CN109100710A - 一种基于卷积神经网络的水下目标识别方法 - Google Patents

一种基于卷积神经网络的水下目标识别方法 Download PDF

Info

Publication number
CN109100710A
CN109100710A CN201810669600.5A CN201810669600A CN109100710A CN 109100710 A CN109100710 A CN 109100710A CN 201810669600 A CN201810669600 A CN 201810669600A CN 109100710 A CN109100710 A CN 109100710A
Authority
CN
China
Prior art keywords
target
frequency
time
neural networks
convolutional neural
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
CN201810669600.5A
Other languages
English (en)
Inventor
武其松
徐萍
方世良
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN201810669600.5A priority Critical patent/CN109100710A/zh
Publication of CN109100710A publication Critical patent/CN109100710A/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
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/523—Details of pulse systems
    • G01S7/526—Receivers
    • G01S7/527—Extracting wanted echo signals
    • 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
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/534—Details of non-pulse systems
    • G01S7/536—Extracting wanted echo signals
    • 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
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于卷积神经网络的水下目标识别方法，包括：1模拟水声目标辐射噪声；2获取水下目标跟踪波束；3获取目标跟踪波束的时频图，所有时频图按照固定时长分割并划分为训练样本和测试样本；4对样本进行数据增强，尺寸缩放、裁剪；5将带有标签的训练样本输入建立的卷积神经网络，进行有监督学习，得到卷积神经网络各层参数；6利用各层参数初始化网络，得到具有水下目标识别功能的卷积神经网络；7拖曳阵获取待测航行目标的辐射噪声，转换为时频图并分割，分割后的子图作为待测样本输入卷积神经网络中，得到每个子图的识别结果，将识别出的目标数量最多的目标作为最终识别结果。该方法可以在高海洋背景噪声的条件下使水下目标的识别保持较高的精度和速度。

Description

一种基于卷积神经网络的水下目标识别方法
技术领域
本发明属于水下目标特征提取和目标识别领域，具体涉及一种基于卷积神经网络的水下目标识别方法。
背景技术
水听器拖曳线列阵声纳简称拖曳阵，是拖曳在舰船尾部一定距离的声探测系统，通过接收航行目标自身的辐射噪声，对辐射噪声进行特征提取，从而检测目标的有无并估计目标的有关参数。它具有探测能力强，探测频率低，水文适应能力强和无盲区的特点。
水下目标识别是实现水声装备与武器系统智能化的关键技术，因此水下目标自动识别技术在50年代末就受到了学术界和应用部门的高度重视。水声目标特征分析和特征提取技术是伴随着现代信号处理技术、人工神经网络技术、最优化方法等相关技术的发展而发展的。特征选择和提取的基本任务是如何从许多特征中找出那些最有效的特征以达到降低特征空间维数的目的。早期的特征分析主要利用信号的自相关函数或功率谱估计或AR模型等，基本上是基于对噪声的平稳过程和线性过程的假设。
实际的水声目标辐射噪声不仅发声机理十分复杂，而且成分多样，如舰船的辐射噪声中既有机械噪声、螺旋桨噪声还有水动力噪声，既有宽带连续谱分量、较强的窄带线谱分量又有明显的幅度调制成分。水声信道受声速分布、海面波浪、海底地质、海底的凹凸不平、海水介质不均匀、内波及声源运动等的影响表现得十分复杂，是时变空变的信道。在海洋中，存在着海面、海底和声速剖面，这使得水声信号的传播是多途径的。在有关特征提取文献中，有用时域方法寻找水声目标的特征向量的，也有用频域方法寻找水声目标的特征向量的，但是受这些复杂因素的影响，实际的水声信号具有较强的时变特性和非高斯特性，不论时域特征还是频域特征都不能准确地描述水声信号特性。
近年来，随着减振降噪技术在各国舰船的大量运用，尤其是安静型水下目标的出现，其辐射噪声大幅度降低，对低信噪比条件下实现性能良好的特征提取与目标识别技术的要求越来越高，对目标识别技术的准确性、兼容性要求也越来越高。
由于水声目标识别本身的复杂性，目前的水声目标识别，还只能是声纳的辅助决策系统，离问题的真正解决尚有很长的路要走。未来的水声目标特征提取与自动识别技术毫无疑问将要求进一步拓展现有的方法，继续对相关的许多问题进行讨论，并且向不同的方向和领域延伸。在改进经典的特征提取方法的同时进行新的特征提取方法的研究。将多种方法组合在一起并利用各种方法的优势，使整个算法能够获得更好的处理性能。为了提高分类系统的学习、识别能力、对环境的适应能力、以及系统的可靠性、容错性，依然需要把分类技术作为研究的重点，利用新理论、新方法分别提高统计分类技术、神经网络、模糊理论的性能，以提高目标识别率。
发明内容
发明目的：针对现有技术中存在的问题，本发明提供了一种基于卷积神经网络的水下目标识别方法，该方法通过卷积神经网络提取水下目标辐射噪声的时间-频率域的深层次特征，使得在高海洋背景噪声的条件下水下目标的识别依然保持较高的精度和速度。
技术方案：本发明采用如下技术方案：
一种基于卷积神经网络的水下目标识别方法，包括如下步骤：
(1)模拟水声目标辐射噪声中的连续谱分量调制信号Rc(t)和线谱分量Rl(t)，构成水声目标辐射噪声R(t)，R(t)＝Rc(t)+Rl(t)；
(2)模拟海况背景噪声，得到拖曳阵获取的水下目标的跟踪波束g(t)；
(3)获取目标跟踪波束的时频图，将不同目标的时频图添加标签，所述标签标示了时频图对应的水下目标；将所有时频图按照固定时长△T进行分割，分割后的每个目标的时频图子图划分为训练样本集和测试样本集；
(4)对训练样本集和测试样本集进行数据增强，尺寸缩放、裁剪；
(5)将带有标签的训练样本输入建立的卷积神经网络，进行有监督的学习，得到卷积神经网络的各层参数；
(6)利用训练后的卷积神经网络各层的参数，对网络进行初始化，得到具有水下目标识别功能的卷积神经网络；
(7)拖曳阵获取待测航行目标的辐射噪声y(t)，对y(t)通过短时傅里叶变换画出待测目标时频图，将待测目标时频图按照固定时长△T进行分割，分割后的每个子图作为待测数据；将待测数据输入步骤(6)得到的具有水下目标识别功能的卷积神经网络中，得到每个子图的识别结果，将识别出的目标数量最多的目标作为最终识别结果。
步骤(1)中所述水声目标辐射噪声中的连续谱分量调制信号Rc(t)的获取步骤如下：
(A.1)采用三参数模型法模拟平稳连续谱的功率谱Gxf(ωt)：
其中ωm，ωc和λ为三参数模型的三个参数，决定了该连续谱的形状；ωt为频率，ωm为尖锐度因子，决定谱锋的尖锐程度和高度，ωc决定谱锋的位置，λ决定功率谱高、低频端幅度的相对比例，σ表示平稳连续谱信号的能量；
(A.2)建立p阶AR滤波器，其Yule-Walker方程为：
其中a[q]，q∈{1,2,…,p}和p0为p阶AR滤波器系数，δ[k]为冲击函数；rx[k]为Gxf(ωt)的自相关函数rc(τ)的采样值；
(A.3)采用Levison-Durbin算法求解式(2)方程，得到p阶AR滤波器系数；高斯白噪声通过该AR滤波器后得到的信号，即为水声目标辐射噪声中的平稳连续谱分量xc(t)；
(A.4)对xc(t)进行幅度调制，得到调制信号Rc(t)，Rc(t)可表示为：
Rc(t)＝A[1+αr(t)]xc(t)
其中A为信号的幅值，α为调幅系数，满足0<α<1，r(t)为调制函数。
所述水声目标辐射噪声中的线谱分量Rl(t)的获取步骤如下：
(B.1)采用K个正弦信号来模拟目标信号的线谱分量，其中Ak为正弦信号幅度，fk为正弦信号的频率，t∈[0,T]为观测时间；
(B.2)在线谱位置fk处计算连续谱分量调制信号Rc(t)的能量PIk，k＝1,2,...,K；
(B.3)根据已知的信号干扰比计算出各个正弦信号幅度Ak，即得到水声目标辐射噪声中的线谱分量Rl(t)。
步骤(2)包括如下步骤：
(2.1)将拖曳阵中的一个阵元设置为参考阵元，其阵元数据为：
s1(t)＝R(t)；
R(t)为水声目标辐射噪声；
(2.2)拖曳阵中其余M-1个阵元的阵元数据为：
si(t)＝R(t-timeDelay(i))，i＝2,…,M；
其中M为阵元总数，timeDelay(i)为第i个阵元相对于参考阵元的时延：
式中tarDis(i)为声源与第i个阵元之间的距离，v是声音在水中的传播速度；
(2.3)采用三参数模型法模拟海况背景噪声的平稳连续谱的功率谱，建立p阶AR滤波器，采用Levison-Durbin算法求解p阶AR滤波器的Yule-Walker方程，得到p阶AR滤波器系数；
根据已知的信噪比计算能量Pn，并将M路高斯白噪声通过该AR滤波器，生成能量为Pn的M路海况背景噪声ni(t)，其中i＝1,…,M；
(2.4)观测阵列信号xi(t)为：xi(t)＝si(t)+ni(t)；
(2.5)根据目标方位θ计算各阵元的时延估计
其中，d为相邻阵元间间距。
(2.6)将各阵元数据按时延估计与参考阵元对齐，对对齐后的阵元数据相干相加获得目标跟踪波束g(t)：
步骤(3)包括如下步骤：
(3.1)对目标跟踪波束g(t)通过短时傅里叶变换画出时频图，具体公式为：
其中，w(m)为高斯窗函数，N为窗长；
(3.2)将不同目标的时频图添加标签，所述标签标示了时频图对应的水下目标；将时频图按照固定的短时间△T进行分割，分割后的每个目标的时频图子图划分为训练样本集和测试样本集；
步骤(4)包括如下步骤：
(4.1)对训练样本和测试样本进行数据增强，包括对时频图子图进行锐化，对时频图子图的亮度和饱和度进行调节；
(4.2)利用OpenCV视觉库，对每张时频图子图进行线性插值，实现时频图子图的缩放，使得所有时频图子图大小一样，且长度与宽度相等；对缩放后的时频图子图进行裁剪，使其大小匹配卷积神经网络输入图片的大小。
步骤(5)包括如下步骤：
(5.1)设置训练卷积神经网络的相关参数，包括每次送入卷积神经网络的样本数量、测试间隔、优化方法选择、学习速率、梯度更新的权重；
(5.2)将带有标签的训练样本送入卷积神经网络，前向传播计算损失值，后向传播计算每层的梯度，根据选择的网络优化方法进行网络参数更新；
(5.3)根据设置好的测试间隔，每训练固定次数之后，将测试样本集全部送入当前网络，网络输出分类标签，与原始标签对比，计算当前网络对目标分类的正确率。当正确率上升至基本稳定，或者训练达到最大迭代次数，停止训练。
有益效果：与现有技术相比，本发明具有以下显著优点：1、本发明公开的水下目标识别方法直接从接受到的阵元数据估计时频图，根据时频图进行水下目标识别，经济代价低且效果明显，在高信噪比的条件下依然识别精度较高；2、通过深度神经网络进行水下目标识别，避免了人工干预，使卷积神经网络自动学习每类水下目标辐射噪声的深层次特征，具有较强的泛化能力和适应性，大大简化了特征提取和目标识别分类方法，提高了水下目标识别的精度和速度。
附图说明
图1为本发明公开的水下目标识别方法中卷积神经网络的构建过程流程图；
图2为实施例1中三个水下目标的辐射噪声连续谱及第一个通道的海况背景噪声连续谱；
图3为实施例1中卷积神经网络的结构图；
图4为实施例1中目标识别误差随着迭代次数增加变化的曲线图。
图5为实施例1中目标识别准确率随迭代次数增加变化的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明的具体实施案例做说明。
本发明公开了一种基于卷积神经网络的水下目标识别方法，包括如下步骤：
步骤1、模拟水声目标辐射噪声中的连续谱分量调制信号Rc(t)和线谱分量Rl(t)，构成水声目标辐射噪声R(t)，R(t)＝Rc(t)+Rl(t)；
其中，水声目标辐射噪声中的连续谱分量调制信号Rc(t)的获取步骤如下：
(A.1)采用三参数模型法模拟平稳连续谱的功率谱Gxf(ωt)：
其中ωm，ωc和λ为三参数模型的三个参数，决定了该连续谱的形状；ωt为频率，ωm为尖锐度因子，决定谱锋的尖锐程度和高度，ωc决定谱锋的位置，λ决定功率谱高、低频端幅度的相对比例，σ表示平稳连续谱信号的能量；
(A.2)建立p阶AR滤波器，其Yule-Walker方程为：
其中a[q]，q∈{1,2,…,p}和p0为p阶AR滤波器系数，δ[k]为冲击函数；rx[k]为Gxf(ωt)的自相关函数rc(τ)的采样值；
(A.3)采用Levison-Durbin算法求解式(2)方程，得到p阶AR滤波器系数；高斯白噪声通过该AR滤波器后得到的信号，即为水声目标辐射噪声中的平稳连续谱分量xc(t)；
(A.4)对xc(t)进行幅度调制，得到调制信号Rc(t)，Rc(t)可表示为：
Rc(t)＝A[1+αr(t)]xc(t)
其中A为信号的幅值，α为调幅系数，满足0<α<1，r(t)为调制函数。
水声目标辐射噪声中的线谱分量Rl(t)的获取步骤如下：
(B.1)采用K个正弦信号来模拟目标信号的线谱分量，其中Ak为正弦信号幅度，fk为正弦信号的频率，t∈[0,T]为观测时间；
(B.2)在线谱位置fk处计算连续谱分量调制信号Rc(t)的能量PIk，k＝1,2,...,K；
(B.3)根据已知的信号干扰比计算出各个正弦信号幅度Ak，即得到水声目标辐射噪声中的线谱分量Rl(t)。
步骤2、模拟海况背景噪声，得到拖曳阵获取的水下目标的跟踪波束g(t)；具体包括如下步骤：
(2.1)将拖曳阵中的一个阵元设置为参考阵元，其阵元数据为：
s1(t)＝R(t)；
R(t)为水声目标辐射噪声；
(2.2)拖曳阵中其余M-1个阵元的阵元数据为：
si(t)＝R(t-timeDelay(i))，i＝2,…,M；
其中M为阵元总数，timeDelay(i)为第i个阵元相对于参考阵元的时延：
式中tarDis(i)为声源与第i个阵元之间的距离，v是声音在水中的传播速度；
(2.3)采用三参数模型法模拟海况背景噪声的平稳连续谱的功率谱，建立p阶AR滤波器，采用Levison-Durbin算法求解p阶AR滤波器的Yule-Walker方程，得到p阶AR滤波器系数；
根据已知的信噪比计算能量Pn，并将M路高斯白噪声通过该AR滤波器，生成能量为Pn的M路海况背景噪声ni(t)，其中i＝1,…,M；
(2.4)观测阵列信号xi(t)为：xi(t)＝si(t)+ni(t)；
(2.5)根据目标方位θ计算各阵元的时延估计
其中，d为相邻阵元间间距；
(2.6)将各阵元数据按时延估计与参考阵元对齐，对对齐后的阵元数据相干相加获得目标跟踪波束g(t)：
步骤3、获取目标跟踪波束的时频图，将不同目标的时频图添加标签，所述标签标示了时频图对应的水下目标；将所有时频图按照固定时长△T进行分割，分割后的每个目标的时频图子图划分为训练样本集和测试样本集；具体包括如下步骤：
(3.1)对目标跟踪波束g(t)通过短时傅里叶变换画出时频图，具体公式为：
其中，w(m)为高斯窗函数，N为窗长；
(3.2)将不同目标的时频图添加标签，所述标签标示了时频图对应的水下目标；将时频图按照固定的短时间△T进行分割，分割后的每个目标的时频图子图划分为训练样本集和测试样本集，本实施例中，将每个目标时频图分割出的所有样本的2/3设为训练样本，1/3设为测试样本。
步骤4、对训练样本集和测试样本集进行数据增强，尺寸缩放、裁剪；具体包括如下步骤：
(4.1)对训练样本和测试样本进行数据增强，包括对时频图子图进行锐化，对时频图子图的亮度和饱和度进行调节；
(4.2)利用OpenCV视觉库，对每张时频图子图进行线性插值，实现时频图子图的缩放，使得所有时频图子图大小一样，且长度与宽度相等；对缩放后的时频图子图进行裁剪，使其大小匹配卷积神经网络输入图片的大小。本实施例中，在训练样本集中的时频图上进行随机裁剪，在测试样本集中的时频图上则裁剪出最中间的部分。
步骤5、将带有标签的训练样本输入建立的卷积神经网络，进行有监督的学习，得到卷积神经网络的各层参数；具体包括如下步骤：
(5.1)设置训练卷积神经网络的相关参数，包括每次送入卷积神经网络的样本数量、测试间隔、优化方法选择、学习速率、梯度更新的权重；
(5.2)将带有标签的训练样本送入卷积神经网络，前向传播计算损失值，后向传播计算每层的梯度，根据选择的网络优化方法进行网络参数更新；
(5.3)根据设置好的测试间隔，每训练固定次数之后，将测试样本集全部送入当前网络，网络输出分类标签，与原始标签对比，计算当前网络对目标分类的正确率；当正确率上升至基本稳定，或者训练达到最大迭代次数，停止训练。
步骤6、利用训练后的卷积神经网络各层的参数，对网络进行初始化，得到具有水下目标识别功能的卷积神经网络；
图1为具有水下目标识别功能的卷积神经网络的构建过程。
步骤7、拖曳阵获取待测航行目标的辐射噪声y(t)，对y(t)通过短时傅里叶变换画出待测目标时频图，将待测目标时频图按照固定时长△T进行分割，分割后的每个子图作为待测数据；将待测数据输入步骤(6)得到的具有水下目标识别功能的卷积神经网络中，得到每个子图的识别结果，将识别出的目标数量最多的目标作为最终识别结果。
本实施例中，采样频率Fs＝32kHz，声音在水中的传播速度v取为1500m/s。拖曳阵数目M＝100，阵元间距d＝0.8。利用三参数模型法模拟水声目标辐射噪声的平稳连续谱的功率谱Gxf，共仿真三个水下目标，三个目标对应的三组三参数设置分别为：ωm1＝2π×500rad/s，ωc1＝2π×1000rad/s，λ1＝0.1；ωm2＝2π×300rad/s，ωc2＝2π×800rad/s，λ2＝0.2；ωm3＝2π×200rad/s，ωc3＝2π×600rad/s，λ3＝0.3；平稳连续谱信号能量σ＝1。
第i个目标信号平稳连续谱的调制函数为ri(t)，ri(t)表示为：
ri(t)＝0.2cos(2πfit)+0.2cos(2π·2·fit)+0.5cos(2π·3·fit)
其中，fi为第i个目标信号的调制基频频率。对每个目标模拟2个线谱分量：通过线谱位置处平稳连续谱的能量PI和已知的信号干扰比SIR＝20，由获得各个正弦信号的幅度Ai。三个目标的线谱分量频率fk分别为150Hz和250Hz、200Hz和400Hz、300Hz和500Hz。观测时间为T＝60s。将平稳连续谱分量以及线谱分量加起来，获得目标辐射噪声信号R(t)。
利用三参数模型法模拟海况背景噪声功率谱，三参数设置为：ωm＝2π×300rad/s，ωc＝2π×200rad/s，λ＝0.2；信号能量σ＝1。
三个水下目标辐射噪声的平稳连续谱及第一个阵元接收到的海况背景噪声功率谱如图2所示，其中图2(a)为第一个目标的平稳连续谱频谱图，图2(b)为第二个目标的平稳连续谱频谱图，图2(c)为第三个目标的平稳连续谱频谱图，图2(d)为第一个阵元接收到的海况背景噪声功率谱频谱图。由图可见目标辐射噪声的平稳连续谱功率远低于海况背景噪声功率。
图3给出了卷积神经网络的结构图，最底层，即第一卷积层滤波器的大小为13*13像素，滤波器个数为20个，第一下采样层滤波器采用最大值滤波器，大小为3*3像素，步长为2个像素；第二卷积层滤波器的大小为7*7像素，滤波器个数为40个，第二下采样层滤波器采用最大值滤波器，大小为3*3像素，步长为2个像素；第三卷积层滤波器的大小为3*3像素，滤波器个数为40个，第三下采样层滤波器采用最大值滤波器，大小为3*3像素，步长为2个像素；第一个全连接层有64个神经元，使用dropout层防止过拟合；softmax分类器输出不同水下目标的概率。每个卷积层的步长为2个像素，边缘填充1个像素。
图4给出了卷积神经网络的训练过程中目标识别误差随着迭代次数增加变化的曲线图。图5给出了卷积神经网络训练过程中目标识别准确率随着迭代次数变化的示意图。从两张图可以看出，随着训练的不断进行，卷积神经网络对水下目标识别的误差不断变小。精度逐渐提高，最后稳定在1。

Claims (7)

1.一种基于卷积神经网络的水下目标识别方法，其特征在于，包括如下步骤：
(1)模拟水声目标辐射噪声中的连续谱分量调制信号Rc(t)和线谱分量Rl(t)，构成水声目标辐射噪声R(t)，R(t)＝Rc(t)+Rl(t)；
(2)模拟海况背景噪声，得到拖曳阵获取的水下目标的跟踪波束g(t)；
(3)获取目标跟踪波束的时频图，将不同目标的时频图添加标签，所述标签标示了时频图对应的水下目标；将所有时频图按照固定时长△T进行分割，分割后的每个目标的时频图子图划分为训练样本集和测试样本集；
(4)对训练样本集和测试样本集进行数据增强，尺寸缩放、裁剪；
(5)将带有标签的训练样本输入建立的卷积神经网络，进行有监督的学习，得到卷积神经网络的各层参数；
(6)利用训练后的卷积神经网络各层的参数，对网络进行初始化，得到具有水下目标识别功能的卷积神经网络；
(7)拖曳阵获取待测航行目标的辐射噪声y(t)，对y(t)通过短时傅里叶变换画出待测目标时频图，将待测目标时频图按照固定时长△T进行分割，分割后的每个子图作为待测数据；将待测数据输入步骤(6)得到的具有水下目标识别功能的卷积神经网络中，得到每个子图的识别结果，将识别出的目标数量最多的目标作为最终识别结果。
2.根据权利要求1所述的基于卷积神经网络的水下目标识别方法，其特征在于，步骤(1)中所述水声目标辐射噪声中的连续谱分量调制信号Rc(t)的获取步骤如下：
(A.1)采用三参数模型法模拟平稳连续谱的功率谱Gxf(ωt)：
其中ωm，ωc和λ为三参数模型的三个参数，决定了该连续谱的形状；ωt为频率，ωm为尖锐度因子，决定谱锋的尖锐程度和高度，ωc决定谱锋的位置，λ决定功率谱高、低频端幅度的相对比例，σ表示平稳连续谱信号的能量；
(A.2)建立p阶AR滤波器，其Yule-Walker方程为：
其中a[q]，q∈{1,2,…,p}和p0为p阶AR滤波器系数，δ[k]为冲击函数；rx[k]为Gxf(ωt)的自相关函数rc(τ)的采样值；
(A.3)采用Levison-Durbin算法求解式(2)方程，得到p阶AR滤波器系数；高斯白噪声通过该AR滤波器后得到的信号，即为水声目标辐射噪声中的平稳连续谱分量xc(t)；
(A.4)对xc(t)进行幅度调制，得到调制信号Rc(t)，Rc(t)可表示为：
Rc(t)＝A[1+αr(t)]xc(t)
其中A为信号的幅值，α为调幅系数，满足0<α<1，r(t)为调制函数。
3.根据权利要求1所述的基于卷积神经网络的水下目标识别方法，其特征在于，步骤(1)中所述水声目标辐射噪声中的线谱分量Rl(t)的获取步骤如下：
(B.1)采用K个正弦信号来模拟目标信号的线谱分量，其中Ak为正弦信号幅度，fk为正弦信号的频率，t∈[0,T]为观测时间；
(B.2)在线谱位置fk处计算连续谱分量调制信号Rc(t)的能量PIk，k＝1,2,...,K；
(B.3)根据已知的信号干扰比计算出各个正弦信号幅度Ak，即得到水声目标辐射噪声中的线谱分量Rl(t)。
4.根据权利要求1所述的基于卷积神经网络的水下目标识别方法，其特征在于，步骤(2)包括如下步骤：
(2.1)将拖曳阵中的一个阵元设置为参考阵元，其阵元数据为：
s1(t)＝R(t)；
R(t)为水声目标辐射噪声；
(2.2)拖曳阵中其余M-1个阵元的阵元数据为：
si(t)＝R(t-timeDelay(i))，i＝2,…,M；
其中M为阵元总数，timeDelay(i)为第i个阵元相对于参考阵元的时延：
式中tarDis(i)为声源与第i个阵元之间的距离，v是声音在水中的传播速度；
(2.3)采用三参数模型法模拟海况背景噪声的平稳连续谱的功率谱，建立p阶AR滤波器，采用Levison-Durbin算法求解p阶AR滤波器的Yule-Walker方程，得到p阶AR滤波器系数；
根据已知的信噪比计算能量Pn，并将M路高斯白噪声通过该AR滤波器，生成能量为Pn的M路海况背景噪声ni(t)，其中i＝1,…,M；
(2.4)观测阵列信号xi(t)为：xi(t)＝si(t)+ni(t)；
(2.5)根据目标方位θ计算各阵元的时延估计
其中，d为相邻阵元间间距；
(2.6)将各阵元数据按时延估计与参考阵元对齐，对对齐后的阵元数据相干相加获得目标跟踪波束g(t)：
5.根据权利要求1所述的基于卷积神经网络的水下目标识别方法，其特征在于，步骤(3)包括如下步骤：
(3.1)对目标跟踪波束g(t)通过短时傅里叶变换画出时频图，具体公式为：
其中，w(m)为高斯窗函数，N为窗长；
(3.2)将不同目标的时频图添加标签，所述标签标示了时频图对应的水下目标；将时频图按照固定的短时间时长△T进行分割，分割后的每个目标的时频图子图划分为训练样本集和测试样本集。
6.根据权利要求1所述的基于卷积神经网络的水下目标识别方法，其特征在于，步骤(4)包括如下步骤：
(4.1)对训练样本和测试样本进行数据增强，包括对时频图子图进行锐化，对时频图子图的亮度和饱和度进行调节；
(4.2)利用OpenCV视觉库，对每张时频图子图进行线性插值，实现时频图子图的缩放，使得所有时频图子图大小一样，且长度与宽度相等；对缩放后的时频图子图进行裁剪，使其大小匹配卷积神经网络输入图片的大小。
7.根据权利要求1所述的基于卷积神经网络的水下目标识别方法，其特征在于，步骤(5)包括如下步骤：
(5.1)设置训练卷积神经网络的相关参数，包括每次送入卷积神经网络的样本数量、测试间隔、优化方法选择、学习速率、梯度更新的权重；
(5.2)将带有标签的训练样本送入卷积神经网络，前向传播计算损失值，后向传播计算每层的梯度，根据选择的网络优化方法进行网络参数更新；
(5.3)根据设置好的测试间隔，每训练固定次数之后，将测试样本集全部送入当前网络，网络输出分类标签，与原始标签对比，计算当前网络对目标分类的正确率；当正确率上升至基本稳定，或者训练达到最大迭代次数，停止训练。
CN201810669600.5A 2018-06-26 2018-06-26 一种基于卷积神经网络的水下目标识别方法 Pending CN109100710A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810669600.5A CN109100710A (zh) 2018-06-26 2018-06-26 一种基于卷积神经网络的水下目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810669600.5A CN109100710A (zh) 2018-06-26 2018-06-26 一种基于卷积神经网络的水下目标识别方法

Publications (1)

Publication Number Publication Date
CN109100710A true CN109100710A (zh) 2018-12-28

Family

ID=64845060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810669600.5A Pending CN109100710A (zh) 2018-06-26 2018-06-26 一种基于卷积神经网络的水下目标识别方法

Country Status (1)

Country Link
CN (1) CN109100710A (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800700A (zh) * 2019-01-15 2019-05-24 哈尔滨工程大学 一种基于深度学习的水下声信号目标分类识别方法
CN109858523A (zh) * 2019-01-03 2019-06-07 武汉大学 一种神经网络和射线理论的浅海声速剖面反演方法
CN110245602A (zh) * 2019-06-12 2019-09-17 哈尔滨工程大学 一种基于深度卷积特征的水下静目标识别方法
CN110363151A (zh) * 2019-07-16 2019-10-22 中国人民解放军海军航空大学 基于双通道卷积神经网络虚警可控的雷达目标检测方法
CN110378204A (zh) * 2019-06-06 2019-10-25 东南大学 一种基于车载毫米波雷达的多目标分类方法
CN110443138A (zh) * 2019-07-05 2019-11-12 东南大学 基于车载毫米波雷达联合svm和cnn多目标分类方法
CN110516566A (zh) * 2019-08-08 2019-11-29 北京邮电大学 一种基于卷积层的滤波方法及装置
CN111401548A (zh) * 2020-03-03 2020-07-10 西北工业大学 一种基于深度学习的Lofar线谱检测方法
CN111445496A (zh) * 2020-02-26 2020-07-24 沈阳大学 一种水下图像识别跟踪系统及方法
CN111766444A (zh) * 2020-07-08 2020-10-13 电子科技大学 基于综合算法的多分量线性调频信号参数估计方法及系统
CN112230205A (zh) * 2020-10-16 2021-01-15 哈尔滨工程大学 一种利用舰船辐射噪声仿真信号的水下目标识别系统性能评估方法
CN112731410A (zh) * 2020-12-25 2021-04-30 上海大学 一种基于cnn的水下目标声呐探测方法
CN112990082A (zh) * 2021-04-06 2021-06-18 舟山精卫智能科技有限公司 一种水声脉冲信号的检测识别方法
CN113109795A (zh) * 2020-01-13 2021-07-13 中国科学院声学研究所 一种基于深度神经网络的深海直达声区目标深度估计方法
CN113138365A (zh) * 2020-01-17 2021-07-20 中国科学院声学研究所 一种基于深度学习的单矢量水听器方位估计方法
CN114636995A (zh) * 2022-03-16 2022-06-17 中国水产科学研究院珠江水产研究所 一种基于深度学习的水声信号检测方法及系统
CN115426007A (zh) * 2022-08-22 2022-12-02 电子科技大学 一种基于深度卷积神经网络的智能波束对准方法
CN115436924A (zh) * 2022-08-26 2022-12-06 杭州电子科技大学 优化本振nyfr架构下的多分量lfm信号快速参数估计方法及系统
CN115878982A (zh) * 2022-12-08 2023-03-31 中国海洋大学 一种基于双频回波信号特征的水下目标识别方法及系统
CN116108353A (zh) * 2023-04-12 2023-05-12 厦门大学 一种基于数据分组的小样本深度学习水声目标识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844627A (zh) * 2016-03-21 2016-08-10 华中科技大学 一种基于卷积神经网络的海面目标图像背景抑制方法
CN105894033A (zh) * 2016-04-01 2016-08-24 大连理工大学 一种海杂波背景下的弱目标检测方法及系统
CN107179535A (zh) * 2017-06-01 2017-09-19 东南大学 一种基于畸变拖曳阵的保真增强波束形成的方法
CN107330405A (zh) * 2017-06-30 2017-11-07 上海海事大学 基于卷积神经网络的遥感图像飞机目标识别方法
CN107609488A (zh) * 2017-08-21 2018-01-19 哈尔滨工程大学 一种基于深度卷积网络的舰船噪声识别分类方法
CN107886050A (zh) * 2017-10-16 2018-04-06 电子科技大学 利用时频特征与随机森林的水下目标识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844627A (zh) * 2016-03-21 2016-08-10 华中科技大学 一种基于卷积神经网络的海面目标图像背景抑制方法
CN105894033A (zh) * 2016-04-01 2016-08-24 大连理工大学 一种海杂波背景下的弱目标检测方法及系统
CN107179535A (zh) * 2017-06-01 2017-09-19 东南大学 一种基于畸变拖曳阵的保真增强波束形成的方法
CN107330405A (zh) * 2017-06-30 2017-11-07 上海海事大学 基于卷积神经网络的遥感图像飞机目标识别方法
CN107609488A (zh) * 2017-08-21 2018-01-19 哈尔滨工程大学 一种基于深度卷积网络的舰船噪声识别分类方法
CN107886050A (zh) * 2017-10-16 2018-04-06 电子科技大学 利用时频特征与随机森林的水下目标识别方法

Cited By (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858523A (zh) * 2019-01-03 2019-06-07 武汉大学 一种神经网络和射线理论的浅海声速剖面反演方法
CN109858523B (zh) * 2019-01-03 2022-06-14 武汉大学 一种神经网络和射线理论的浅海声速剖面反演方法
CN109800700B (zh) * 2019-01-15 2022-08-02 哈尔滨工程大学 一种基于深度学习的水下声信号目标分类识别方法
CN109800700A (zh) * 2019-01-15 2019-05-24 哈尔滨工程大学 一种基于深度学习的水下声信号目标分类识别方法
CN110378204A (zh) * 2019-06-06 2019-10-25 东南大学 一种基于车载毫米波雷达的多目标分类方法
CN110378204B (zh) * 2019-06-06 2021-03-26 东南大学 一种基于车载毫米波雷达的多目标分类方法
CN110245602A (zh) * 2019-06-12 2019-09-17 哈尔滨工程大学 一种基于深度卷积特征的水下静目标识别方法
CN110443138B (zh) * 2019-07-05 2021-10-19 东南大学 基于车载毫米波雷达联合svm和cnn多目标分类方法
CN110443138A (zh) * 2019-07-05 2019-11-12 东南大学 基于车载毫米波雷达联合svm和cnn多目标分类方法
CN110363151A (zh) * 2019-07-16 2019-10-22 中国人民解放军海军航空大学 基于双通道卷积神经网络虚警可控的雷达目标检测方法
CN110363151B (zh) * 2019-07-16 2023-04-18 中国人民解放军海军航空大学 基于双通道卷积神经网络虚警可控的雷达目标检测方法
CN110516566A (zh) * 2019-08-08 2019-11-29 北京邮电大学 一种基于卷积层的滤波方法及装置
CN110516566B (zh) * 2019-08-08 2021-07-27 北京邮电大学 一种基于卷积层的滤波方法及装置
CN113109795A (zh) * 2020-01-13 2021-07-13 中国科学院声学研究所 一种基于深度神经网络的深海直达声区目标深度估计方法
CN113138365B (zh) * 2020-01-17 2022-12-06 中国科学院声学研究所 一种基于深度学习的单矢量水听器方位估计方法
CN113138365A (zh) * 2020-01-17 2021-07-20 中国科学院声学研究所 一种基于深度学习的单矢量水听器方位估计方法
CN111445496A (zh) * 2020-02-26 2020-07-24 沈阳大学 一种水下图像识别跟踪系统及方法
CN111445496B (zh) * 2020-02-26 2023-06-30 沈阳大学 一种水下图像识别跟踪系统及方法
CN111401548A (zh) * 2020-03-03 2020-07-10 西北工业大学 一种基于深度学习的Lofar线谱检测方法
CN111401548B (zh) * 2020-03-03 2022-03-22 西北工业大学 一种基于深度学习的Lofar线谱检测方法
CN111766444A (zh) * 2020-07-08 2020-10-13 电子科技大学 基于综合算法的多分量线性调频信号参数估计方法及系统
CN112230205A (zh) * 2020-10-16 2021-01-15 哈尔滨工程大学 一种利用舰船辐射噪声仿真信号的水下目标识别系统性能评估方法
CN112230205B (zh) * 2020-10-16 2023-07-07 哈尔滨工程大学 一种利用舰船辐射噪声仿真信号的水下目标识别系统性能评估方法
CN112731410B (zh) * 2020-12-25 2021-11-05 上海大学 一种基于cnn的水下目标声呐探测方法
CN112731410A (zh) * 2020-12-25 2021-04-30 上海大学 一种基于cnn的水下目标声呐探测方法
CN112990082A (zh) * 2021-04-06 2021-06-18 舟山精卫智能科技有限公司 一种水声脉冲信号的检测识别方法
CN114636995A (zh) * 2022-03-16 2022-06-17 中国水产科学研究院珠江水产研究所 一种基于深度学习的水声信号检测方法及系统
CN115426007A (zh) * 2022-08-22 2022-12-02 电子科技大学 一种基于深度卷积神经网络的智能波束对准方法
CN115426007B (zh) * 2022-08-22 2023-09-01 电子科技大学 一种基于深度卷积神经网络的智能波束对准方法
CN115436924A (zh) * 2022-08-26 2022-12-06 杭州电子科技大学 优化本振nyfr架构下的多分量lfm信号快速参数估计方法及系统
CN115878982A (zh) * 2022-12-08 2023-03-31 中国海洋大学 一种基于双频回波信号特征的水下目标识别方法及系统
CN115878982B (zh) * 2022-12-08 2023-09-22 中国海洋大学 一种基于双频回波信号特征的水下目标识别方法及系统
CN116108353A (zh) * 2023-04-12 2023-05-12 厦门大学 一种基于数据分组的小样本深度学习水声目标识别方法

Similar Documents

Publication Publication Date Title
CN109100710A (zh) 一种基于卷积神经网络的水下目标识别方法
Liu et al. Biologically inspired covert underwater acoustic communication by mimicking dolphin whistles
CN107179535A (zh) 一种基于畸变拖曳阵的保真增强波束形成的方法
Collins III et al. Directional wave spectra observed during intense tropical cyclones
CN110501683B (zh) 一种基于四维数据特征的海陆杂波分类方法
CN104316914B (zh) 依赖形状参数的雷达目标自适应检测方法
Liu et al. Comparison of algorithms for wind parameters extraction from shipborne X-band marine radar images
CN114595732B (zh) 基于深度聚类的雷达辐射源分选方法
Yang et al. Striation-based source depth estimation with a vertical line array in the deep ocean
CN106936514A (zh) 稀疏信道下基于能量集中的水声前导信号检测方法
CN107255818A (zh) 一种两维多特征融合的水下目标快速检测方法
CN113516626A (zh) 基于多尺度卷积与池化策略的侧扫声纳海底沙波检测方法
CN109828266A (zh) 一种适用于浅海负跃层条件的运动目标深度分类方法
CN108562891A (zh) 一种深海低信噪比条件下声源深度自主实时跟踪方法
CN108985304A (zh) 一种基于浅剖数据的沉积层结构自动提取方法
Cotter et al. Classification of broadband target spectra in the mesopelagic using physics-informed machine learning
Maussang et al. Mean–standard deviation representation of sonar images for echo detection: Application to SAS images
CN115114949A (zh) 一种基于水声信号的舰船目标智能识别方法及系统
Baggenstoss Separation of sperm whale click-trains for multipath rejection
KR20120087099A (ko) 해양의 수직 음속 구조를 생성하기 위한 해양/음향 환경자료 생성장치 및 방법, 이를 이용한 수중 무기체계 성능 모델링 장치 및 방법
White et al. More than a whistle: Automated detection of marine sound sources with a convolutional neural network
CN106019290A (zh) 加权宽带时反算子分解多目标声成像方法
Houégnigan et al. A novel approach to real-time range estimation of underwater acoustic sources using supervised machine learning
Zamanizadeh et al. Source localization from time-differences of arrival using high-frequency communication signals
Xie et al. DBM-based underwater acoustic source recognition

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181228