频谱结构并结合所述轴频，按照预设规则确定所述螺旋桨桨叶数
。8.
根据权利要求3所述的水声目标识别方法，其特征在于，所述在训练过程利用第二训练数据对所述神经网络模型进行预训练包括：获取所述第二训练数据，其包括第三谱图及其标签数据，所述第三谱图按照预设的积分时间进行序贯相干累积以得到所述第一谱图；利用所述第二训练数据对所述神经网络模型进行预训练，以确定所述神经网络模型参数并得到所述训练好的神经网络模型
。9.
根据权利要求1所述的水声目标识别方法，其特征在于，所述神经...

【专利技术属性】
技术研发人员：张静，刘恒双，刘俊华，高天，汪小斌，
申请(专利权)人：合肥讯飞数码科技有限公司，
类型：发明
国别省市：