CN109977724A - 一种水下目标分类方法 - Google Patents
一种水下目标分类方法 Download PDFInfo
- Publication number
- CN109977724A CN109977724A CN201711441236.9A CN201711441236A CN109977724A CN 109977724 A CN109977724 A CN 109977724A CN 201711441236 A CN201711441236 A CN 201711441236A CN 109977724 A CN109977724 A CN 109977724A
- Authority
- CN
- China
- Prior art keywords
- signal
- sonar
- frame
- cross
- classification method
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提出一种水下目标分类方法,包括:将声呐阵列接收的信号转换成数字信号;对数字信号首先进行预处理,然后计算每个声呐与其他声呐之间的互相关系数并求和,将互相关系数和最大的声呐信号作为参考信号;计算每个声呐相对于参考信号的时间延迟;利用通道的互相关系数和前后帧的相关性对每个通道的权重进行自适应,最终得到经过增强后的信号。将信号进行分帧后进行滤波,对每个滤波器内信号能量求和并取对数作为这一帧信号的特征。将特征作为一个时延神经网络的输入,输出为这一帧信号对应的每个目标类型的概率,基于此规则训练出一个多目标分类器。发明利用深度神经网络强大的非线性表征能力,有效地利用目标的特征对其进行区分。
Description
技术领域
本发明涉及水下目标分类方法,基于训练出的一个多目标分类器对未知的信号进行测试和分类。
背景技术
水下目标识别技术是根据声呐阵列接收到的舰船的辐射噪声信号,对目标的类型进行判别。
由于水声信号的复杂性和不稳定性,很难对水声信道的先验数学知识进行描述,传统的分类方法如支持向量机、决策树等不能对信号和信道进行很好的表征,无法有效的区分水下目标。
发明内容
本发明针对现有技术无法有效的区分水下目标,提出了一种水下目标分类方法,利用深度神经网络强大的非线性表征能力,有效地利用目标的特征对其进行区分,实现鲁棒的分类效果。
本发明提供的一种水下目标分类方法,包括以下步骤:
步骤101:将通过声呐阵列接收的声源信号转换成数字信号;
步骤102:对步骤101得到的数字信号进行补零、加窗预处理;
步骤103:计算每一个声呐与其他所有的声呐的互相关系数的和,将最大的互相关系数的和信号作为参考信号;
步骤104:计算每个信号与参考信号的广义交叉相关-相位变换,对得到的值做极大似然估计,得到每个声呐相对于参考信号的时间延迟;
步骤105:找出每个通道的两个最佳的时延,然后通过最大化时间状态之间的概率值在时间序列上进行维特比解码,使得时延变化更小的信号能有更大的临时权重;
步骤106:信号利用通道的互相关系数和前后帧的相关性进行自适应,最终得到经过增强后的信号;
步骤107:将步骤106生成的信号进行分帧,对每一帧信号做傅里叶变换,用三角滤波器组对每帧信号进行滤波,将每个滤波器内信号能量求和取对数作为这一帧信号的特征;
步骤108:将步骤107得到的特征作为一个时延神经网络的输入,网络的输出为这一帧信号对应的每个目标类型的概率,通过迭代不断最小化实际输出与期望输出的交叉熵,基于此训练出一个多目标分类器。
进一步,在所述步骤102中,对所述的数字信号进行预处理包括:对每一帧数字信号先补零到N点,N=2i,i为正整数且i≥8;然后对每一帧数字信号进行加窗或是预加重,加窗函数采用汉明窗(hamming)或哈宁窗(hanning)。
进一步,所述步骤103中包括:
计算声呐i相对于其他声呐的互相关系数和,
其中,M是声呐的数量,K是指为计算便利,将信号分成K块,xcorr[i,j;k]是指信号i与信号j在第k块的互相关系数。
进一步,所述步骤104中包括:
信号xi(n)和参考xref(n)的广义交叉相关-相位变换函数为:
其中,Xi(f)和Xref(f)是信号i和参考信号的傅里叶变换,[]*是指复数的共轭,|*|是指复数的模,表示傅里叶逆变换,d是指信号i和参考信号之间的时间延迟,f对应着变换后每一个频点;
对广义交叉相关-相位变换进行极大似然概率估计,得到的信号i与参考信号的时延估计为:
进一步,所述步骤105中包括:
统计每个信号在步骤104)中通过极大似然估计得到的两个最佳的时延值,两个最佳的的时延值指的是:在步骤104)中,当R取得极大值时(可认为导数为0),对应有很多的d的值,其中最大的两个极值对应的两个d的值是我们需要的。通过最大化时间状态之间的概率值在时间序列上进行维特比解码,使得时延变化更小的信号能有更大的临时权重;
