CN104268397A - 基于舰船辐射噪声优化特征的水声目标识别方法 - Google Patents
基于舰船辐射噪声优化特征的水声目标识别方法 Download PDFInfo
- Publication number
- CN104268397A CN104268397A CN201410494320.7A CN201410494320A CN104268397A CN 104268397 A CN104268397 A CN 104268397A CN 201410494320 A CN201410494320 A CN 201410494320A CN 104268397 A CN104268397 A CN 104268397A
- Authority
- CN
- China
- Prior art keywords
- radiated noise
- target
- represent
- ship
- noise data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明实施例公开了一种基于舰船辐射噪声优化特征的水声目标识别方法,包括以下步骤:对舰船目标训练辐射噪声数据进行角域分帧操作;提取训练和测试的舰船目标辐射噪声数据的目标的谱图特征;对谱图特征进行幂次变换提取优化特征;确定舰船目标辐射噪声数据中每一帧的多任务截断先验隐马尔可夫模型参数;计算测试舰船目标辐射噪声数据优化特征与训练舰船目标辐射噪声数据的每一帧相对应的多任务截断先验隐马尔可夫模型的条件似然函数值;将最大条件似然函数值所对应舰船目标训练辐射噪声数据那一帧的类别属性作为舰船目标测试辐射噪声数据的类别属性。本发明用于提高水声目标识别的性能。
Description
技术领域
本发明属于水声技术领域,特别地涉及一种基于舰船辐射噪声优化特征的水声目标识别方法。
背景技术
水声自动目标识别技术可以提供目标船只的属性和类别等信息,是现代声纳系统的一个重要组成部分,也是实现其他水下装备系统智能化的关键技术。
舰船辐射噪声是指由舰船上机械运转和舰船运动产生并辐射到水中的噪声,它主要由机械噪声、水动力噪声以及螺旋桨噪声组成,包含了丰富的目标物理信息。其中机械噪声是船舶航行的主机、推进装置以及辅机等机械在运动过程中引起船体振动并向海洋中辐射的噪声声波,螺旋桨噪声是螺旋桨在水中工作所产生的噪声,水动力噪声是航行舰船和海水作用所产生的噪声。同类舰船噪声具有一定的相关性,而不同类型的舰船噪声存在差异。这一特性,被广泛应用于水声自动目标识别技术中。
目前国内外有许多机构都开展了水声自动目标识别技术的研究,这些研究在特征提取和分类器设计等方面各不相同。Li Xungao、Feng Xinxin和Ge Yi2005年在Chinese Journal of Acoustics上发表的Dynamic recognition fromship-radiated noise文章从舰船辐射噪声数据中提取一系列包络谱特征,利用基于多级模糊识别系统的动态识别法对三类舰船目标分类识别。柳革命、孙超和杨益新2009年在西北工业大学学报上发表的两种倒谱特征提取技术在水声目标识别中的应用,文中从舰船辐射噪声数据中提取倒谱特征,进而通过神经网络对舰船目标进行识别。张岩和尹力2009年在应用声学上发表了主成分分析在舰船辐射噪声分类识别中的应用,文中提取了舰船辐射噪声数据的功率谱特征,利用主成分分析法对舰船目标的功率谱特征进行降维,进而通过聚类分析的方法对舰船目标分类。
上述这些方法的共同缺点如下:
(1)只研究了各次舰船辐射噪声之间的关系,而忽略了数据内蕴含的舰船发声体之间固定的空间结构和遮挡特性,当识别目标增多的时候,识别性能下降较快。
(2)没有考虑同一目标在不同观测角度下发声体相对位置和遮挡情况的不同所造成的辐射噪声数据差异,对一个舰船目标只建立了一个模型,模型较为粗糙,识别性能不佳。
(3)没有考虑可用于训练的样本数较少情况下模型的识别性能,当用于训练的样本数比较少的时候,识别性能大大下降。
(4)存在手动模型选择问题,即通过人工确定模型的参数集大小,而参数集大小给定的正确与否决定了最终的识别性能。当数据较多时,很难确定正确的参数集大小导致识别性能不佳。
故,针对目前现有技术中存在的上述缺陷,实有必要进行研究,以提供一种方案,解决现有技术中存在的缺陷,避免造成识别目标增多和噪声增多时识别性能下降的问题。
发明内容
为解决上述问题,本发明的目的在于提供一种基于舰船辐射噪声优化特征的水声目标识别方法,用以通过对舰船训练辐射噪声数据进行角域分帧处理,将训练数据进行角域分帧,然后进行能量归一化的预处理,之后提取目标的谱图特征,进而利用幂次变换优化谱图特征以得到用于识别的优化特征,最后按照每个舰船目标的不同角域,利用优化特征建立一组多任务截断stick-breaking先验隐马尔可夫模型,提高水声目标识别的性能。多任务截断stick-breaking先验马尔可夫模型中的多任务特性将同一舰船目标不同角域的样本共同训练,当用于训练的样本数比较少的时候,仍能保持很好的识别特性。在建立的隐马尔可夫模型中引入了stick-breaking先验,该先验使模型拥有很好的稀疏性质,具备自动确定正确的隐马尔可夫模型参数的能力,避免了手动模型选择问题。
为实现上述目的,本发明的技术方案为:
一种基于舰船辐射噪声优化特征的水声目标识别方法,包括以下步骤:
步骤1,对舰船目标训练辐射噪声数据进行角域分帧操作;
步骤2,对用于训练和测试的舰船目标辐射噪声数据进行能量归一化的预处理;
步骤3,提取训练和测试的舰船目标辐射噪声数据的目标的谱图特征;
步骤4,对谱图特征进行幂次变换提取优化特征;
步骤5,对舰船目标训练辐射噪声数据每一帧优化特征训练多任务截断stick-breaking先验隐马尔可夫模型,进而确定舰船目标辐射噪声数据中每一帧的多任务截断stick-breaking先验隐马尔可夫模型参数;
步骤6,根据确定的舰船辐射噪声数据每一帧的多任务截断stick-breaking先验隐马尔可夫模型的参数,计算测试舰船目标辐射噪声数据优化特征xtest与训练舰船目标辐射噪声数据的每一帧相对应的多任务截断stick-breaking先验隐马尔可夫模型的条件似然函数值;
步骤7,将最大条件似然函数值所对应舰船目标训练辐射噪声数据那一帧的类别属性作为舰船目标测试辐射噪声数据的类别属性。
优选地,在步骤1中,对用于训练的舰船目标辐射噪声数据进行角域分帧具体为,按照30度的角域等角域间隔划分360度全角域,一个舰船目标共计分为12帧。
优选地,步骤3中谱图特征Y(τ,ω)的具体计算公式为:
其中τ表示时间,ω表示频率,y(u)表示舰船目标辐射噪声数据中的第u维,w(·)表示谱图变换所用的窗函数,|·|表示取模操作。
优选地,步骤4中优化特征x的具体计算公式为:
其中,ρ0为幂次参数,表示对谱图特征Y(τ,ω)中的每个元素都进行幂次参数为ρ0的幂次变换。
优选地,步骤5进一步包括如下子步骤,
(5a)把舰船训练目标辐射噪声数据中的每一个数据所提取的优化特征构成的马尔可夫序列,代入到多任务截断stick-breaking先验隐马尔可夫模型中;
(5b)通过变分贝叶斯期望最大VB-EM算法,确定舰船训练目标辐射噪声数据每一帧的多任务截断stick-breaking先验隐马尔可夫模型的参数:
5b1)设置多任务截断stick-breaking先验隐马尔可夫模型中超参数aα和bα,变分贝叶斯期望最大VB-EM算法的终止门限ε,作为终止条件;
5b2)更新截断stick-breaking先验隐马尔可夫模型中的特征分布参数概率值q(Ω)
其中q(Ω(c))表示对应于第c个目标的特征分布参数概率值,表示对应于第c个目标的特征分布参数Ω的概率归一化因子,exp(·)表示指数函数,表示舰船训练目标辐射噪声数据中对应于第c个目标特征值分布参数的高斯伽马分布,E(s(c))表示舰船训练目标辐射噪声数据中对应于第c个目标的隐状态概率的期望,表示第c个目标中舰船训练目标辐射噪声数据的观测对数概率,Nc表示目标总数;
5b3)更新stick-breaking先验参数的概率分布q(βi)
其中Ga(·)表示Gamma分布,表示当前超参数值aα中对应于第i个隐状态的值,表示当前超参数值bα中对应于第i个隐状态的值,βi表示stick-breaking先验参数β的第i个元素,I表示隐状态的个数;
5b4)更新初始状态分布的概率值
其中Stick-breaking(·)表示Stick-breaking过程,表示舰船训练目标辐射噪声第c个目标数据第m帧中隐状态的初始分布,表示对应于舰船训练目标辐射噪声第c个目标数据第m帧中对应于隐状态初始分布的Stick-breaking过程参数,Nc表示目标总数;
5b5)更新状态转移矩阵每一行的概率值
其中Stick-breaking(·)表示Stick-breaking过程,表示舰船训练目标辐射噪声第c个目标数据第m帧中的状态转移矩阵第i行,表示对应于舰船训练目标辐射噪声第c个目标数据第m帧中对应于状态转移矩阵第i行的Stick-breaking过程参数,Nc表示目标总数,I表示隐状态的个数;
5b6)更新每一个目标每一帧的每一个舰船训练目标辐射噪声中隐状态参数分布的概率值q(s(c,m,n))
其中,表示对应于第c个目标第m帧第n个样本中的隐状态参数s(c,m,n)的概率归一化因子,表示舰船训练目标辐射噪声数据中第c个目标第m帧的初始状态对数概率的期望值和状态转移矩阵对数概率的期望值之和,L表示舰船目标辐射噪声数据y所分的总块数,当l=1时,代表舰船训练目标辐射噪声数据中第c个目标第m帧优化特征的初始状态概率值,当1<l≤L时,代表舰船训练目标辐射噪声数据中第c个目标第m帧的状态转移矩阵从优化特征的第l个时间单元到优化特征的第l+1个时间单元的对数概率值,表示舰船训练目标辐射噪声数据的第c个目标第m帧中第n个样本的观测对数概率的期望值,其中x(c,m,n)(l)代表舰船训练目标辐射噪声数据的第c个目标第m帧中第n个样本在多任务截断stick-breaking先验隐马尔可夫模型中对应优化特征的第l个时间单元,代表第c个目标优化特征第l个时间单元的分布参数所对应的隐参数集;
5b7)计算变分贝叶斯期望最大VB-EM算法的下界F
其中Φ表示隐马尔可夫总参数集,q(Φ)表示隐马尔可夫总参数集Φ的变分概率密度函数,p({x},Φ)表示真实数据集和隐马尔可夫总参数集Φ的联合分布函数;
5b8)计算当前变分贝叶斯期望最大VB-EM算法的下界与上一次变分贝叶斯期望最大VB-EM算法的下界之差ε差值;
5b9)循环步骤5b2)~5b8),即可逐步完成多任务截断stick-breaking先验隐马尔可夫模型的隐参数集的更新过程;
5b10)往复迭代步骤5b2)~5b8),直到5b8)得到的ε差值小于设定的门限ε时终止;
5b11)当变分贝叶斯EM算法终止时,保存训练完毕的多任务截断stick-breaking先验隐马尔可夫模型中的参数,这些参数即为训练舰船目标辐射噪声数据每一帧的多任务截断stick-breaking先验隐马尔可夫模型的参数。
优选地,步骤6中所述的条件似然函数值p(xtest|c,m)的具体计算方法为:
其中E(·)表示求期望操作,表示对应于第c个目标第m帧初始状态概率矩阵,表示在第c个目标第m帧中从优化特征第l-1个时间单元所对应的状态到优化特征第l个时间单元所对应的状态的转移概率,表示在第c个目标第m帧中优化特征第l个时间单元所对应的状态对应的观测层概率分布参数的后验期望,表示舰船测试训练辐射噪声数据在优化特征的第l个时间单元的观测概率,变量下标中的l表示变量对应于优化特征的第l个时间单元。
优选地,舰船测试目标辐射噪声数据的类别属性的具体计算方法如下:
其中p(xtest|c,m)表示舰船测试目标辐射噪声数据对应于第c个目标第m帧的条件似然函数。
与现有技术相比,本发明的有益效果如下:
(1)现有技术在建模的时候均对舰船目标进行整体建模,没有考虑到同一目标在不同观测角度下噪声发声体相对位置和遮挡情况的不同所造成的接收辐射噪声数据差异,即使是同一目标,不同角域下所取得的噪声统计特性也存在较大差异,用一个模型统一描述噪声统计特性的方法比较粗糙,无法清楚描述舰船目标各角域噪声数据的特性和变化情况,限制了模型的总体识别性能。而在本发明实施例中,由于对舰船目标训练辐射噪声数据分角域建模,用于建模的舰船目标各角域内的噪声数据统计特性相近,可以用同一模型表述,模型较为精确,提高了测试舰船目标辐射噪声数据的识别性能。
(2)现有技术中大多都没有考虑舰船目标辐射噪声数据内的相互联系。由于舰船目标发声体之间存在相对固定的空间结构,如果忽略了各舰船目标内隐含的这固定的结构特征,就会影响到用于测试的舰船目标辐射噪声数据的识别性能。本发明实施例提出的优化特征本质上是对目标辐射噪声数据的非线性变换,该特征是目标辐射噪声数据的时频表示,它不仅反映了目标辐射噪声数据的时域特性,并且也反映了目标辐射噪声数据的频谱密度随时间的变化情况,目标发声体之间存在相对固定的空间结构也会很好地体现在优化特征中,在本发明实施例中,把舰船目标辐射噪声的数据中的每一个数据优化特征作为一个马尔可夫序列,代入到多任务截断stick-breaking先验隐马尔可夫模型中,利用了舰船目标发声体之间存在相对固定的空间结构信息,提高了测试舰船目标辐射噪声数据的识别性能。
(3)现有技术中大多都没有考虑可用于训练的样本数较少情况下模型的识别性能。然而,对于实际中的非合作目标(如敌方舰船等目标),难以对其进行持续多次获取样本,通常可获得的舰船辐射噪声数据样本数较少,传统模型需要估计模型参数,对训练舰船辐射噪声数据样本数有一定要求,当用于训练的舰船辐射噪声数据样本数比较少的时候,识别性能便大大下降了。本发明实施例采用的模型采用了多任务的方法,利用各角域数据的相关信息,而是将原本独立建模的各目标各角域子模型联系到在一起,共享了一些模型参数。相比传统模型,本发明实施例所需估计的参数较少,可在训练样本数较少的情况下提高测试舰船目标辐射噪声数据的识别性能。
(4)本发明实施例在建立的隐马尔可夫模型中引入了stick-breaking先验,该先验使模型拥有很好的稀疏性质,具备自动确定正确的隐马尔可夫模型参数的能力,避免了手动模型选择问题,可在训练数据较多难以手动确定模型参数集大小的情况下提高模型的识别能力。
附图说明
图1为本发明实施例的基于舰船辐射噪声优化特征的水声目标识别方法的步骤流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
参照图1,所示为本发明实施例的基于舰船辐射噪声优化特征的水声目标识别方法的步骤流程图,其包括以下步骤:
步骤1,对用于训练的舰船目标辐射噪声数据进行角域分帧。
由于舰船目标辐射噪声由机械噪声、水动力噪声以及螺旋桨噪声组成,在不同角域中,发声体相对空间结构位置的投影发生变化,并且在不同角域中,船体对发声体的遮挡所产生的影响也有所不同,从而引起舰船目标辐射噪声随着角域的改变而变化。在一个较小的角域中,发声体相对空间结构位置的投影以及船体对发声体遮挡情况变化很小,目标的模型基本固定,此时接收到的舰船目标辐射噪声数据可以认为是一个平稳的过程。
为此本发明实施例对用于训练的舰船目标辐射噪声数据进行角域分帧,就是按照30度的角域,等角域间隔划分360度全角域,使舰船目标辐射噪声数据的每一帧内各辐射噪声数据的姿态角变化范围不大于30度,一个目标共计分为12帧。
步骤2,对角域分帧后的舰船训练目标辐射噪声数据和舰船测试目标辐射噪声数据取能量归一化。
(2a)舰船训练目标辐射噪声数据的能量归一化
舰船训练目标辐射噪声数据的强度和目标发声体性质、目标距离、水域声学传播特性、接收系统损耗和接收系统后期信号增益等因素密切相关。为了统一舰船训练目标辐射噪声数据在强度上的尺度标准,将舰船训练目标辐射噪声的每一个数据分别除以它们自身的范数,完成对舰船训练目标辐射噪声数据能量的归一化。
(2b)舰船测试目标辐射噪声数据的能量归一化
在测试阶段,为了统一舰船测试目标辐射噪声数据在强度上的尺度标准,将舰船测试目标辐射噪声的每一个数据分别除以它们自身的范数,完成对舰船测试目标辐射噪声数据能量的归一化。
步骤3,提取训练和测试的舰船目标辐射噪声数据的目标的谱图特征Y(τ,ω)。
其中τ表示时间,ω表示频率,y(u)表示舰船目标辐射噪声数据中的第u维,w(·)表示谱图变换所用的窗函数,|·|表示取模操作。
步骤4,对谱图特征进行幂次变换提取优化特征x。
其中,ρ0为幂次参数,表示对谱图特征Y(τ,ω)中的每个元素都进行幂次参数为ρ0的幂次变换,在本发明中,幂次参数ρ0=0.4,但只是作为一个实例,不仅限于此。
步骤5,对舰船训练目标辐射噪声数据每一帧的优化特征训练多任务截断stick-breaking先验隐马尔可夫模型,进而确定舰船训练目标辐射噪声数据每一帧的多任务截断stick-breaking先验隐马尔可夫模型的参数。
(5a)把舰船训练目标辐射噪声数据中的每一个数据所提取的优化特征构成的马尔可夫序列,代入到多任务截断stick-breaking先验隐马尔可夫模型中;
(5b)通过变分贝叶斯期望最大VB-EM算法,确定舰船训练目标辐射噪声数据每一帧的多任务截断stick-breaking先验隐马尔可夫模型的参数:
5b1)设置多任务截断stick-breaking先验隐马尔可夫模型中超参数aα和bα,变分贝叶斯期望最大VB-EM算法的终止门限ε,作为终止条件。在本模型中,超参数aα=bα=10-6,模型中止门限ε=10-5,但只是作为一个实例,不仅限于此;
5b2)更新截断stick-breaking先验隐马尔可夫模型中的特征分布参数概率值q(Ω)
其中q(Ω(c))表示对应于第c个目标的特征分布参数概率值,表示对应于第c个目标的特征分布参数Ω的概率归一化因子,exp(·)表示指数函数,表示舰船训练目标辐射噪声数据中对应于第c个目标特征值分布参数的高斯伽马分布,E(s(c))表示舰船训练目标辐射噪声数据中对应于第c个目标的隐状态概率的期望,表示第c个目标中舰船训练目标辐射噪声数据的观测对数概率,Nc表示目标总数;
5b3)更新stick-breaking先验参数的概率分布q(βi)
其中Ga(·)表示Gamma分布,表示当前超参数值aα中对应于第i个隐状态的值,表示当前超参数值bα中对应于第i个隐状态的值,βi表示stick-breaking先验参数β的第i个元素,I表示隐状态的个数;
5b4)更新初始状态分布的概率值
其中Stick-breaking(·)表示Stick-breaking过程,表示舰船训练目标辐射噪声第c个目标数据第m帧中隐状态的初始分布,表示对应于舰船训练目标辐射噪声第c个目标数据第m帧中对应于隐状态初始分布的Stick-breaking过程参数,Nc表示目标总数。
5b5)更新状态转移矩阵每一行的概率值
其中Stick-breaking(·)表示Stick-breaking过程,表示舰船训练目标辐射噪声第c个目标数据第m帧中的状态转移矩阵第i行,表示对应于舰船训练目标辐射噪声第c个目标数据第m帧中对应于状态转移矩阵第i行的Stick-breaking过程参数,Nc表示目标总数,I表示隐状态的个数;
5b6)更新每一个目标每一帧的每一个舰船训练目标辐射噪声中隐状态参数分布的概率值q(s(c,m,n))
其中,表示对应于第c个目标第m帧第n个样本中的隐状态参数s(c,m,n)的概率归一化因子,表示舰船训练目标辐射噪声数据中第c个目标第m帧的初始状态对数概率的期望值和状态转移矩阵对数概率的期望值之和,L表示舰船目标辐射噪声数据y所分的总块数,当l=1时,代表舰船训练目标辐射噪声数据中第c个目标第m帧优化特征的初始状态概率值,当1<l≤L时,代表舰船训练目标辐射噪声数据中第c个目标第m帧的状态转移矩阵从优化特征的第l个时间单元到优化特征的第l+1个时间单元的对数概率值,表示舰船训练目标辐射噪声数据的第c个目标第m帧中第n个样本的观测对数概率的期望值,其中x(c,m,n)(l)代表舰船训练目标辐射噪声数据的第c个目标第m帧中第n个样本在多任务截断stick-breaking先验隐马尔可夫模型中对应优化特征的第l个时间单元,代表第c个目标优化特征第l个时间单元的分布参数所对应的隐参数集。
5b7)计算变分贝叶斯期望最大VB-EM算法的下界F
其中Φ表示隐马尔可夫总参数集,q(Φ)表示隐马尔可夫总参数集Φ的变分概率密度函数,p({x},Φ)表示真实数据集和隐马尔可夫总参数集Φ的联合分布函数;
5b8)计算当前变分贝叶斯期望最大VB-EM算法的下界与上一次变分贝叶斯期望最大VB-EM算法的下界之差ε差值;
5b9)循环步骤5b2)~5b8),即可逐步完成多任务截断stick-breaking先验隐马尔可夫模型的隐参数集的更新过程;
5b10)往复迭代步骤5b2)~5b8),直到5b8)得到的ε差值小于设定的门限ε时终止;
5b11)当变分贝叶斯EM算法终止时,保存训练完毕的多任务截断stick-breaking先验隐马尔可夫模型中的参数,这些参数即为训练舰船目标辐射噪声数据每一帧的多任务截断stick-breaking先验隐马尔可夫模型的参数。
步骤6,根据确定的舰船辐射噪声数据每一帧的多任务截断stick-breaking先验隐马尔可夫模型的参数,计算测试舰船目标辐射噪声数据xtest与训练舰船目标辐射噪声数据的每一帧相对应的多任务截断stick-breaking先验隐马尔可夫模型的条件似然函数值。对应于第c个目标第m帧的条件似然函数值p(xtest|c,m)可表示为:
其中E(·)表示求期望操作,表示对应于第c个目标第m帧初始状态概率矩阵,表示在第c个目标第m帧中从优化特征第l-1个时间单元所对应的状态到优化特征第l个时间单元所对应的状态的转移概率,表示在第c个目标第m帧中优化特征第l个时间单元所对应的状态对应的观测层概率分布参数的后验期望,表示舰船测试训练辐射噪声数据在优化特征的第l个时间单元的观测概率,变量下标中的l表示变量对应于优化特征的第l个时间单元。
步骤7,将最大条件似然函数值对应舰船训练目标辐射噪声数据那一帧的类别属性作为舰船测试目标辐射噪声数据的类别属性C0:
其中p(xtest|c,m)表示舰船测试目标辐射噪声数据对应于第c个目标第m帧的条件似然函数。
例如,有3类舰船训练目标辐射噪声数据,分别是C1、C2和C3,每个舰船训练目标辐射噪声数据被分成3帧,舰船测试目标辐射噪声数据对应于舰船训练目标C1辐射噪声数据的3帧的条件似然函数值分别为1、2和3,舰船测试目标辐射噪声数据对应于舰船训练目标C2辐射噪声数据的3帧的条件似然函数值分别为0、0和1,舰船测试目标辐射噪声数据对应于舰船训练目标C3辐射噪声数据的3帧的条件似然函数值分别为0、4和1。此时最大条件似然函数值对应于舰船训练目标C3辐射噪声数据的第2帧,最大条件似然函数值为4,舰船训练目标辐射噪声数据类别属性为C3,则舰船测试目标辐射噪声数据的类别属性C0就是最大条件似然函数值对应舰船训练目标辐射噪声数据那一帧的类别属性C3。
本发明实施例通过对舰船训练辐射噪声数据进行角域分帧处理,将训练数据进行角域分帧,缓解了在不同观测角度下发声体相对位置和遮挡情况的不同所造成的辐射噪声数据差异,根据舰船目标辐射噪声的不同进行预处理、特征提取和特征优化得到目标优化的谱图特征,进而利用幂次变换优化谱图特征以得到用于识别的优化特征,谱图特征是目标辐射噪声数据的时频表示,它不仅反映了目标辐射噪声数据的时域特性,并且也反映了目标辐射噪声数据的频谱密度随时间的变化情况,在谱图特征上应用幂次变换,可使特征更近似于高斯分布,进而配合本发明所使用的模型可得到更好的识别性能,本发明将从一次舰船目标辐射噪声中提取并幂次变换得到的优化特征视为一个序列,建立多任务截断stick-breaking先验马尔可夫模型,将舰船发声体固定的空间结构和遮挡特性融入模型中。本发明中,各舰船目标的各角域都分别对应一个多任务截断stick-breaking先验隐马尔可夫模型,利用多任务截断stick-breaking先验马尔可夫模型中的多任务特性将同一舰船目标不同角域的样本共同训练,提高了水声目标识别的性能,并且在当用于训练的样本数比较少的时候,仍能保持较好的识别能力,隐马尔可夫模型中引入的stick-breaking先验使模型拥有很好的稀疏性质,具备自动确定参数集大小的能力,避免了手动模型选择问题,提高了模型的识别能力。
以下通过实验数据来进一步说明本发明实施例的识别效果:
1.实验数据
本实验包含的5类舰船的数据库参数如下表所示:
表1舰船数据库内的5类舰船参数
舰船 | 长度(m) | 宽度(m) | 高度(m) |
货船A | 65.2 | 9.6 | 5.2 |
货船B | 36.2 | 7.1 | 3.0 |
渔船C | 24.8 | 5.3 | 3.2 |
集散两用船D | 79.3 | 11.8 | 7.5 |
客船E | 38.9 | 7.1 | 3.1 |
本实验中货船A辐射噪声数据库共包含340个数据,货船B辐射噪声数据库共包含410个数据,渔船C辐射噪声数据库共包含310个数据,集散两用船D辐射噪声数据库共包含405个数据,客船E辐射噪声数据库共包含335个数据。本实验在每个舰船目标的每一个角域中随机抽取一部分数据作舰船训练目标辐射噪声数据,剩余的数据作为舰船测试目标辐射噪声数据。
2.结果分析
表2给出了舰船训练目标辐射噪声数据每一帧内数据中随机抽取五分之四作为训练样本时舰船测试目标辐射噪声数据的平均识别率。
表2舰船测试目标辐射噪声优化特征的识别结果
从表2可以看出,在舰船训练目标辐射噪声数据每一帧内数据中随机抽取五分之四作为训练样本时,识别性能非常好。
表3给出了舰船测试目标辐射噪声数据平均识别率随舰船训练目标辐射噪声数据每一帧内样本变化情况。
表3舰船测试目标辐射噪声优化特征的识别性能的变化
每帧样本个数 | 3 | 6 | 9 | 12 | 15 | 18 |
平均识别率 | 54.1 | 61.8 | 68.9 | 74.7 | 79.1 | 82.5 |
从表3可以看出,在舰船训练目标辐射噪声样本比较少的时候,多任务截断stick-breaking先验的隐马尔可夫模型可以利用舰船训练目标辐射噪声样本的每一帧之间的相互关联,共同训练模型参数,因此在舰船训练目标辐射噪声样本较少时,舰船测试目标辐射噪声数据取得了很好的识别性能。
此外,在本实验过程中对舰船目标训练辐射噪声数据分角域建模,模型较为精确,沿着舰船目标辐射噪声数据中的每个数据的内部单元所构成的马尔可夫序列,建立了多任务截断stick-breaking先验隐马尔可夫模型,融合了舰船目标发声体之间存在相对固定的空间结构信息,并且在训练模型的过程中利用了stick-breaking先验,可以自动确定多任务截断stick-breaking先验隐马尔可夫模型参数集大小,提高了测试舰船目标辐射噪声数据的识别性能。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于舰船辐射噪声优化特征的水声目标识别方法,其特征在于,包括以下步骤:
步骤1,对舰船目标训练辐射噪声数据进行角域分帧操作;
步骤2,对用于训练和测试的舰船目标辐射噪声数据进行能量归一化的预处理;
步骤3,提取训练和测试的舰船目标辐射噪声数据的目标的谱图特征;
步骤4,对谱图特征进行幂次变换提取优化特征;
步骤5,对舰船目标训练辐射噪声数据每一帧优化特征训练多任务截断stick-breaking先验隐马尔可夫模型,进而确定舰船目标辐射噪声数据中每一帧的多任务截断stick-breaking先验隐马尔可夫模型参数;
步骤6,根据确定的舰船辐射噪声数据每一帧的多任务截断stick-breaking先验隐马尔可夫模型的参数,计算测试舰船目标辐射噪声数据优化特征xtest与训练舰船目标辐射噪声数据的每一帧相对应的多任务截断stick-breaking先验隐马尔可夫模型的条件似然函数值;
步骤7,将最大条件似然函数值所对应舰船目标训练辐射噪声数据那一帧的类别属性作为舰船目标测试辐射噪声数据的类别属性。
2.根据权利要求1所述的基于舰船辐射噪声优化特征的水声目标识别方法,其特征在于,在步骤1中,对用于训练的舰船目标辐射噪声数据进行角域分帧具体为,按照30度的角域等角域间隔划分360度全角域,一个舰船目标共计分为12帧。
3.根据权利要求1或2所述的基于舰船辐射噪声优化特征的水声目标识别方法,其特征在于,步骤3中谱图特征Y(τ,ω)的具体计算公式为:
其中τ表示时间,ω表示频率,y(u)表示舰船目标辐射噪声数据中的第u维,w(·)表示谱图变换所用的窗函数,|·|表示取模操作。
4.根据权利要求3所述的基于舰船辐射噪声优化特征的水声目标识别方法,其特征在于,步骤4中优化特征x的具体计算公式为:
其中,ρ0为幂次参数,表示对谱图特征Y(τ,ω)中的每个元素都进行幂次参数为ρ0的幂次变换。
5.根据权利要求4所述的基于舰船辐射噪声优化特征的水声目标识别方法,其特征在于,步骤5进一步包括如下子步骤,
(5a)把舰船训练目标辐射噪声数据中的每一个数据所提取的优化特征构成的马尔可夫序列,代入到多任务截断stick-breaking先验隐马尔可夫模型中;
(5b)通过变分贝叶斯期望最大VB-EM算法,确定舰船训练目标辐射噪声数据每一帧的多任务截断stick-breaking先验隐马尔可夫模型的参数:
5b1)设置多任务截断stick-breaking先验隐马尔可夫模型中超参数aα和bα,变分贝叶斯期望最大VB-EM算法的终止门限ε,作为终止条件;
5b2)更新截断stick-breaking先验隐马尔可夫模型中的特征分布参数概率值q(Ω)
其中q(Ω(c))表示对应于第c个目标的特征分布参数概率值,表示对应于第c个目标的特征分布参数Ω的概率归一化因子,exp(·)表示指数函数,表示舰船训练目标辐射噪声数据中对应于第c个目标特征值分布参数的高斯伽马分布,E(s(c))表示舰船训练目标辐射噪声数据中对应于第c个目标的隐状态概率的期望,表示第c个目标中舰船训练目标辐射噪声数据的观测对数概率,Nc表示目标总数;
5b3)更新stick-breaking先验参数的概率分布q(βi)
其中Ga(·)表示Gamma分布,表示当前超参数值aα中对应于第i个隐状态的值,表示当前超参数值bα中对应于第i个隐状态的值,βi表示stick-breaking先验参数β的第i个元素,I表示隐状态的个数;
5b4)更新初始状态分布的概率值
其中Stick-breaking(·)表示Stick-breaking过程,表示舰船训练目标辐射噪声第c个目标数据第m帧中隐状态的初始分布,表示对应于舰船训练目标辐射噪声第c个目标数据第m帧中对应于隐状态初始分布的Stick-breaking过程参数,Nc表示目标总数;
5b5)更新状态转移矩阵每一行的概率值
其中Stick-breaking(·)表示Stick-breaking过程,表示舰船训练目标辐射噪声第c个目标数据第m帧中的状态转移矩阵第i行,表示对应于舰船训练目标辐射噪声第c个目标数据第m帧中对应于状态转移矩阵第i行的Stick-breaking过程参数,Nc表示目标总数,I表示隐状态的个数;
5b6)更新每一个目标每一帧的每一个舰船训练目标辐射噪声中隐状态参数分布的概率值q(s(c,m,n))
其中,表示对应于第c个目标第m帧第n个样本中的隐状态参数s(c,m,n)的概率归一化因子,表示舰船训练目标辐射噪声数据中第c个目标第m帧的初始状态对数概率的期望值和状态转移矩阵对数概率的期望值之和,L表示舰船目标辐射噪声数据y所分的总块数,当l=1时,代表舰船训练目标辐射噪声数据中第c个目标第m帧优化特征的初始状态概率值,当1<l≤L时,代表舰船训练目标辐射噪声数据中第c个目标第m帧的状态转移矩阵从优化特征的第l个时间单元到优化特征的第l+1个时间单元的对数概率值,表示舰船训练目标辐射噪声数据的第c个目标第m帧中第n个样本的观测对数概率的期望值,其中x(c,m,n)(l)代表舰船训练目标辐射噪声数据的第c个目标第m帧中第n个样本在多任务截断stick-breaking先验隐马尔可夫模型中对应优化特征的第l个时间单元,代表第c个目标优化特征第l个时间单元的分布参数所对应的隐参数集;
5b7)计算变分贝叶斯期望最大VB-EM算法的下界F
其中Φ表示隐马尔可夫总参数集,q(Φ)表示隐马尔可夫总参数集Φ的变分概率密度函数,p({x},Φ)表示真实数据集和隐马尔可夫总参数集Φ的联合分布函数;
5b8)计算当前变分贝叶斯期望最大VB-EM算法的下界与上一次变分贝叶斯期望最大VB-EM算法的下界之差ε差值;
5b9)循环步骤5b2)~5b8),即可逐步完成多任务截断stick-breaking先验隐马尔可夫模型的隐参数集的更新过程;
5b10)往复迭代步骤5b2)~5b8),直到5b8)得到的ε差值小于设定的门限ε时终止;
5b11)当变分贝叶斯EM算法终止时,保存训练完毕的多任务截断stick-breaking先验隐马尔可夫模型中的参数,这些参数即为训练舰船目标辐射噪声数据每一帧的多任务截断stick-breaking先验隐马尔可夫模型的参数。
6.根据权利要求5所述的基于舰船辐射噪声优化特征的水声目标识别方法,其特征在于,步骤6中所述的条件似然函数值p(xtest|c,m)的具体计算方法为:
其中E(·)表示求期望操作,表示对应于第c个目标第m帧初始状态概率矩阵,表示在第c个目标第m帧中从优化特征第l-1个时间单元所对应的状态到优化特征第l个时间单元所对应的状态的转移概率,表示在第c个目标第m帧中优化特征第l个时间单元所对应的状态对应的观测层概率分布参数的后验期望,表示舰船测试训练辐射噪声数据在优化特征的第l个时间单元的观测概率,变量下标中的l表示变量对应于优化特征的第l个时间单元。
7.根据权利要求6所述的基于舰船辐射噪声优化特征的水声目标识别方法,其特征在于,舰船测试目标辐射噪声数据的类别属性的具体计算方法如下:
其中p(xtest|c,m)表示舰船测试目标辐射噪声数据对应于第c个目标第m帧的条件似然函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410494320.7A CN104268397A (zh) | 2014-09-24 | 2014-09-24 | 基于舰船辐射噪声优化特征的水声目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410494320.7A CN104268397A (zh) | 2014-09-24 | 2014-09-24 | 基于舰船辐射噪声优化特征的水声目标识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104268397A true CN104268397A (zh) | 2015-01-07 |
Family
ID=52159918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410494320.7A Pending CN104268397A (zh) | 2014-09-24 | 2014-09-24 | 基于舰船辐射噪声优化特征的水声目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104268397A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073154A (zh) * | 2016-11-11 | 2018-05-25 | 横河电机株式会社 | 信息处理装置、信息处理方法及记录介质 |
CN108376259A (zh) * | 2018-01-23 | 2018-08-07 | 西安交通大学 | 结合贝叶斯分层学习和空谱联合先验的图像降噪方法 |
CN108759648A (zh) * | 2018-04-09 | 2018-11-06 | 中国科学院电子学研究所 | 基于机器学习的探地雷达检测方法 |
CN110766069A (zh) * | 2019-10-22 | 2020-02-07 | 中国人民解放军国防科技大学 | 基于最优值迭代的多任务学习模型训练以及预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169177A (zh) * | 2011-01-21 | 2011-08-31 | 西安电子科技大学 | 基于时域特征的雷达目标高分辨距离像识别方法 |
CN102628938A (zh) * | 2012-04-29 | 2012-08-08 | 西安电子科技大学 | 基于噪声先验的联合高斯模型雷达目标稳健识别方法 |
US20130297074A1 (en) * | 2012-03-23 | 2013-11-07 | Integrated Medical Systems International, Inc. | Digital controller for surgical handpiece |
-
2014
- 2014-09-24 CN CN201410494320.7A patent/CN104268397A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169177A (zh) * | 2011-01-21 | 2011-08-31 | 西安电子科技大学 | 基于时域特征的雷达目标高分辨距离像识别方法 |
US20130297074A1 (en) * | 2012-03-23 | 2013-11-07 | Integrated Medical Systems International, Inc. | Digital controller for surgical handpiece |
CN102628938A (zh) * | 2012-04-29 | 2012-08-08 | 西安电子科技大学 | 基于噪声先验的联合高斯模型雷达目标稳健识别方法 |
Non-Patent Citations (1)
Title |
---|
潘勉: ""雷达高分辨距离像目标识别技术研究"", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073154A (zh) * | 2016-11-11 | 2018-05-25 | 横河电机株式会社 | 信息处理装置、信息处理方法及记录介质 |
CN108073154B (zh) * | 2016-11-11 | 2021-05-18 | 横河电机株式会社 | 信息处理装置、信息处理方法及记录介质 |
CN108376259A (zh) * | 2018-01-23 | 2018-08-07 | 西安交通大学 | 结合贝叶斯分层学习和空谱联合先验的图像降噪方法 |
CN108759648A (zh) * | 2018-04-09 | 2018-11-06 | 中国科学院电子学研究所 | 基于机器学习的探地雷达检测方法 |
CN110766069A (zh) * | 2019-10-22 | 2020-02-07 | 中国人民解放军国防科技大学 | 基于最优值迭代的多任务学习模型训练以及预测方法 |
CN110766069B (zh) * | 2019-10-22 | 2022-03-18 | 中国人民解放军国防科技大学 | 基于最优值迭代的多任务学习模型训练以及预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
Tran et al. | A bayesian data augmentation approach for learning deep models | |
CN102279390B (zh) | 一种低信噪比雷达辐射源信号脉内调制识别方法 | |
CN104007431B (zh) | 基于dpLVSVM模型的雷达HRRP的目标识别方法 | |
CN101470194B (zh) | 一种水雷目标的识别方法 | |
CN107301432A (zh) | 基于时频分析的自适应辐射源调制识别方法 | |
CN107527023B (zh) | 基于超像素和主题模型的极化sar图像分类方法 | |
CN104268397A (zh) | 基于舰船辐射噪声优化特征的水声目标识别方法 | |
CN105095836B (zh) | 一种基于Gabor特征的皮肤纹理检测方法及装置 | |
CN111025257B (zh) | 基于稀疏贝叶斯学习的微动目标高分辨时频图重构方法 | |
CN104122554B (zh) | 高分辨率sar图像目标的属性散射中心特征提取方法 | |
CN104361197A (zh) | 基于舰船辐射噪声mfcc特征的水声目标识别方法 | |
CN103969634B (zh) | 基于全极化属性散射中心模型的目标属性特征提取方法 | |
CN110501683B (zh) | 一种基于四维数据特征的海陆杂波分类方法 | |
CN112052899A (zh) | 一种基于生成对抗网络的单幅舰船目标sar图像生成方法 | |
CN111010356A (zh) | 一种基于支持向量机的水声通信信号调制方式识别方法 | |
CN104268395A (zh) | 基于舰船辐射噪声频域融合特征的水声目标识别方法 | |
CN105068062A (zh) | 基于稀疏散射中心提取的距离像数据外推方法 | |
CN105608705A (zh) | 基于非下采样Shearlet变换与矢量C-V模型的图像分割方法 | |
CN102930863A (zh) | 一种基于简化自适应内插加权谱模型的语音转换及重构方法 | |
CN104036491A (zh) | 基于区域划分和自适应多项式隐模型的sar图像分割方法 | |
CN104268394A (zh) | 基于舰船辐射噪声时域特征的水声目标识别方法 | |
CN103871060A (zh) | 基于平稳方向波域概率图模型的图像分割方法 | |
CN113376569A (zh) | 基于最大似然的嵌套阵稀疏表示波达方向估计方法 | |
CN109766899B (zh) | 物理特征提取和svm的sar图像车辆目标识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150107 |