一种基于主动声呐的水下小目标特征提取和分类识别方法技术

本发明专利技术涉及水声目标识别领域，具体涉及一种基于主动声呐的水下小目标特征提取和分类识别方法，采用一种帧间累积处理，抑制并去除声呐背景中的静态混响

【技术实现步骤摘要】
一种基于主动声呐的水下小目标特征提取和分类识别方法


[0001]本专利技术涉及水声目标识别领域，具体涉及一种基于主动声呐的水下小目标特征提取和分类识别方法
。

技术介绍

[0002]主动声呐是检测水下小目标
(
如蛙人
、
水雷等
)
的主要途径，对于海洋钻井平台水下部分
、
重要岛屿和港口的保护具有关键意义
。
为了达到这一目的，目标分类和识别技术在主动声呐信号处理中发挥着核心作用
。
然而，海洋环境相比于其他环境，对于声信号的传播，具有复杂性和特殊性，这就使得主动声呐在探测目标领域面临诸多挑战
。
海洋中众多散射体的存在产生了混响干扰，使得声呐信号的辨析度降低，增加了目标的识别难度
。
[0003]在传统的水下小目标识别方法中，特征提取对水下小目标识别系统的性能起着至关重要的作用
。
如何选择高识别率的特征已成为识别过程中的关键和难点
。
[0004]为解决水下小目标检测识别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于主动声呐的水下小目标特征提取和分类识别方法，其特征在于，包括以下步骤：
S1、
对金属板
、
水雷
、
携带氧气瓶的蛙人进行建模；
S2、
设置主动声呐发射器和接收器位置，并设置目标模型位置和反射
、
接收信号角度，收集回波数据；
S3、
将收集到的回波信号进行帧间累积抑波去噪处理，提高原始信号的信噪比；
S4、
对进行完帧间累积处理的信号，通过小波包分解得到各个频段的能量分布特征，分析比对其四类回波信号的能量分布差异；
S5、
设置改进的
CNN
超参数和网络结构；
S6、
将小波包分解与改进的卷积神经网络融合，对每类信号提取得到的能量特征串联，使其特征维度与改进的
CNN
的输入特征维度相匹配，作为神经网络的输入进行训练；
S7、
得到分类识别准确率结果，设置重复实验，重复执行步骤
S6。2.
如权利要求1所述的基于主动声呐的水下小目标特征提取和分类识别方法，其特征在于：所述步骤
S1
具体包括：由于水下小目标如蛙人
、
水雷这类主动声呐回波数据极其匮乏，故对金属板
、
水雷
、
携带氧气瓶的蛙人进行建模；
(1)
目标
a
即金属板：长为
2m
，宽为
1m
，高为
0.4m
的铁制长方体；
(2)
目标
b
即水雷：半径为
1m
的钢制球体，用来近似模拟水雷模型特征；
(3)
目标
c
即蛙人：由一个柱高
0.6m
，底面半径为
0.1m
的圆柱体，其顶部为一个半径为
0.1m
的半球体，和一个长半轴为
0.8m、
短半轴为
0.4m
的椭球体共同组成，半球圆柱体为钢制，用来模拟蛙人氧气瓶模型特征，椭球体修改其表面回波反射系数，用来模拟蛙人人体组织模型特征；两个模型的外表面外切于椭球面中心
。3.
如权利要求1所述的基于主动声呐的水下小目标特征提取和分类识别方法，其特征在于：所述步骤
S2
具体包括：设置主动声呐发射器和接收器位置，以平面波的形式分别发射脉冲宽度为
0.3ms
，载频为
40kHz
的
CW
脉冲信号和脉冲宽度为
10ms
，载频为
40kHz
的
LFM
脉冲信号对目标
a、
目标
b
和目标
c
进行激励，发射信号对目标
a
的入射方向与目标
a
的最大截面垂直，对于目标
b
的入射方向为径向入射，对于目标
c
的入射方向为一部分垂直入射一部分径向入射；回波的接收位置设在发射方向范围内的随机位置，每种激励信号对于每种目标的反射回波组数为
300
组，一共
1200
组；添加背景环境干扰信号，将一段混有鱼叫声的
26s
海底地震干扰音频，随机提取
200
组海洋环境中的样本干扰信号，加入回波数据集
。4.
如权利要求1所述的基于主动声呐的水下小目标特征提取和分类识别方法，其特征在于：所述步骤
S3
具体包括：通过将相邻帧的信号叠加或平均，可以减小随机噪声的影响，从而提高信号的信噪比；利用这种相关特性，通过帧与帧之间积累的数据量，提高了对于小目标检测的可行性；其中，
P
i
表示当前帧的回波幅度，表示当前帧的历史回波幅度，表示当前帧的背景估计输出
。
5.
如权利要求1所述的基于主动声呐的水下小目标特征提取和分类识别方法，其特征在于：所述步骤
S4
具体包括：采用小波包分解将回波信号分解为特性不同的多个频带，观察信号特性并重建信号；对数据进行更复杂的分析；小波包分解一开始利用正交小...

【专利技术属性】
技术研发人员：尚爵，刘增力，赵宣植，全海燕，唐菁敏，朵琳，杨秀梅，邓翔宇，荣少巍，张文，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：