临时权重定义为:
其中,m指第m个声呐信号,i和j分别对应第c帧信号和c-1帧信号。
进一步,所述步骤106中包括:
对于第m个声呐信号在第c帧信号的的权重计算为:
其中α为手动设定的自适应参数,M为声呐数量总数,表示第m个声呐信号和参考信号的互相关系数。
进一步,所述步骤107中包括:
取N个采样点作为一帧信号,若不足N个点则补零至N点,N=2i,i为正整数且i≥8,沿时间序列进行N/2个点的移动,得到第二帧信号,以此类推;
对每一帧信号做N点的快速傅里叶变换。对t时刻的数字信号进行快速傅里叶变换,得到t时刻的数字信号的离散频谱为:
其中,ym,t,n表示t时刻第m个声呐信号的第n个采样点的信号的值,Ym,t,f(f=0,1,…N-1)表示t时刻第m个声呐采集信号的第f个频点的傅里叶变换系数。
然后对指定的频率范围设计指定数量的梅尔滤波器组。梅尔滤波器组由一组三角滤波器组成,其特点是可以增强信号低频部分的能量。将变换后的频域信号通过梅尔滤波器组后,计算每个三角滤波器内的信号能量,能量值取对数后即为需要的特征值。同时,滤波器的数量对应着特征的维度。
进一步,所述步骤108中包括:
每个神经元的激活函数使用的是修正线性单元,其表达式为:
f(x)=max(0,x)
网络以最小化实际的输出与期望的输出之间的交叉熵为准则进行迭代,其代价函数为:
其中,y为期望输出,y={0,1},a是网络实际的输出值,满足a∈[0,1],y对应输出层的每个节点,n为输出层的节点数量,神经网络的参数通过随机梯度下降的反向传播算法进行更新。
本发明的优点在于:
本发明的水下分类框架无需有水下信道的先验知识,只需要足够的带有目标信息的数据,即可实现鲁棒的分类效果。
附图说明
图1是本发明一种水下目标分类框架设计方法框图。
具体实施方式
先结合附图对本发明作进一步的描述。
参考图1,本发明的方法包括以下步骤:
步骤101、将通过声呐阵列接收的声源信号转为数学信号;其中,所述声呐阵列包括有M个声呐。
步骤102、对数学信号进行补零、加窗预处理。
所述的对数学信号进行预处理包括:取N个采样点作为一帧信号,对每一帧数字信号先补零到N点,N=2i,h为正整数且i≥8;然后,对每一帧的数字信号进行加窗或预加重处理,加窗函数采用汉明窗(hamming)或哈宁窗(hanning)。
步骤103、计算每一个声呐与其他所有的声呐的互相关系数和,将互相关系数和最大的声呐信号作为参考信号。
计算声呐i相对于其他声呐的互相关系数和:
其中,M是声呐的数量,K是指为计算便利,将信号分成K块,xcorr[i,j;k]是指信号i与信号j在第k块的互相关系数。
步骤104、计算每个声呐信号相对于参考信号的时延估计。基于步骤103找到的参考信号,计算每个信号与参考信号的广义交叉相关-相位变换,对得到的值做最大似然估计,得到每个声呐相对于参考信号的时间延迟。
预处理后的声纳信号xi(n)和参考信号xref(n)的广义交叉相关-相位变换函数为:
其中,Xi(f)和Xref(f)是信号i和参考信号的傅里叶变换,[]*是指复数的共轭,
|*|是指复数的模,表示傅里叶逆变换,d是指信号i和参考信号之间的时间延迟,f对应着变换后每一个频点。
对广义交叉相关-相位变换进行极大似然估计,得到的信号i与参考信号的时延估计为:
步骤105)、得到每个声呐信道的权重矩阵。统计每个信号在步骤104)中通过极大似然估计得到的两个最佳的时延值,两个最佳的的时延值指的是:在步骤104)中,当取得极大值时(可认为导数为0),对应有很多的d的值,其中最大的两个极值对应的两个d的值是我们需要的。通过最大化时间状态之间的概率值在时间序列上进行维特比解码,使得时延变化更小的信号能有更大的临时权重;
其临时权重定义为:
其中,m指第m个声呐信号,i和j分别对应第c帧信号和c-1帧信号。
步骤106)、通过权重矩阵和各个声呐的信号信息得到增强后的信号。对步骤105)得到的权重矩阵,为了波束形成后信号的可靠性和稳定性,信号利用通道的互相关系数和前后帧的相关性进行自适应,最终得到经过增强后的信号;
对于第m个通道在第c帧信号的的权重计算为:
其中α为手动设定的自适应参数,一般取0.05。M为声呐数量总数。表示第m个声呐信号和参考信号的互相关系数。
步骤107)、对信号做短时傅里叶变换,提取每帧信号的filter-bank参数。将步骤106)得到的增强后的信号进行分帧。取N个采样点作为一帧信号,若不足N个
点则补零至N点,N=2i,i为正整数且i≥8,沿时间序列进行N/2个点的移动,得到第二帧信号,以此类推;
