CN105279481B - 基于级联原子库的海洋目标辨识探测方法 - Google Patents
基于级联原子库的海洋目标辨识探测方法 Download PDFInfo
- Publication number
- CN105279481B CN105279481B CN201510591770.2A CN201510591770A CN105279481B CN 105279481 B CN105279481 B CN 105279481B CN 201510591770 A CN201510591770 A CN 201510591770A CN 105279481 B CN105279481 B CN 105279481B
- Authority
- CN
- China
- Prior art keywords
- atom
- signal
- time
- cascade
- parameter
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
基于级联原子库的海洋目标辨识探测方法,涉及海洋目标辨识探测。通过水下声信号本身及其回波信号的相关性建立过完备原子库,并根据其呈现的多分量辐射源信号的形式,选择时间尺度原子和时频原子组成级联原子库,将待识别信号自适应分解在原子库上,得到信号的最稀疏表示;通过建立时间尺度原子库并结合radon变换来处理水下信号并进行时间尺度原子参数t0估计;在估计出t0值的基础上,建立级联原子库,根据t0的估计可以抽取出这一确定的行,将接收的信号分解到这一确定的行上,找出最大匹配值,进而可以直接提取出时频尺度原子参数k;利用级联原子库准确地提取出水下目标信号的主要特征,为最终的信号识别奠定坚实的基础,提高可靠性。
Description
技术领域
本发明涉及海洋目标辨识探测,尤其是涉及一种基于级联原子库的海洋目标辨识探测方法。
背景技术
海洋占地球表面积的71%,在海底及海洋中,蕴藏着极其丰富的矿产资源和生物资源。在大海中有潜艇、鱼雷、暗礁、鱼群及生物群等各式各样的目标,如何通过大海中传播的声音去识别目标,将目标分类,这在军用或民用上都具有很重要的意义。国内的一些单位,如:西北工业大学、东南大学、哈尔滨工程大学、760所、715所、中科院声学所等在水下目标特性的提取、识别和神经网络分类器的设计等方面进行了大量的研究,比如基于IMF能量谱的水声信号特征提取与选择方法、基于关联维度特征的改进水下目标模式识别方法、基于Walsh谱统计分布特征的水下入侵目标分类方法、基于时频分析的S变换的水下目标识别方法,这几种方法虽然识别率尚可,复杂度低,但实时性和鲁棒性差;而基于小波包和支持向量机的水下目标识别方法、基于小波包和概率神经网络的水下目标识别方法以及采用小波统计特征的方法对舰船目标进行分类,这三种方法虽然识别率较高,鲁棒性较好,但是实时性较差,复杂度较高;基于单目视觉的水下目标三维信息重建方法、基于不相似度评价的水下声目标分类与听觉特征辨识、基于听觉谱的声音特征提取方法以及基于伽马通滤波器和应用听觉慢特征的水下目标识别方法,这几种基于听觉模型的水下目标识别方法虽然识别率较高且改善了以往的特征提取方法普遍存在的鲁棒性差等问题,但存在复杂度较高、实时性差的缺点。
发明内容
本发明的目的在于提供可在声波信号复杂、密集、多变且交叠严重的海洋环境中有效识别目标声信号的一种基于级联原子库的海洋目标辨识探测方法。
本发明包括以下步骤:
步骤1,通过水下声信号本身及其回波信号的相关性来建立过完备原子库,并根据其呈现的多分量辐射源信号的形式,选择时间尺度原子和时频原子组成级联原子库,将待识别信号自适应分解在原子库上,得到信号的最稀疏表示;
步骤2,通过建立时间尺度原子库并结合radon变换来处理水下信号并进行时间尺度原子参数t0估计;
步骤3,在估计出时间尺度原子参数t0值的基础上,建立级联原子库,根据t0的估计可以抽取出这一确定的行,将接收的信号分解到这一确定的行上,找出最大匹配值,进而可以直接提取出时频尺度原子参数k;
步骤4,利用级联原子库准确地提取出水下目标信号的主要特征,为最终的信号识别奠定坚实的基础,提高可靠性。
在步骤1)中,所述级联原子库是将待识别信号自适应分解在时间尺度原子和时频原子构成的原子库上,其中:
(1)时间尺度原子
设信号为f(t),在尺度s、位置μ的时间尺度变换运算W[]可以定义为以下形式:
其中,f=(μ,s)是原子库的参数组,是过完备原子库D中的原子,在过完备原子库D中选择与信号f(t)最匹配的原子;
(2)时频原子
在过完备原子库D中选择与信号f(t)最匹配的原子,其选择原则为内积最大,设第一个最匹配原子为g1,则信号f(t)可以分解为两部分:原子g1上的分量和第一次分解的残差R1f,即:
f=<f,g1>g1+R1f (2)
接着对每次匹配的残差进行分解,直到终止条件,若对信号分解了n次,则可以表示成:
其中,Rkf是在第k个原子上的分量,Rnf是第k次分解的残差。
在步骤2)中,所述时间尺度原子参数t0的估计的具体方法如下:
第一:建立声信号的时间尺度原子库:
其中,s是尺度参数,t是时间参数,τk是第k条路径的时延参数,整个原子库的个数为n×m;
第二:将信号分解在过完备原子库上:
把接收到的信号分解在过完备原子库上,信号在过完备原子库的某一个分量上出现最优匹配,现提取最优匹配;最大匹配是一条直线,其轨迹表达式为:
其中,a为原子库中的尺度因子匹配,b为原子库中的时延因子匹配,s0是原子库的尺度参数,t0是原子库的时间参数,即时间尺度原子参数;
第三:通过radon变换检测直线:
把以上匹配后的结果的信号经过radon变换后,会出现一个峰值点,通过该峰值点,可以估计出t0;
在理想背景下,峰值出现在式(6)所示直线在(a,b)平面上的对应点(a0,b0)处,可得:
在步骤3)中,所述时频尺度原子参数k的估计的具体方法如下:。
建立关于估计参数t0,k的级联原子库:
其中,s是尺度参数,t是时间参数,τk是第k条路径的时延参数,整个原子库的个数为n×m;
因为已经估计出t0的值,所以可以建立级联原子库,再根据t0的估计可以抽取出这一确定的行,将接收的信号分解到这一确定的行上,找出最大匹配值,进而可以直接估计出k。
虽然单个的原子库已经是过完备的,但是其仍然是由一个函数离散化得出,具有单一结果,通常只适合分解一类信号,进行单一参数的估计。而不同原子库对具有不同特点的信号分解时各有优劣。因此,若分解多分量信号并进行多参数估计,单个原子库分解必然会有一些局限,导致分解后的稀疏度不高。而使用级联原子库进行稀疏分解则能很好的解决这个问题。水下目标信号本身具有复杂,密集、多变,且交叠严重这些特点,在实际中更是呈现为多分量辐射源信号的形式,使得单一原子库下原子分解效果明显下降。因此,本发明提出基于级联原子库的原子分解方法,用来分解多分量的水下目标源信号。
本发明与常规海洋声目标识别相比具有以下优点:
本发明率先将建立原子库估计声信号参数与稀疏分解这种新的信号处理方法应用于海洋目标辨识技术中。通过水下声信号本身及其回波信号的相关性来建立过完备原子库,可进行未知信号的参数估计。同时,稀疏分解是一种根据信号特点进行信号自适应的分解方法,即将信号自适应分解在一组高度冗余的过完备基(即原子库)上,在一定的误差下的得到信号的最稀疏表示。由于原子库是过完备的,因此可以得到该信号的多个表示,而最稀疏的表示只有一个。稀疏分解就是为了寻找信号在该原子库下的最稀疏表示,即用最少的原子来表示该信号。从而可以有效地解决水下目标识别系统的识别率低、鲁棒性差、可靠性不高而不能满足新形势下的水下目标识别要求的问题。
综上所述,本发明可以有效地解决水下目标识别系统的识别率低、鲁棒性差、可靠性不高而不能满足新形势下的水下目标识别要求的问题。
本发明提供了实时性高、可靠且识别效果理想的水下目标信号识别系统,有效解决了现有水下声目标信号本身具有复杂,密集、多变,且交叠严重的特点,在实际中呈现为多分量辐射源信号的形式,使得水下信号识别效率低、实时性差等问题。因此,本发明提出基于级联原子库的时频原子分解方法,用来分解多分量的水下目标源信号。由于不同的时频原子库能稀疏表示适合分解的那一分量信号,因此可以得到多分量水下目标信号更稀疏的表示,能提取出水下目标信号的主要特征,为信号尚未识别提高了可靠性,以分辨海洋声信号。
附图说明
图1为本发明实施例的过完备原子库的最优匹配示意图。
图2为本发明实施例的最优匹配值经radon变换示意图。
图3为本发明实施例的时频原子k的最佳原子示意图。
具体实施方式
以下结合实施例和附图对本发明作进一步说明。
构造级联原子库的时候,需要充分考虑海洋声信号的特点,由信号的特点来选择合适的原子库组成级联原子库。组成级联原子库的各个原子库之间通常要求有不同的结构,以便于分解不同分量的信号。本发明所选择的级联原子库是时间尺度原子和时频原子。
(1)时间尺度原子
设信号为f(t),在尺度s,位置μ的时间尺度变换运算W[]可以定义为以下形式:
其中,f=(μ,s)是原子库的参数组。是过完备原子库D的原子,在过完备原子库D中选择与信号f(t)最匹配的原子。
(2)时频尺度原子
设信号为f(t),其长度为N,D为过完备原子库,g为原子库中经归一化的原子||g||=1,信号分解时,在过完备原子库D中选择与信号f(t)最匹配的原子,其选择原则为内积最大,设第一个最匹配原子为g1,则
已知原子满足归一化条件,因此,信号f可以分解为两部分:原子g1上的分量和残差R1f,即
f=<f,g1>g1+R1f (3)
接着对每次匹配的残差进行分解,直到终止条件,若对信号分解了n次,则可以表示成
基于级联原子库的时频原子分解方法在级联的2个原子库中搜索每个原子库中的最优原子,然后对搜索到的2个库中的最优原子进行比较,选择出最优原子。具体算法流程描述如下:
步骤1:将信号残差初始化为原信号;
步骤2:时间尺度原子种群初始化。随机产生一定数量的DNA链;
步骤3:进行DNA进化算法搜索时间尺度中的最优原子。主要包括选择、交叉和变异、灾变等操作,具体如下:
步骤3.1:按照DNA码表进行解码(见表1),将DNA链转化为实数;每3个碱基对应一位0到19的实数,如碱基UCA对应3,AAU对应12。再由解码后的实数映射到时间尺度原子参数,由时间尺度原子参数计算出种群中的每个时间尺度原子;
表1 DNA密码表
步骤3.2:对种群中的每个时间尺度原子进行适应度值评价,并保存最优原子信息;
步骤3.3:对适应度值进行排序,然后按轮盘赌规则进行选择;其后按照一定概率进行交叉和变异;
步骤3.4:判断是否进行灾变。计算种群中DNA链的多样性值,若其小于预定值则进行灾变。灾变策略为保留5%的最优个体和步骤5%的次优个体,剩下的90%个体重新初始化;
步骤3.5:重复步骤3.1直到满足终止条件;
步骤4:时频原子种群初始化。并按照步骤3进行最优时频原子搜索;
步骤5:对搜索到的2个原子进行比较,选择适应度值最大为最优原子;
步骤6:将当前信号残差更新为原残差减去最优原子乘上最优原子与原残差的内积;
步骤7:重复步骤2直到满足分解的终止条件。
(3)海洋声信号的级联原子库设计及参数估计
时间尺度原子参数t0的估计
下面通过建立时间尺度原子库并结合radon变换来处理双曲调频信号并进行参数估计。
第一:建立基HFM信号的时间尺度原子库
设发射信号为f(t),其表达式为:
为了在干扰背景下进行HFM信号的参数估计,通过建立关于尺度因子和时延因子的过完备原子库,进而实现具有不同尺度和时延的副本信号与接收信号的相关。下面建立过完备原子库。假设τ0为时延参数,s0为尺度参数,则可以构造出信号关于尺度和时延的过完备原子库Gf{gr}:
其中,m,n为τ0,s0的集合,整个原子库的个数为n×m。
第二:将信号分解在过完备原子库上。
把接收到的信号分解在过完备原子库上,如图1所示。
信号在过完备原子库的某一个分量上出现最优匹配,提取最优匹配。
最优匹配中可以提取出其最大匹配,已经证明其最大匹配是一条直线,其轨迹表达式为:
其中a为原子库中的尺度因子匹配,b为原子库中的时延因子匹配。
第三:通过radon变换检测直线。
把上面匹配后的结果的信号经过radon变换后,会出现一个峰值点,通过这个峰值点,可以估计出时间尺度原子参数t0,如图2示。
在理想背景下,峰值出现在式(7)所示直线在(a,b)平面上的对应点(a0,b0)处,可得:
由上述原理,估计时频尺度原子参数k时,可首先建立关于估计时间尺度原子参数t0,k的级联原子库Hf{gd}:
因为已经估计出t0的值,所以可以建立级联原子库,再根据t0的估计可以抽取出这一确定的行,将接收的信号分解到这一确定的行上,找出最大匹配值,进而可以直接提取出k,其最佳原子如图3示。
本发明提出了一种具有低计算复杂度、快实时性、高鲁棒性与识别效果理想的水下目标信号辨识系统。由于水下声目标信号本身具有复杂,密集、多变以及交叠严重的特点,在海洋环境中呈现为多分量辐射源信号的形式,使得水下信号识别效率低、实时性差。因此,本发明通过水下声信号本身及其回波信号的相关性来建立过完备原子库,将待识别信号自适应分解在原子库上,得到信号的最稀疏表示,估计此信号的参数,最终准确地提取出目标信号的主要特征,从而实现海洋信号辨识。在有潜艇、鱼雷、暗礁、鱼群及生物群等各式各样目标的海洋中,基于级联原子库的探测技术可以通过海洋传播的声音去识别目标,可以有效地解决水下目标识别系统的识别率低、鲁棒性差、可靠性不高而不能满足新形势下的水下目标识别要求的问题,这在军用或民用上都具有很重要的意义。
Claims (4)
1.基于级联原子库的海洋目标辨识探测方法,其特征在于包括以下步骤:
步骤1,通过水下声信号本身及其回波信号的相关性来建立过完备原子库,并根据其呈现的多分量辐射源信号的形式,选择时间尺度原子和时频原子组成级联原子库,将待识别信号自适应分解在原子库上,得到信号的最稀疏表示;
步骤2,通过建立时间尺度原子库并结合radon变换来处理水下信号并进行时间尺度原子参数t0估计;
步骤3,在估计出时间尺度原子参数t0值的基础上,建立级联原子库,根据t0的估计抽取出这一确定的行,将接收的信号分解到这一确定的行上,找出最大匹配值,进而直接提取出时频尺度原子参数k;
步骤4,利用级联原子库准确地提取出水下目标信号的主要特征,为最终的信号识别奠定坚实的基础,提高可靠性。
2.如权利要求1所述基于级联原子库的海洋目标辨识探测方法,其特征在于在步骤1中,所述级联原子库是将待识别信号自适应分解在时间尺度原子和时频原子构成的原子库上,其中:
(1)时间尺度原子
设信号为f(t),在尺度s、位置μ的时间尺度变换运算W[]定义为以下形式:
其中,f=(μ,s)是原子库的参数组,是过完备原子库D中的原子,在过完备原子库D中选择与信号f(t)最匹配的原子;
(2)时频原子
在过完备原子库D中选择与信号f(t)最匹配的原子,其选择原则为内积最大,设第一个最匹配原子为g1,则信号f(t)分解为两部分:原子g1上的分量和第一次分解的残差R1f,即:
f=<f,g1>g1+R1f (2)
接着对每次匹配的残差进行分解,直到终止条件,若对信号分解了n次,则表示成:
其中,Rkf是在第k个原子上的分量,Rnf是第k次分解的残差。
3.如权利要求1所述基于级联原子库的海洋目标辨识探测方法,其特征在于在步骤2中,所述时间尺度原子参数t0的估计的具体方法如下:
第一:建立声信号的时间尺度原子库:
其中,s是尺度参数,t是时间参数,τk是第k条路径的时延参数,整个原子库的个数为n×m;
第二:将信号分解在过完备原子库上:
把接收到的信号分解在过完备原子库上,信号在过完备原子库的某一个分量上出现最优匹配,现提取最优匹配;最大匹配是一条直线,其轨迹表达式为:
其中,a为原子库中的尺度因子匹配,b为原子库中的时延因子匹配,s0是原子库的尺度参数,t0是原子库的时间参数,即时间尺度原子参数;
第三:通过radon变换检测直线:
把以上匹配后的结果的信号经过radon变换后,会出现一个峰值点,通过该峰值点,估计出t0;
在理想背景下,峰值出现在式(6)所示直线在(a,b)平面上的对应点(a0,b0)处,得:
4.如权利要求1所述基于级联原子库的海洋目标辨识探测方法,其特征在于在步骤3中,所述时频尺度原子参数k的估计的具体方法如下:
建立关于估计参数t0,k的级联原子库:
其中,s是尺度参数,t是时间参数,τk是第k条路径的时延参数,整个原子库的个数为n×m;
因为已经估计出t0的值,所以建立级联原子库,再根据t0的估计抽取出这一确定的行,将接收的信号分解到这一确定的行上,找出最大匹配值,进而直接估计出k。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510591770.2A CN105279481B (zh) | 2015-09-17 | 2015-09-17 | 基于级联原子库的海洋目标辨识探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510591770.2A CN105279481B (zh) | 2015-09-17 | 2015-09-17 | 基于级联原子库的海洋目标辨识探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105279481A CN105279481A (zh) | 2016-01-27 |
CN105279481B true CN105279481B (zh) | 2018-12-28 |
Family
ID=55148465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510591770.2A Active CN105279481B (zh) | 2015-09-17 | 2015-09-17 | 基于级联原子库的海洋目标辨识探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105279481B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102025423A (zh) * | 2010-11-30 | 2011-04-20 | 中国船舶重工集团公司第七一五研究所 | 一种适合移动平台的被动时反水声通信方法 |
CN103995973A (zh) * | 2014-05-27 | 2014-08-20 | 哈尔滨工业大学 | 一种基于过完备字典集合划分的信号稀疏分解方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101150332B1 (ko) * | 2004-10-21 | 2012-06-08 | 삼성전자주식회사 | 양자화계수 선택빈도수가 통계적으로 반영된 테이블을이용한 영상부호화 제어장치 및 방법 |
-
2015
- 2015-09-17 CN CN201510591770.2A patent/CN105279481B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102025423A (zh) * | 2010-11-30 | 2011-04-20 | 中国船舶重工集团公司第七一五研究所 | 一种适合移动平台的被动时反水声通信方法 |
CN103995973A (zh) * | 2014-05-27 | 2014-08-20 | 哈尔滨工业大学 | 一种基于过完备字典集合划分的信号稀疏分解方法 |
Non-Patent Citations (2)
Title |
---|
Doppler Estimation, Synchronization with HFM Signals for Underwater Acoustic Communications;Zhang Lan等;《Applied Mechanics and Materials》;20121231;全文 * |
基于级联原子库的时频原子分解;唐承志等;《重庆邮电大学学报(自然科学版)》;20111031;第23卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105279481A (zh) | 2016-01-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163108B (zh) | 基于双路径特征融合网络的鲁棒声呐目标检测方法 | |
CN109283492B (zh) | 多目标方位估计方法及水声垂直矢量阵列系统 | |
CN101470194B (zh) | 一种水雷目标的识别方法 | |
Usman et al. | Review of automatic detection and classification techniques for cetacean vocalization | |
CN109655815B (zh) | 基于ssd的声呐目标检测方法 | |
Nosal | Methods for tracking multiple marine mammals with wide-baseline passive acoustic arrays | |
CN106855941A (zh) | 基于雷达微多普勒信号稀疏优化的手势识别方法及系统 | |
CN104732970A (zh) | 一种基于综合特征的舰船辐射噪声识别方法 | |
Leal et al. | Marine vessel recognition by acoustic signature | |
Berg et al. | Classification of anti-submarine warfare sonar targets using a deep neural network | |
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 | |
Cotter et al. | Classification of broadband target spectra in the mesopelagic using physics-informed machine learning | |
CN110850420B (zh) | 基于弹球损失的FisherSVM声纳信号判别方法 | |
CN115114949A (zh) | 一种基于水声信号的舰船目标智能识别方法及系统 | |
CN112183582A (zh) | 一种多特征融合的水下目标识别方法 | |
CN103116740A (zh) | 一种水下目标识别方法及其装置 | |
CN113111786B (zh) | 基于小样本训练图卷积网络的水下目标识别方法 | |
CN105279481B (zh) | 基于级联原子库的海洋目标辨识探测方法 | |
Vahidpour et al. | An automated approach to passive sonar classification using binary image features | |
Zhang et al. | Underwater target detection based on machine learning | |
CN115909040A (zh) | 一种基于自适应多特征融合模型的水声目标识别方法 | |
Zhang et al. | End-to-end overlapped speech detection and speaker counting with raw waveform | |
Klay et al. | Advanced methods for passive acoustic detection, classification, and localization of marine mammals | |
Zhang et al. | Underwater acoustic source separation with deep Bi-LSTM networks | |
Khare et al. | Prediction of rock and mineral from sound navigation and ranging waves using artificial intelligence techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |