【技术实现步骤摘要】
本专利技术涉及水下噪声识别的，尤其涉及一种基于改进transformer构建多任务学习的水下噪声识别方法。
技术介绍
1、海洋是未来高科技战争的主要战场之一，未来海军装备也必将走向信息化。随着电子对抗技术的日益发展，电子对抗与反对抗技术在战争中的充分使用显示了它们在海战中的重要性。水声对抗是指利用信号处理技术对水声信号进行处理，从而完成目标检测、参数估计和目标识别等军事任务。其中，水下目标探测是水声对抗的基础，只有准确的检测出地方目标，才能完成诸多后续任务。
2、水下航行器的辐射噪声与自噪声的强弱将决定其隐蔽性能，较高的辐射噪声与自噪声更容易被对方声纳系统所探测、追踪，同时也对本身声纳系统造成强烈的千扰。水下航行器的辐射噪声与自噪声包括螺旋桨等推进装置的振动噪声、航行器配备的各种机械设备的螺旋桨噪声和水动力噪声。其中，振动噪声是指由航行器上的各类机构的振动引起辐射而造成的噪声，该噪声对声纳设备的影响十分严重，是航行器主要噪声来源。为此，有必要开展水下航行器振动噪声识别与分离方面的研究工作。
3、水下航行器的目标被动检测是利用舰船、潜艇等水中目标的辐射噪声来进行检测的，目标检测器设计与辐射噪声特征提取一样，都是水声目标被动检测系统中的关键技术。从统计学的观点，可以把从背景噪声中提取反映目标特征信号的过程看作一个统计的推断过程，即根据接受信号加噪声的混合波形，采用统计推断的方法对目标信号的存在与否做出判断。目前研究的振动噪声检测技术主要有线谱检测技术、能量检测技术、神经网络检测技术等。
4、(1)
5、由于生产线谱的声源的功率和惯性相当大，工作条件也比较稳定，因此，线谱有较高的强度和稳定度。线谱检测的经典方法是直接将接收的信号经预处理后计算周期图，然后将输出结果与门限比较，判断是否存在线谱。通过对线谱结构的细致分析，可以得到需要声源信息，对线谱进行高质量的谱估计为目标检测提供重要依据。对被动声纳而言，提高线谱的检测能力和提取质量，对于提高目标检测、跟踪距离和分类识别的正确率具有重要的意义，线谱检测技术一直是国内外研究的重点。在国外，1983年，maksym等利用贝叶斯概率理论提出了在lofar谱图中线谱检测和跟踪的序贯似然比跟踪器。为了进一步提高算法性能，brahoshky等人于1992年通过将图论、hough变换和启发式搜索结合起来检测谱线。1994年，di martino等人研究了利用无监督神经网络来检测lofar图中谱线的技术。cappel等人于1998年提出了基于隐含马尔可夫模型的谱线跟踪器，在目标检测中取得了一定的应用效果。在国内，陶笃纯和吴国清等人分别于1984年和1998年利用谱峰形状特点，各自提出了一套线谱识别逻辑，实现了谱峰的高效识别。
6、(2)能量检测技术
7、在水中目标被动检测系统中，常采用能量检测器构建被动检测模型。能量检测器利用水声信号的短时能量的概率分布特性，应用neyman-pearson准则，在给定虚警概率的条件下，利用背景噪声的统计模型和估计参数计算检测门限，进行水中目标被动检测工作。在国外，2012年，zampolli等提出了自带峰值能量检测算法，将宽带信号分解为若干子带，在子带内进行波束峰值能量检测。1996年，lorenzelli等利用峰值能量检测技术，把频带分成若干子带后，将同一波束不同子带峰值累加，从而使得有宽带信号的方向得到增强，噪声由于其随机性而被减弱，该方法在信噪比较高时的检测效果很好。2001年，berilone等利用被动带通广义能量检测混合模型对水下噪声进行检测，其虚警率降低到了1％以下，与传统的能量检测方法相比，该方法将检测门限值减少了8db。在国内，黄海宁于2002年对能量检测技术的局限性进行了研究，认为能量检测器只是提取了接受信号的能量作为特征，对信息的利用不充分，因而在低信噪比下，能量检测器的检测性能大大下降。2004年，yan等人提出了波束域宽带峰值能量检测法，利用宽带波束形成相对子波束形成在信号检测上的优势，在宽带波束之后进行峰值能量检测。2006年，韩鹏等人提出了基于频带能量检测舰船辐射噪声的“三亮点”模型，实验结果表明，该方法能有效地检测出所有“亮点”部位，算法简单可行。上述方法都包含一定的人工因素，无法实现稳定且有效的实施。
8、(3)模式识别技术
9、水声目标自动检测和识别技术是水声设备和水中武器系统实现智能化的关键。理论上，水声目标自动检测和识别是个十分复杂的模式识别问题，解决这个难题需要许多先进的信号处理和人工智能理论及技术。
10、在20世纪90年代中期，美国远景研究规划局提交了一份题为“有关自动目标检测与识别的智能计算方法”的建议书(sb961-039)，其目的是研究一些具有实用价值的智能计算技术，以改进基于模型法的航行器智能目标检测识别系统的性能。1995年，chan等人提出了匹配速度滤波模型，并将其应用到了低信噪比的宽带水声目标检测和识别中。1999年，lee等人研究了在浅海环境中的基于自适应匹配场算法的被动声纳检测模型。2002年，梁峰利用robust检测技术对检测辐射噪声进行了检测。2003年，白银生等人提出基于neyman-pearson准则的多传感器数据融合检测方法。2004年，吴俊军等人研究了基于高阶谱的power-law瞬态悉尼号检测器，结果表明该方法具有较好的应用前景。胡作进等人于2005年提出了水声信号的混沌检测模型，通过了分布式的通信检测体系，利用信息帧整体辨识技术，将混沌检测应用于水声信号检测中，提高了水声信号的检测能力。2006年，李刚虎等人研究了利用wigner-hough变换对水下目标信号进行检测，研究表明该方法对实测的水声信号检测具有较好的效果。2013年，为了解决瞬态信号检测的问题，杨德森等提出好了混沌背景中瞬态冲击信号的rbf神经网络检测法，从而建立了混沌背景噪声的一步预测模型，并通过预测误差的变化检测瞬态信号。相比于深度学习技术，上述方法都需要大量的人工计算，不够智能。
11、人工智能技术的发展为水下噪声识别提供了新思路。目前针对水下噪声的处理工作，大多数研究都是基于单任务进行的，即设计的神经网络都仅针对噪声类型识别，没有考虑在网络中添加辅助任务构建多任务网络从而提高模型的识别精度。
12、申请号为202211264622.6的专利技术专利公开了一种基于深度学习的小样本数水下目标识别方法，包括如下步骤：对水下目标辐射噪声进行建模，给出水下目标辐射噪声demon谱处理方法，并对多通道demon谱求通道间最大值，得到单通道demon谱，对单通道demon谱做减均值操作，作为卷积神经网络训练、验证的样本；对水下目标辐射噪声进行处理，模拟水下目标辐射噪声不同的工作状态和运动状态，加入多普勒频偏、信噪比、干扰谱线，生成卷积神经网络所需的训练数据集、验证数据集和测试数据集，并组合生成样本对，样本对用于卷积神经网络模型的训练、验证和测试；设计卷积神经网络模型：用原始的水下目标辐射噪声demon谱对卷积神经网络的参数进行训本文档来自技高网...
【技术保护点】
1.一种基于改进Transformer构建多任务学习的水下噪声识别方法，其特征在于，其步骤如下：
2.根据权利要求1所述的基于改进Transformer构建多任务学习的水下噪声识别方法，其特征在于，所述标准化处理是使采集到的噪声信号分布在均值为0、标准差为1的分布上。
3.根据权利要求1或2所述的基于改进Transformer构建多任务学习的水下噪声识别方法，其特征在于，所述水下噪声识别模型包括三个多头注意力模块，其中一个多头注意力模块用于学习全局特征不进行特定的分类，其他两个多头注意力模块分别独立执行噪声种类识别任务和噪声来源识别任务；学习全局特征与噪声种类识别任务和噪声来源识别任务并行执行，在改进的Transformer的forward函数中交替执行，并周期性地将全局特征通过广播的方式与子任务特征直接相加进行融合；噪声种类识别任务和噪声来源识别任务的多头注意力模块独立计算损失，加权求和后进行反向传播。
4.根据权利要求3所述的基于改进Transformer构建多任务学习的水下噪声识别方法，其特征在于，所述改进的Transformer的Fee
5.根据权利要求4所述的基于改进Transformer构建多任务学习的水下噪声识别方法，其特征在于，所述水下噪声识别模型的处理噪声信号的方法为：
6.根据权利要求5所述的基于改进Transformer构建多任务学习的水下噪声识别方法，其特征在于，所述全局特征提取的方法为：
7.根据权利要求4所述的基于改进Transformer构建多任务学习的水下噪声识别方法，其特征在于，所述词嵌入处理的方法为：
8.根据权利要求6或7所述的基于改进Transformer构建多任务学习的水下噪声识别方法，其特征在于，所述注意力结果为
9.根据权利要求8所述的基于改进Transformer构建多任务学习的水下噪声识别方法，其特征在于，所述噪声种类识别任务和噪声来源识别任务的损失值使用交叉熵损失函数计算；计算损失值时将每个子任务的损失值乘以对应的权重并求和，对加和的结果进行反向传播；
10.根据权利要求9所述的基于改进Transformer构建多任务学习的水下噪声识别方法，其特征在于，所述权重系数λ分别为0.2、0.4、0.6、0.8、1.0；
...【技术特征摘要】
1.一种基于改进transformer构建多任务学习的水下噪声识别方法，其特征在于，其步骤如下：
2.根据权利要求1所述的基于改进transformer构建多任务学习的水下噪声识别方法，其特征在于，所述标准化处理是使采集到的噪声信号分布在均值为0、标准差为1的分布上。
3.根据权利要求1或2所述的基于改进transformer构建多任务学习的水下噪声识别方法，其特征在于，所述水下噪声识别模型包括三个多头注意力模块，其中一个多头注意力模块用于学习全局特征不进行特定的分类，其他两个多头注意力模块分别独立执行噪声种类识别任务和噪声来源识别任务；学习全局特征与噪声种类识别任务和噪声来源识别任务并行执行，在改进的transformer的forward函数中交替执行，并周期性地将全局特征通过广播的方式与子任务特征直接相加进行融合；噪声种类识别任务和噪声来源识别任务的多头注意力模块独立计算损失，加权求和后进行反向传播。
4.根据权利要求3所述的基于改进transformer构建多任务学习的水下噪声识别方法，其特征在于，所述改进的transformer的feedforward层的结...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。