对每一帧信号做N点的快速傅里叶变换。对t时刻的数字信号进行快速傅里叶变换,得到t时刻的数字信号的离散频谱为:
其中,ym,t,n表示t时刻第m个声呐信号的第n个采样点的信号的值,Ym,t,f(f=0,1,…N-1)表示t时刻第m个声呐采集信号的第f个频点的傅里叶变换系数。
然后对指定的频率范围设计指定数量的梅尔滤波器组。梅尔滤波器组由一组三角滤波器组成,其特点是可以增强信号低频部分的能量。将变换后的频域信号通过梅尔滤波器组后,计算每个三角滤波器内的信号能量,能量值取对数后即为需要的特征值。同时,滤波器的数量对应着特征的维度。
步骤108)、将步骤107)得到的特征作为一个7层、每层有576个隐藏节点的时延神经网络的输入,输出为这一帧信号对应的每个目标类型的概率,通过迭代不断最小化实际输出与期望输出的交叉熵的值,基于此训练出一个多目标分类器。
每个神经元的激活函数使用的是修正线性单元,其表达式为:
f(x)=max(0,x)
网络的权重更新以最小化实际的输出与期望的输出之间的交叉熵为准则进行迭代,其代价函数为:
其中,y为期望输出,y={0,1},a是网络实际的输出值,满足a∈[0,1],x对应输出层的每个节点,n为输出层的节点数量。神经网络的参数通过随机梯度下降的反向传播算法进行更新。
训练完成后,模型可以对未知的信号进行测试。测试步骤为:将每一帧信号通过步骤107)提取的信号的特征作为网络的输入,网络的输出为一个向量,向量的维度是分类的目标的数值,向量的每一个值对应于该帧信号是的每个目标的概率。比如:进行五个目标的分类,则网络的输出为一个5维的向量[0.03 0.07 0.2 0.6 0.1],通过人为设定一个概率阈值0.5,则将该帧信号分类为第4类目标。
水下目标识别是根据声呐接收到的舰船辐射噪声和目标反射回声对目标进行分类识别。
水下目标标识别技术有两个核心工作,一方面是特征提取技术,另一方面则是在此特征基础上的分类技术也就是分类器的设计技术。
线谱是目标识别最常用的声学特征,又被称为“声纹”,它是一些稳定的离散频率分量,和目标上某些周期稳定的振动源相联系。分析到线谱的准确频率,就意味着可以判断目标的类别和航行姿态,因而信号的线谱被视为当前水下目标被动识别最有效的声学特征。专利中提出的fbank特征通过在指定频带内的滤波器组能很好的提取到目标的线谱信息。此外,由于水声信号的特殊性,信号的大部分能量分布在低频的范围,fbank滤波器组在设计的时候也有抑制高频能量的作用。
面对复杂环境下的环境噪声、多径效应、多普勒频移等问题,使用深度神经网络不再需要对上述的水声环境进行详细的建模,取而代之的是需要用目标海域内的大量的船只航行数据作为样本训练神经网络,它能有效利用非独立同分布的大数据集,使得样本在高维空间的局部保持较好的稠密度,从而准确反映数据的统计特征。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种水下目标分类方法,包括:
步骤101:将通过声呐阵列接收的声源信号转换成数字信号;
步骤102:对步骤101得到的数字信号进行补零、加窗预处理;
步骤103:计算每一个声呐与其他所有的声呐的互相关系数的和,将最大的互相关系数的和信号作为参考信号;
步骤104:计算每个信号与参考信号的广义交叉相关-相位变换,对得到的值做极大似然估计,得到每个声呐相对于参考信号的时间延迟;
步骤105:找出每个通道的两个最佳的时延,然后通过最大化时间状态之间的概率值在时间序列上进行维特比解码,使得时延变化更小的信号能有更大的临时权重;
步骤106:信号利用通道的互相关系数和前后帧的相关性进行自适应,最终得到经过增强后的信号;
步骤107:将步骤106生成的信号进行分帧,对每一帧信号做傅里叶变换,用三角滤波器组对每帧信号进行滤波,将每个滤波器内信号能量求和取对数作为这一帧信号的特征;
步骤108:将步骤107得到的特征作为一个时延神经网络的输入,网络的输出为这一帧信号对应的每个目标类型的概率,通过迭代不断最小化实际输出与期望输出的交叉熵,基于此训练出一个多目标分类器,实现对未知的信号进行测试和分类。
2.根据权利要求1所述的一种水下目标分类方法,其特征在于,在所述步骤102中,对所述的数字信号进行预处理包括:对每一帧数字信号先补零到N点,N=2i,i为正整数且i≥8;然后对每一帧数字信号进行加窗或是预加重,加窗函数采用汉明窗(hamming)或哈宁窗(hanning)。
3.根据权利要求1所述的一种水下目标分类方法,其特征在于,所述步骤103中进一步包括:
计算声呐i相对于其他声呐的互相关系数和,
其中,M是声呐的数量,K是指为计算便利,将信号分成K块,xcorr[i,j;k]是指信号i与信号j在第k块的互相关系数。
4.根据权利要求1所述的一种水下目标分类方法,其特征在于,所述步骤104中进一步包括:
信号xi(n)和参考xref(n)的广义交叉相关-相位变换函数为:
其中,Xi(f)和Xref(f)是信号i和参考信号的傅里叶变换,[ ]*是指复数的共轭,|*|是指复数的模,表示傅里叶逆变换,d是指信号i和参考信号之间的时间延迟,f对应着变换后每一个频点;
对广义交叉相关-相位变换进行极大似然概率估计,得到的信号i与参考信号的时延估计为:
5.根据权利要求1所述的一种水下目标分类方法,其特征在于,所述步骤105中进一步包括:
统计每个信号在步骤104)中通过极大似然估计得到的两个最佳的时延值,两个最佳的的时延值指的是:在步骤104)中,当R取得极大值时(可认为导数为0),对应有很多的d的值,其中最大的两个极值对应的两个d的值是我们需要的,通过最大化时间状态之间的概率值在时间序列上进行维特比解码,使得时延变化更小的信号能有更大的临时权重;
临时权重定义为:
其中,m指第m个声呐信号,i和j分别对应第c帧信号和c-1帧信号。
6.根据权利要求1所述的一种水下目标分类方法,其特征在于,所述步骤106中进一步包括:
对于第m个声呐信号在第c帧信号的的权重计算为:
其中α为手动设定的自适应参数,M为声呐数量总数,表示第m个声呐信号和参考信号的互相关系数。
7.根据权利要求1所述的一种水下目标分类方法,其特征在于,所述步骤107中进一步包括:
取N个采样点作为一帧信号,若不足N个点则补零至N点,N=2i,i为正整数且i≥8,沿时间序列进行N/2个点的移动,得到第二帧信号,以此类推;
对每一帧信号做N点的快速傅里叶变换,对t时刻的数字信号进行快速傅里叶变换,得到t时刻的数字信号的离散频谱为:
其中,ym,t,n表示t时刻第m个声呐信号的第n个采样点的信号的值,Ym,t,f(f=0,1,…N-1)表示t时刻第m个声呐采集信号的第f个频点的傅里叶变换系数;
然后对指定的频率范围设计指定数量的梅尔滤波器组,梅尔滤波器组由一组三角滤波器组成,其特点是可以增强信号低频部分的能量,将变换后的频域信号通过梅尔滤波器组后,计算每个三角滤波器内的信号能量,能量值取对数后即为需要的特征值,同时,滤波器的数量对应着特征的维度。
8.根据权利要求1所述的一种水下目标分类方法,其特征在于,所述步骤108中进一步包括:
将特征作为一个7层的时延神经网络的输入每层有576个隐藏节点;
每个神经元的激活函数使用的是修正线性单元,其表达式为:
f(x)=max(0,x)
网络以最小化实际的输出与期望的输出之间的交叉熵为准则进行迭代,其代价函数为:
其中,y为期望输出,y={0,1},a是网络实际的输出值,满足a∈[0,1],x对应输出层的每个节点,n为输出层的节点数量,神经网络的参数通过随机梯度下降的反向传播算法进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711441236.9A CN109977724B (zh) | 2017-12-27 | 2017-12-27 | 一种水下目标分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711441236.9A CN109977724B (zh) | 2017-12-27 | 2017-12-27 | 一种水下目标分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109977724A true CN109977724A (zh) | 2019-07-05 |
CN109977724B CN109977724B (zh) | 2021-05-18 |
Family
ID=67072320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711441236.9A Active CN109977724B (zh) | 2017-12-27 | 2017-12-27 | 一种水下目标分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109977724B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738191A (zh) * | 2019-10-28 | 2020-01-31 | 苏州大学 | 一种基于声呐信号的物体分类方法、装置、设备及介质 |
CN111582026A (zh) * | 2020-03-31 | 2020-08-25 | 中国科学院声学研究所 | 基于稀疏驱动ale的支持向量机的水下目标检测方法及系统 |
CN111624585A (zh) * | 2020-05-21 | 2020-09-04 | 西北工业大学 | 一种基于卷积神经网络的水下目标被动检测方法 |
CN112434716A (zh) * | 2019-08-21 | 2021-03-02 | 中国科学院声学研究所 | 一种基于条件对抗神经网络的水下目标数据扩增方法及系统 |
CN113095113A (zh) * | 2019-12-23 | 2021-07-09 | 中国科学院声学研究所 | 一种用于水下目标识别的小波线谱特征提取方法及系统 |
CN117198330A (zh) * | 2023-11-07 | 2023-12-08 | 国家海洋技术中心 | 一种声源识别方法、系统及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682765A (zh) * | 2012-04-27 | 2012-09-19 | 中咨泰克交通工程集团有限公司 | 高速公路音频车辆检测装置及其方法 |
US20140266860A1 (en) * | 2013-03-14 | 2014-09-18 | Gaddi BLUMROSEN | Method and system for activity detection and classification |
CN105575403A (zh) * | 2015-12-25 | 2016-05-11 | 重庆邮电大学 | 一种融合听觉掩蔽与双耳信号帧的互相关声源定位方法 |
-
2017
- 2017-12-27 CN CN201711441236.9A patent/CN109977724B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682765A (zh) * | 2012-04-27 | 2012-09-19 | 中咨泰克交通工程集团有限公司 | 高速公路音频车辆检测装置及其方法 |
US20140266860A1 (en) * | 2013-03-14 | 2014-09-18 | Gaddi BLUMROSEN | Method and system for activity detection and classification |
CN105575403A (zh) * | 2015-12-25 | 2016-05-11 | 重庆邮电大学 | 一种融合听觉掩蔽与双耳信号帧的互相关声源定位方法 |
Non-Patent Citations (2)
Title |
---|
张安清: ""盲分离技术及其在水声信号中的应用研究"", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
粱鹏: "参量阵声呐的目标识别算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434716A (zh) * | 2019-08-21 | 2021-03-02 | 中国科学院声学研究所 | 一种基于条件对抗神经网络的水下目标数据扩增方法及系统 |
CN112434716B (zh) * | 2019-08-21 | 2024-03-29 | 中国科学院声学研究所 | 一种基于条件对抗神经网络的水下目标数据扩增方法及系统 |
CN110738191A (zh) * | 2019-10-28 | 2020-01-31 | 苏州大学 | 一种基于声呐信号的物体分类方法、装置、设备及介质 |
CN110738191B (zh) * | 2019-10-28 | 2023-08-18 | 苏州大学 | 一种基于声呐信号的物体分类方法、装置、设备及介质 |
CN113095113A (zh) * | 2019-12-23 | 2021-07-09 | 中国科学院声学研究所 | 一种用于水下目标识别的小波线谱特征提取方法及系统 |
CN113095113B (zh) * | 2019-12-23 | 2024-04-09 | 中国科学院声学研究所 | 一种用于水下目标识别的小波线谱特征提取方法及系统 |
CN111582026A (zh) * | 2020-03-31 | 2020-08-25 | 中国科学院声学研究所 | 基于稀疏驱动ale的支持向量机的水下目标检测方法及系统 |
CN111582026B (zh) * | 2020-03-31 | 2023-05-23 | 中国科学院声学研究所 | 基于稀疏驱动ale的支持向量机的水下目标检测方法及系统 |
CN111624585A (zh) * | 2020-05-21 | 2020-09-04 | 西北工业大学 | 一种基于卷积神经网络的水下目标被动检测方法 |
CN117198330A (zh) * | 2023-11-07 | 2023-12-08 | 国家海洋技术中心 | 一种声源识别方法、系统及电子设备 |
CN117198330B (zh) * | 2023-11-07 | 2024-01-30 | 国家海洋技术中心 | 一种声源识别方法、系统及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109977724B (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977724A (zh) | 一种水下目标分类方法 | |
CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
Michelsanti et al. | Conditional generative adversarial networks for speech enhancement and noise-robust speaker verification | |
CN106772331B (zh) | 目标识别方法和目标识别装置 | |
CN109599091B (zh) | 基于STARWGAN-GP和x向量的多对多说话人转换方法 | |
CN109979476B (zh) | 一种语音去混响的方法及装置 | |
CN108735199B (zh) | 一种声学模型的自适应训练方法及系统 | |
Mallidi et al. | Uncertainty estimation of DNN classifiers | |
CN109346084A (zh) | 基于深度堆栈自编码网络的说话人识别方法 | |
Todkar et al. | Speaker recognition techniques: A review | |
CN111899757A (zh) | 针对目标说话人提取的单通道语音分离方法及系统 | |
Mallidi et al. | Autoencoder based multi-stream combination for noise robust speech recognition | |
CN111666996B (zh) | 一种基于attention机制的高精度设备源识别方法 | |
KR102406512B1 (ko) | 음성인식 방법 및 그 장치 | |
Mouy et al. | Automatic recognition of fin and blue whale calls for real-time monitoring in the St. Lawrence | |
Lee et al. | Blind estimation of reverberation time using deep neural network | |
CN114863938A (zh) | 一种基于注意力残差和特征融合的鸟语识别方法和系统 | |
Ng et al. | Teacher-student training for text-independent speaker recognition | |
Dwivedi et al. | Doa estimation using multiclass-svm in spherical harmonics domain | |
JP5974901B2 (ja) | 有音区間分類装置、有音区間分類方法、及び有音区間分類プログラム | |
Delphin-Poulat et al. | Comparative assessment of data augmentation for semi-supervised polyphonic sound event detection | |
CN113111786A (zh) | 基于小样本训练图卷积网络的水下目标识别方法 | |
Dwivedi et al. | Joint doa estimation in spherical harmonics domain using low complexity cnn | |
Xie et al. | Data augmentation and deep neural network classification based on ship radiated noise | |
Dasgupta et al. | Class-based target identification with multiaspect scattering data |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |