CN107305248A - 一种基于隐马尔科夫模型的超宽频带目标识别方法及装置 - Google Patents

一种基于隐马尔科夫模型的超宽频带目标识别方法及装置 Download PDF

Info

Publication number
CN107305248A
CN107305248A CN201610238172.1A CN201610238172A CN107305248A CN 107305248 A CN107305248 A CN 107305248A CN 201610238172 A CN201610238172 A CN 201610238172A CN 107305248 A CN107305248 A CN 107305248A
Authority
CN
China
Prior art keywords
target
different
hmm
symbol sebolic
sebolic addressing
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
Application number
CN201610238172.1A
Other languages
English (en)
Inventor
许枫
温涛
安旭东
王梦宾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Acoustics CAS
Original Assignee
Institute of Acoustics CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Acoustics CAS filed Critical Institute of Acoustics CAS
Priority to CN201610238172.1A priority Critical patent/CN107305248A/zh
Publication of CN107305248A publication Critical patent/CN107305248A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/411—Identification of targets based on measurements of radar reflectivity

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于隐马尔科夫模型的超宽频带目标识别方法及装置，该方法包括：获取水下待测目标在不同频点上的目标回波信号；对目标回波信号进行预处理；提取目标回波信号的时域质心特征；将不同频点上的时域质心特征作为观测序列，并将观测序列量化为观察值符号序列；将训练数据集的观察值符号序列训练为不同的隐马尔科夫模型；利用测试数据集的观察值符号序列对不同的隐马尔科夫模型计算条件概率，条件概率对应的目标类别即为水下待测目标的目标类型。该装置包括：采集模块、第一处理模块、提取模块、第二处理模块、训练模块和识别模块。本发明利用水下待测目标在不同频点上的时域质心特征进行分类，提高了水下待测目标识别概率。

Description

一种基于隐马尔科夫模型的超宽频带目标识别方法及装置
技术领域
本发明涉及一种目标识别领域，尤其涉及一种基于隐马尔科夫模型的超宽频带目标识别方法及装置。
背景技术
在水下待测目标的目标识别应用中，多采用单一频率的目标识别方法，提取的某些特征往往受发射信号频率的影响，具有不稳定性，仅仅利用一个频点或频段的目标信息很难将目标识别出来。采用超宽频带的系统可以同时获得目标在不同频率上的信息，能够在单帧内获得更多的新的可用目标信息，缩短对目标的识别时间。
但常用的超宽频带目标识别方法采用不同频段特征的融合识别，虽然利用了目标在不同频点上的信息，却忽略了不同频段上目标特征之间的相互联系。A.G Repjar等人将N个不同频点上目标回波的幅度提取出来，作为N维组合特征向量，并利用不同的线性分类器进行分类，取得了良好的识别效果。Guang-xin Wu等人利用高频表面波雷达的多频率RCS(Radar Cross Section)特征成功对雷达目标进行了分类识别。
发明内容
本发明的目的在于，提供一种基于隐马尔科夫模型的超宽频带目标识别方法及装置，它将语音信号处理中常用的隐马尔科夫模型算法应用到水下超宽频带目标识别中，利用了目标在不同频率上的时域质心特征进行分类，与单一频段下的目标识别相比，提高了目标识别概率。
为了实现上述目的，一方面，本发明提供了一种基于隐马尔科夫模型的超宽频带目标识别方法，该方法包括以下步骤：
获取水下待测目标在不同频点上的目标回波信号；
对目标回波信号进行预处理；
提取目标回波信号的时域质心特征；
将不同频点上的时域质心特征作为观测序列，并将观测序列进行量化为观察值符号序列；
将训练集数据的观察值符号序列训练为不同的隐马尔科夫模型；
利用测试集数据的观察值符号序列对不同的隐马尔科夫模型计算条件概率，条件概率对应的目标类别即为所述水下待测目标的目标类型。
另一方面，本发明提供了一种基于隐马尔科夫模型的超宽频带目标识别装置，该装置包括：
采集模块，用于获取目标在不同频点上的目标回波信号；
第一处理模块，用于对目标回波信号进行预处理；
提取模块，用于提取目标回波的时域质心特征；
第二处理模块，用于将不同频点上的时域质心特征作为观测序列，并将所述观测序列量化为观察值符号序列；
训练模块，用于将训练数据集的观察值符号序列训练为不同的隐马尔科夫模型；
识别模块，用于利用测试数据集的观察值符号序列对不同的隐马尔科夫模型计算条件概率，条件概率对应的目标类别即为水下待测目标的目标类型。
本发明提供的一种基于隐马尔科夫模型的超宽频带目标识别方法及装置，与单一频段下的目标识别相比，提高了目标识别概率。
附图说明
图1为本发明实施例提供的一种基于隐马尔科夫模型的超宽频带目标识别方法流程图；
图2为本发明实施例提供的在消声水池进行基于隐马尔科夫模型的超宽频带目标识别测量实验的实验布局图；
图3为本发明实施例提供的一种基于隐马尔科夫模型的超宽频带目标识别装置结构框图。
具体实施方式
下面通过附图和实施例，对本发明的技术方案作进一步的详细描述。
图1为本发明实施例提供的一种基于隐马尔科夫模型的超宽频带目标识别方法流程图。如图1所示，该方法包括步骤101-106。
步骤101，获取水下待测目标在不同频点上的目标回波信号。
向水下待测目标发射不同频率的单频脉冲信号，并利用水听器获取水下待测目标在不同频点上的目标回波信号。
步骤102，对目标回波信号进行预处理。
目标回波信号进行预处理的方式包括带通滤波方式和截取目标回波信号方式。
步骤103，提取目标回波信号的时域质心特征。
时域质心是信号的能量在时间轴上的重心，它是在一定时间范围内通过对能量加权平均得到的时间，是时间的一阶距，反映了信号的主要能量集中的区域。时域质心的计算公式可表示为：
其中，TC为时域质心，T为信号长度，x(t)为信号在t时刻的幅值。
步骤104，将不同频点上的时域质心特征作为观测序列，并将观测序列进行量化，化为观察值符号序列。
设共采集P个频点上的目标回波，提取第i频点上的目标时域质心为TCi，并依次排列作为一个观测向量O＝[TC1,TC2,…TCP]，并对观测向量进行量化，化为观察值符号序列。选定模型状态数为N，π＝(π1,π2…πN)为各个状态概率的初始分布矢量，用于描述观察序列O在第一个频点时处于各状态的概率。
步骤105，将观察值符号序列训练为不同的隐马尔科夫模型。
利用不同目标的训练数据的观察值符号序列由Baum-Welch算法对隐马尔科夫模型参数进行训练，得到每个目标所对应模型的状态转移矩阵A和概率矩阵B。
A为状态转移概率矩阵，Aij＝{aij|i,j＝1,2,…N}，aij是指在发射第t个信号时状态为Si，而发射第t+1个信号时转移到状态Sj的概率，即aij＝p[qt+1＝sj|qt＝si]，1≤i,j≤N。
B为概率矩阵，是状态Sj的观测符号概率分布，观察序列为符号序列，B＝{bj(k),j＝1,2…N；k＝1,2…M}，并满足
步骤106，利用观察值符号序列对所述不同的隐马尔科夫模型计算条件概率，条件概率最大的隐马尔科夫模型对应的目标类别即为所述水下待测目标的目标类型。
获得测试数据的观测向量，并量化。利用前向概率计算方法计算P(OTEST|λq)。其中。OTEST为测试数据的观测向量，λq为第q个隐马尔科夫模型。计算完成后，最大的条件概率所对应的目标类别即为测试数据的目标类型。
图2为本发明实施例提供的在消声水池进行基于隐马尔科夫模型的超宽频带目标识别测量实验的实验布局图。如图2所示，在消声水池进行了水下目标的超宽频测量实验。利用球形宽带发射换能器与BK8105标准水听器对10种水下形状相似的目标进行散射信号的测量和分析，10类目标分别为：直径为10cm，长37.5cm的空心不锈钢圆柱、空心玻璃钢圆柱、实心水泥圆柱、实心大理石圆柱；直径为16cm，长62cm的空心不锈钢圆柱、空心玻璃钢圆柱、实心水泥圆柱、实心大理石圆柱。
由于试验在消声水池进行，信噪比非常高，而实际的湖泊、海洋等水声信道相对复杂，介质的随机性较大，会使得目标回波与典型的回波有较大差异。鉴于此，本文考虑加入带内噪声。添加适当功率的带限白噪声来模拟实际环境噪声等的影响，对加噪后的样本信号进行特征提取与分类。加噪声后的回波信噪比为5dB。
把回波数据分为两组：第一组为训练样本，每类包含125个样本；第二组为测试样本，每类包含125个样本。
首先将同一目标的相邻频率中相似的目标特征进行聚类，得到10个状态。然后将不同目标各个频率上的特征向量利用HMM进行识别。识别结果如下：
表1基于隐马尔科夫模型的超宽频带水下目标识别率
图3为本发明实施例提供的基于隐马尔科夫模型的超宽频带目标识别装置结构框图。如图3所示，该装置500包括采集模块501、第一处理模块502、提取模块503、第二处理模块504、训练模块505和识别模块506。其中，
采集模块501用于获取水下待测目标在不同频点上的目标回波信号；
第一处理模块502用于对目标回波信号进行预处理；
提取模块503用于提取目标回波信号的时域质心特征；
第二处理模块504将不同频点上的时域质心特征作为观测序列，并将观测序列进行量化，化为观察值符号序列；
训练模块505用于将训练数据的观察值符号序列训练为不同的隐马尔科夫模型；
识别模块506用于利用测试数据的观察值符号序列对不同的隐马尔科夫模型计算条件概率，条件概率最大的隐马尔科夫模型对应的目标类别即为所述水下待测目标的目标类型。
本发明实施例将语音信号处理中常用的隐马尔科夫模型算法应用到水下超宽频带目标识别中，利用了目标在不同频率上的时域质心特征进行分类，与单一频段下的目标识别相比，提高了目标识别概率。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于隐马尔科夫模型的超宽频带目标识别方法，其特征在于，包括以下步骤：
获取水下待测目标在不同频点上的目标回波信号；
对所述目标回波信号进行预处理；
提取所述目标回波信号的时域质心特征；
将所述不同频点上的时域质心特征作为观测序列，并将所述观测序列量化为观察值符号序列；
将所述训练集数据的观察值符号序列训练为不同的隐马尔科夫模型；
利用所述测试集数据的观察值符号序列对所述不同的隐马尔科夫模型计算条件概率，所述条件概率对应的目标类别即为所述水下待测目标的目标类型。
2.根据权利要求1所述的方法，其特征在于，获取目标在不同频点上的目标回波信号步骤，包括：向水体中目标发射不同频率的单频脉冲信号；利用水听器获取水下待测目标在不同频点上的目标回波信号。
3.根据权利要求1所述的方法，其特征在于，对所述目标回波信号进行预处理的方式，包括：带通滤波方式和截取目标回波信号方式。
4.根据权利要求1所述的方法，其特征在于，所述时域质心的计算公式为：
其中，TC为时域质心，T为信号长度，x(t)为信号在t时刻的幅值。
5.根据权利要求1所述的方法，其特征在于，将所述训练集数据的观察值符号序列训练为不同的隐马尔科夫模型步骤，包括：利用不同目标的观察值符号序列由Baum-Welch算法对隐马尔科夫模型参数进行训练，得到每个目标所对应模型的状态转移矩阵A和概率矩阵B。
6.根据权利要求1所述的方法，其特征在于，利用所述测试数据集的观察值符号序列对所述不同的隐马尔科夫模型计算条件概率，所述条件概率对应的目标类别即为水下待测目标的目标类型步骤，包括：利用前向概率计算方法计算条件概率P(OTEST|λq)；其中，OTEST为测试数据的观测向量，λq为第q个隐马尔科夫模型，计算所得最大的条件概率所对应的目标类别即为所述水下待测目标的测目标类型。
7.一种基于隐马尔科夫模型的超宽频带目标识别装置，其特征在于，包括：
采集模块，用于获取目标在不同频点上的目标回波信号；
第一处理模块，用于对所述目标回波信号进行预处理；
提取模块，用于提取所述目标回波的时域质心特征；
第二处理模块，用于将所述不同频点上的时域质心特征作为观测序列，并将所述观测序列进行量化，化为观察值符号序列；
训练模块，用于将训练数据集的所述观察值符号序列训练为不同的隐马尔科夫模型；
识别模块，用于利用测试数据集的所述观察值符号序列对所述不同的隐马尔科夫模型计算条件概率，所述条件概率对应的目标类别即为水下待测目标的目标类型。
8.根据权利要求7所述的装置，其特征在于，所述转换模块具体用于：
利用不同目标的观察值符号序列由Baum-Welch算法对隐马尔科夫模型参数进行训练，得到每个目标所对应模型的状态转移矩阵A和概率矩阵B。
CN201610238172.1A 2016-04-18 2016-04-18 一种基于隐马尔科夫模型的超宽频带目标识别方法及装置 Pending CN107305248A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610238172.1A CN107305248A (zh) 2016-04-18 2016-04-18 一种基于隐马尔科夫模型的超宽频带目标识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610238172.1A CN107305248A (zh) 2016-04-18 2016-04-18 一种基于隐马尔科夫模型的超宽频带目标识别方法及装置

Publications (1)

Publication Number Publication Date
CN107305248A true CN107305248A (zh) 2017-10-31

Family

ID=60152118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610238172.1A Pending CN107305248A (zh) 2016-04-18 2016-04-18 一种基于隐马尔科夫模型的超宽频带目标识别方法及装置

Country Status (1)

Country Link
CN (1) CN107305248A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102314595A (zh) * 2010-06-17 2012-01-11 微软公司 用于改善话音识别的rgb/深度相机
CN102760235A (zh) * 2011-04-25 2012-10-31 中国科学院声学研究所 一种基于多视的水下目标分类系统及方法
CN103091679A (zh) * 2013-02-04 2013-05-08 中国科学院声学研究所 水下运动目标识别方法
CN103308918A (zh) * 2012-03-12 2013-09-18 中国科学院声学研究所 一种基于分段时域质心特征的鱼类识别方法及系统
CN103810473A (zh) * 2014-01-23 2014-05-21 宁波大学 一种基于隐马尔科夫模型的人体对象的目标识别方法
CN104457452A (zh) * 2014-10-20 2015-03-25 上海电机学院 一种伪随机码体制激光引信系统及其目标识别方法
CN104714237A (zh) * 2015-01-30 2015-06-17 哈尔滨工程大学 一种多特征及多方位数据融合鱼类识别方法
CN105487078A (zh) * 2014-09-17 2016-04-13 中国科学院声学研究所 用于多波束测深系统的自适应底检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102314595A (zh) * 2010-06-17 2012-01-11 微软公司 用于改善话音识别的rgb/深度相机
CN102760235A (zh) * 2011-04-25 2012-10-31 中国科学院声学研究所 一种基于多视的水下目标分类系统及方法
CN103308918A (zh) * 2012-03-12 2013-09-18 中国科学院声学研究所 一种基于分段时域质心特征的鱼类识别方法及系统
CN103091679A (zh) * 2013-02-04 2013-05-08 中国科学院声学研究所 水下运动目标识别方法
CN103810473A (zh) * 2014-01-23 2014-05-21 宁波大学 一种基于隐马尔科夫模型的人体对象的目标识别方法
CN105487078A (zh) * 2014-09-17 2016-04-13 中国科学院声学研究所 用于多波束测深系统的自适应底检测方法
CN104457452A (zh) * 2014-10-20 2015-03-25 上海电机学院 一种伪随机码体制激光引信系统及其目标识别方法
CN104714237A (zh) * 2015-01-30 2015-06-17 哈尔滨工程大学 一种多特征及多方位数据融合鱼类识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HUI LIU等: "A Novel Approach Research on Low Altitude Passive Acoustic Target Recognition Based on ICA and HMM", 《FOURTH INTERNATIONAL CONFERENCE ON NATURAL COMPUTATION》 *
YANG JUAN等: "Adaptive Multi-Feature Fusion for Underwater Diver Classification", 《2013 IEEE/OES ACOUSTICS IN UNDERWATER GEOSCIENCES SYMPOSIUM》 *
刘寅等: "自适应分段时频质心特征在鱼类识别中的应用", 《应用声学》 *
郭武等: "基于隐马尔科夫模型的RCS识别方法研究", 《现代雷达》 *

Similar Documents

Publication Publication Date Title
CN110245608B (zh) 一种基于半张量积神经网络的水下目标识别方法
CN110807365B (zh) 一种基于gru与一维cnn神经网络融合的水下目标识别方法
CN105550636B (zh) 一种目标类型识别的方法及装置
Zhang et al. Integrated neural networks based on feature fusion for underwater target recognition
CN105488466B (zh) 一种深层神经网络和水声目标声纹特征提取方法
Usman et al. Review of automatic detection and classification techniques for cetacean vocalization
CN106855941B (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
CN109800700A (zh) 一种基于深度学习的水下声信号目标分类识别方法
CN107610707A (zh) 一种声纹识别方法及装置
CN106772331B (zh) 目标识别方法和目标识别装置
CN104732970B (zh) 一种基于综合特征的舰船辐射噪声识别方法
CN109343046A (zh) 基于多频多域深度学习的雷达步态识别方法
CN109711314B (zh) 基于特征融合与sae的雷达辐射源信号分类方法
CN113822201B (zh) 基于流场速度分量时程的水下物体外形识别的深度学习方法
Yang et al. Open set recognition of underwater acoustic targets based on GRU-CAE collaborative deep learning network
Shen et al. Improved auditory inspired convolutional neural networks for ship type classification
CN113780521B (zh) 一种基于深度学习的辐射源个体识别方法
Xiao et al. AMResNet: An automatic recognition model of bird sounds in real environment
CN103116740A (zh) 一种水下目标识别方法及其装置
CN110969203B (zh) 基于自相关和cam网络的hrrp数据去冗余方法
CN105513058B (zh) 一种脑激活区检测方法和装置
CN111983569A (zh) 基于神经网络的雷达干扰抑制方法
CN116311067A (zh) 基于高维特征图谱的目标综合识别方法、装置及设备
CN107305248A (zh) 一种基于隐马尔科夫模型的超宽频带目标识别方法及装置
CN113095381B (zh) 一种基于改进型dbn的水声目标辨识方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20171031

RJ01 Rejection of invention patent application after publication