CN110555370A - 水下目标识别中基于plda因子分析法的通道效应抑制方法 - Google Patents
水下目标识别中基于plda因子分析法的通道效应抑制方法 Download PDFInfo
- Publication number
- CN110555370A CN110555370A CN201910642054.0A CN201910642054A CN110555370A CN 110555370 A CN110555370 A CN 110555370A CN 201910642054 A CN201910642054 A CN 201910642054A CN 110555370 A CN110555370 A CN 110555370A
- Authority
- CN
- China
- Prior art keywords
- plda
- channel
- underwater
- sound
- class
- 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
- 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
-
- 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
Abstract
本发明涉及一种抑制水下目标识别中的通道效应的方法,可应用于含有海洋通道信息的情况下的水下目标识别方法。本方法先将目标海域划分成若干区域,然后得出每个区域中心通道脉冲响应,再与实际采集的含有类别信息的水声信号进行卷积,从而得到含有通道信息的水声信号,最后分别运用含有PLDA和不含PLDA的识别系统得出两个系统的识别结果,从而得出PLDA因子分析法对通道效应的抑制效果。本发明使用了PLDA因子分析法,在不需要知道通道信息的条件下,可以抑制通道作用,从而提升对水声目标的识别率,同时节省了大量的人力物力和财力,计算简便,效果明显。在环境变化不大的海域中,可以取得很好的识别效果。
Description
技术领域
本发明涉及一种抑制水下目标识别中的通道效应的方法,可应用于含有海洋通道信息的情况下的水下目标识别方法。
背景技术
目前国内外对于水声目标识别的主要研究方法主要分为两类:第一种是基于现代信号与信息处理理论和统计模式识别的方法以及基于传统信号处理方法对线谱特征进行分析进而解算物理参数的方法。第二种方法一般通过解算目标螺旋桨参数以及低频线谱特征并通过与目标参数数据库进行比对,获得目标的大致类别。由于不同目标经常使用相同的机械构件,使用该方法无法实现对目标进行个体识别的任务。当前研究的热点是通过采集水声目标声学信号,构建声学特征库,通过对比目标声信号特征,在类别上进行更精细的划分。这种方法需要对水声信号进行特征提取,以及在声学数据库基础上利用模式识别方法对目标进行划分。这些方法都没有考虑海洋中的通道效应对正确识别率的影响。
海洋环境中,声源发出的声音传递到接收点的途径叫做海洋声道,或者水声通道。然而,水声通道作为一种特殊的声通道,具有时变、频变和空间变化的性质。声波在通过海洋通道传播过程中,其能量会随着传播形式、传播距离和频率不同而变化。从而导致接收点处的目标声信号相对于声源辐射噪声产生各种畸变。其结果导致对接收点处声信号进行目标识别时,正确识别率大大降低。所以研究水声通道对水下声信号传播的影响,研究其在水下目标识别中的作用及寻找对水声通道鲁棒的特征是非常必要的。一般而言,直接通过测量某海域声场可以获得最为准确的通道信息,从而可以直接去除采集水声信号中的通道信息。但是实测海洋声场的实验需要耗费大量的人力物力财力,在实际应用中既不现实,而且实现也十分困难。这些实验往往会受到气温、季节、时间的限制,在实际应用中也有很大的局限性。而PLDA因子分析法(概率型线性判别式分析法)不需要知道通道信息,可以抑制水声信号中的通道效应,因此PLDA因子分析法可以作为水下目标识别中通道效应抑制方法。
本发明主要通过用PLDA因子分析法抑制采集的水声信号中的通道信息,提升水下目标识别中的正确识别率。该方法不需要知道具体的海洋通道信息,不必进行海洋实验,具有效率高,操作简单,成本低等优点。
发明内容
为了避免现有技术的不足之处,本发明提出一种通过事先运用通道仿真软件得到含有通道信息的水声信号前提下,使用PLDA因子分析法抑制通道信息,从而提升识别率的方法。本方法先将目标海域划分成若干区域,然后得出每个区域中心通道脉冲响应,再与实际采集的含有类别信息的水声信号进行卷积,从而得到含有通道信息的水声信号,最后分别运用含有PLDA和不含PLDA的识别系统得出两个系统的识别结果,从而得出PLDA因子分析法对通道效应的抑制效果。
本发明的技术方案是:一种基于PLDA因子分析法的水下目标识别中通道效应抑制方法,包括如下步骤:
步骤1:对于研究的目标海域剖面(在给定海域,通道一般只与到声源的水平距离和垂直距离有关,与水平方位角无关),设定相应海面声速、纵波吸收系数、横波吸收系数、起伏程度;海水声速剖面;海底分层情况、海底声速、纵波吸收系数、横波吸收系数、粗糙程度。一般设定一个声源点(位置任意,海面或海底也可以)。将海域剖面划分为若干区域,区域大小和形状可自由选择,一般选取规则的矩形。每个区域中选取一点作为接收点。接收点之间距离可自由选择,一般选取区域中心为接收点。将各区域编号为k,k=1,2,...,K。
步骤2:仿真得到的各区域接收点到声源的通道脉冲响应。设各点处测得的通道脉冲响应为hk,k=1,2,...,K。
步骤3:给定实测的I类水声信号(一般I≥2),第i类包含段水声信号(1≤i≤I,表示第i类水声信号;一般表示第i类水声信号有Ji段声音),每段设为(1≤i≤I,1≤j≤Ji)。持续时间一般5到10s。
步骤4:获得含有通道信息的水声信号仿真结果。表达如下:
*号表示卷积运算。表示第i类目标的第j(1≤j≤Ji)段声音通过第k(1≤k≤K)个通道的仿真结果。
步骤5:从水声信号(1≤i≤I,1≤j≤Ji,1≤k≤K)中随机选取若干个通道记为再从通道里选取I类(所有类别),最后从I类中每类选取段声音作为训练集traindata(1)(每一类里选取的声音段数可以不一致)。剩下的作为测试集testdata(1)(同理有)。再运用MFCC特征提取方法得到没有用PLDA法处理的训练集和测试集水声信号的特征trainfeature(1)和测试集特征testfeature(1)。同时记录trainfeature(1)里每段声音的类标trainlabel(1)(记录traindata(1)里每段声音属于第i类,i∈I),testfeature(1)里每段声音的类标testlabel(1);
MFCC表示梅尔倒谱系数特征提取方法。
步骤6:将步骤4里traindata(1)和testdata(1)里的每一段声音看做一类新的目标信号,结果分别记为traindata(2)和testdata(2),同时类别信息记为trainlabel(2)和testlabel(2)。则变为同理可得到以及到再运用MFCC特征提取方法得到用PLDA法待处理的训练集和测试集水声信号的特征trainfeature(2)和测试集特征testfeature(2)。
步骤7:运用PLDA因子分析法,有
这里V是一个D×M的因子加载矩阵(M<D)表述的是包含所有样本类别信息的子空间。m是x的整体均值,zj描述的是第j个水声样本特征,εjk是剩余的噪声分量,并且假设它服从一个均值是0,全协方差矩阵为∑的高斯分布。因为每一个训练水声样本提供了一定数量的声音(j矢量空间因子),这些声音的特征j矢量空间因子应该拥有相同的水声样本特征。运用最大期望算法(Expectation-Maximization algorithm,简称EM算法)最终可以求解出模型参数:
E-step:
M-step:
最后所求出zjk的便是抑制通道信息之后的水声信号特征:
进一步可得到:
其中pldatrain和pldatest分别是trainfeature(2)和testfeature(2)经过PLDA抑制通道后的特征数据集。
步骤:8:将pldatrain、pldatest和相应类标trainlabel(1)、testlabel(1)(步骤四)通过SVM分类器,得出抑制通道的正确识别结果b2。
本发明的有益效果:本发明使用了PLDA因子分析法,在不需要知道通道信息的条件下,可以抑制通道作用,从而提升对水声目标的识别率。而水下目标识别技术在国防和民用领域均具有十分重要的意义。同时目标识别技术在民用领域,如海洋生物识别等方面也具有广阔的应用前景。本发明不需要获取准确通道信息,因而节省了大量的人力物力和财力,计算简便,效果明显。在环境变化不大的海域中,可以取得很好的识别效果。
附图说明
图1是实施例中某海域中声场划分和接收点分布示意图。
图2是实施例中基准识别系统(不含PLDA因子分析法)示意图。
图3是实施例中使用本发明提出的通道抑制方法的流程图。
图4是实施例中实验结果图。
具体实施方式:
现结合实例、附图详细描述本发明的声源定位方法:假设在某海域区域划分中心的测点及声源的安排如附图1所示。其中红点表示声源,“*”表示接收点位置。实际海域选取可任意,划分区间也不一定要规则图形。
步骤1:对于感兴趣的目标海域,可按附图1所示划分区域,选定区域中测点并编号为k,k=1,2,...,K。在本例中K=30。
步骤2:通过通道仿真软件到各个测点到声源的通道脉冲响应,记为hk。在本例中K=1,2,...,30。
步骤3:给定实测的3类水声信号,每类包含15段水声信号,每段设为(1≤i≤3,1≤j≤15)。每段持续时间6s。
步骤4:获得含有通道信息的水声信号仿真结果表达如下:
*号表示卷积运算。表示第i类目标的第j(1≤j≤15)段声音通过第k(1≤k≤30)个通道的仿真结果。
步骤5:从水声信号(1≤i≤3,1≤j≤15,1≤k≤30)中选取前15个通道作为训练集通道,记为 再从通道里选取所有的3类目标信号,最后3类选取编号为偶数的段声音作为训练集traindata(1)(每一类里选取的声音段数可以不一致)。剩下的作为测试集testdata(1),同理有再运用MFCC特征提取方法得到没有用PLDA法处理的训练集和测试集水声信号的特征trainfeature(1)和测试集特征testfeature(1)。同时记录trainfeature(1)里每段声音的类标trainlabel(1)(记录traindata(1)里每段声音属于第i类,i∈I),testfeature(1)里每段声音的类标testlabel(1);
步骤6:将步骤4里traindata(1)和testdata(1)里的每一段声音看做一类新的目标信号,结果分别记为traindata(2)(一共有3×7=21类)和testdata(2)(一共有3×8=24类)。同时类别信息记为trainlabel(2)和testlabel(2)。则变为(1≤j≤3×15=45;1≤k(2)≤30),同理可得到以及到再运用MFCC特征提取方法得到用PLDA法待处理的训练集和测试集水声信号的特征trainfeature(2)和测试集特征testfeature(2)。
步骤7:运用PLDA因子分析法,得到经过PLDA抑制通道后的特征数据集pldatrain和pldatest。
步骤8:将pldatrain、pldatest通过SVM分类器,得出抑制通道的正确识别结果b2。
为了对比说明本实施例中方法对通道的抑制效果,发明人还给出了不加PLDA因子分析法,用MFCC提取特征和SVM分类器分类的识别系统进行识别的方法,具体过程如下:
步骤1:按上述具体实施中步骤1-5获取没有用PLDA抑制通道的trainfeature(1)、testfeature(1),同时记录相应的类标trainlabel(1)、testlabel(1)。
步骤2:将步骤1获取的trainfeature(1)、testfeature(1)和trainlabel(1)、testlabel(1)通过SVM分类器,得出没有抑制通道的正确识别结果b1。
最后,通过对比本实施例本专利所提出方法的具体实施中步骤8得到的b2,及对比的不加PLDA因子分析法得到的b1,得出PLDA因子分析法对通道的显著抑制效果如图4所示。
Claims (5)
1.基于PLDA因子分析法的水下目标识别中通道效应抑制方法,其特征在于,包括如下步骤:
步骤1:对于研究的目标海域剖面,设定相应海面声速、纵波吸收系数、横波吸收系数、起伏程度;海水声速剖面;海底分层情况、海底声速、纵波吸收系数、横波吸收系数、粗糙程度;将海域剖面划分为若干区域;每个区域中选取一点作为接收点;接收点之间距离自由选择;将各区域编号为k,k=1,2,...,K;
步骤2:仿真得到的各区域接收点到声源的通道脉冲响应;设各点处测得的通道脉冲响应为hk,k=1,2,...,K;
步骤3:给定实测的I类水声信号,第i类包含段水声信号,1≤i≤I,表示第i类水声信号;表示第i类水声信号有Ji段声音,每段设为1≤i≤I,1≤j≤Ji,持续时间为5到10s。
步骤4:获得含有通道信息的水声信号仿真结果,表达如下:
*号表示卷积运算,表示第i类目标的第j(1≤j≤Ji)段声音通过第k(1≤k≤K)个通道的仿真结果;
步骤5:从水声信号中随机选取若干个通道记为再从通道里选取包含所有类别的I类,最后从I类中每类选取段声音作为训练集traindata(1);剩下的作为测试集testdata(1),同理有再运用MFCC特征提取方法得到没有用PLDA法处理的训练集和测试集水声信号的特征trainfeature(1)和测试集特征testfeature(1);同时记录trainfeature(1)里每段声音的类标trainlabel(1),记录traindata(1)里每段声音属于第i类,i∈I,testfeature(1)里每段声音的类标testlabel(1);
MFCC表示梅尔倒谱系数特征提取方法;
步骤6:将步骤4里traindata(1)和testdata(1)里的每一段声音看做一类新的目标信号,结果分别记为traindata(2)和testdata(2),同时类别信息记为trainlabel(2)和testlabel(2);则变为同理可得到以及到再运用MFCC特征提取方法得到用PLDA法待处理的训练集和测试集水声信号的特征trainfeature(2)和测试集特征testfeature(2):
步骤7:运用PLDA因子分析法,有
这里V是一个D×M的因子加载矩阵(M<D)表述的是包含所有样本类别信息的子空间;m是x的整体均值,zj描述的是第j个水声样本特征,εjk是剩余的噪声分量,并且假设它服从一个均值是0,全协方差矩阵为Σ的高斯分布。因为每一个训练水声样本提供了一定数量的声音,即j矢量空间因子,这些声音的特征j矢量空间因子应该拥有相同的水声样本特征;运用最大期望算法最终求解出模型参数:
E-step:
M-step:
最后所求出zjk的便是抑制通道信息之后的水声信号特征:
进一步得到:
其中pldatrain和pldatest分别是trainfeature(2)和testfeature(2)经过PLDA抑制通道后的特征数据集;
步骤:8:将pldatrain、pldatest和相应类标步骤四中的trainlabel(1)、testlabel(1)通过SVM分类器,得出抑制通道的正确识别结果b2。
2.如权利要求1所述的基于PLDA因子分析法的水下目标识别中通道效应抑制方法,其特征在于,所述步骤1中区域形状选取规则的矩形。
3.如权利要求1所述的基于PLDA因子分析法的水下目标识别中通道效应抑制方法,其特征在于,所述步骤1中选取区域中心为接收点。
4.如权利要求1所述的基于PLDA因子分析法的水下目标识别中通道效应抑制方法,其特征在于,所述步骤3中I≥2。
5.如权利要求1所述的基于PLDA因子分析法的水下目标识别中通道效应抑制方法,其特征在于,所述步骤3中
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910642054.0A CN110555370B (zh) | 2019-07-16 | 2019-07-16 | 水下目标识别中基于plda因子分析法的通道效应抑制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910642054.0A CN110555370B (zh) | 2019-07-16 | 2019-07-16 | 水下目标识别中基于plda因子分析法的通道效应抑制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110555370A true CN110555370A (zh) | 2019-12-10 |
CN110555370B CN110555370B (zh) | 2023-03-31 |
Family
ID=68735898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910642054.0A Active CN110555370B (zh) | 2019-07-16 | 2019-07-16 | 水下目标识别中基于plda因子分析法的通道效应抑制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110555370B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194455A (zh) * | 2010-03-17 | 2011-09-21 | 博石金(北京)信息技术有限公司 | 一种与说话内容无关的声纹鉴别认证方法 |
CN102360528A (zh) * | 2011-07-01 | 2012-02-22 | 上海慧昌智能交通系统有限公司 | 基于多普勒交通雷达进行车型识别的方法 |
CN102446505A (zh) * | 2010-10-15 | 2012-05-09 | 盛乐信息技术(上海)有限公司 | 联合因子分析方法及联合因子分析声纹认证方法 |
CN105681920A (zh) * | 2015-12-30 | 2016-06-15 | 深圳市鹰硕音频科技有限公司 | 一种具有语音识别功能的网络教学方法及系统 |
CN106019230A (zh) * | 2016-05-27 | 2016-10-12 | 南京邮电大学 | 一种基于i-vector说话人识别的声源定位方法 |
CN106448684A (zh) * | 2016-11-16 | 2017-02-22 | 北京大学深圳研究生院 | 基于深度置信网络特征矢量的信道鲁棒声纹识别系统 |
CN106601258A (zh) * | 2016-12-12 | 2017-04-26 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 基于改进的lsda算法进行信道补偿的说话人识别方法 |
US20180082692A1 (en) * | 2016-09-19 | 2018-03-22 | Pindrop Security, Inc. | Channel-Compensated Low-Level Features For Speaker Recognition |
CN109616124A (zh) * | 2019-01-25 | 2019-04-12 | 厦门快商通信息咨询有限公司 | 基于ivector的轻量化声纹识别方法和系统 |
-
2019
- 2019-07-16 CN CN201910642054.0A patent/CN110555370B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194455A (zh) * | 2010-03-17 | 2011-09-21 | 博石金(北京)信息技术有限公司 | 一种与说话内容无关的声纹鉴别认证方法 |
CN102446505A (zh) * | 2010-10-15 | 2012-05-09 | 盛乐信息技术(上海)有限公司 | 联合因子分析方法及联合因子分析声纹认证方法 |
CN102360528A (zh) * | 2011-07-01 | 2012-02-22 | 上海慧昌智能交通系统有限公司 | 基于多普勒交通雷达进行车型识别的方法 |
CN105681920A (zh) * | 2015-12-30 | 2016-06-15 | 深圳市鹰硕音频科技有限公司 | 一种具有语音识别功能的网络教学方法及系统 |
CN106019230A (zh) * | 2016-05-27 | 2016-10-12 | 南京邮电大学 | 一种基于i-vector说话人识别的声源定位方法 |
US20180082692A1 (en) * | 2016-09-19 | 2018-03-22 | Pindrop Security, Inc. | Channel-Compensated Low-Level Features For Speaker Recognition |
CN106448684A (zh) * | 2016-11-16 | 2017-02-22 | 北京大学深圳研究生院 | 基于深度置信网络特征矢量的信道鲁棒声纹识别系统 |
CN106601258A (zh) * | 2016-12-12 | 2017-04-26 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 基于改进的lsda算法进行信道补偿的说话人识别方法 |
CN109616124A (zh) * | 2019-01-25 | 2019-04-12 | 厦门快商通信息咨询有限公司 | 基于ivector的轻量化声纹识别方法和系统 |
Non-Patent Citations (4)
Title |
---|
MATTHIAS TUMA 等: "Integrated Optimization of Long-Range Underwater Signal Detection, Feature Extraction, and Classification for Nuclear Treaty Monitoring", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
QINGYANG HONG 等: "A transfer learning method for PLDA-based speaker verification", 《2016 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP)》 * |
徐文才: "基于混沌技术的水声通信算法研究", 《中国硕士学位论文全文数据库 信息科技专辑》 * |
王强 等: "深度学习方法及其在水下目标识别中的应用", 《声学技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110555370B (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110826630B (zh) | 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法 | |
CN107220606B (zh) | 基于一维卷积神经网络的雷达辐射源信号的识别方法 | |
CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
CN109471074B (zh) | 基于奇异值分解与一维cnn网络的雷达辐射源识别方法 | |
CN110133599B (zh) | 基于长短时记忆模型的智能雷达辐射源信号分类方法 | |
CN111724770B (zh) | 一种基于深度卷积生成对抗网络的音频关键词识别方法 | |
CN107766893B (zh) | 基于标签多级编码神经网络的目标识别方法 | |
CN109545228A (zh) | 一种端到端说话人分割方法及系统 | |
CN107870321B (zh) | 基于伪标签学习的雷达一维距离像目标识别方法 | |
CN112750442B (zh) | 一种具有小波变换的朱鹮种群生态体系监测系统及其方法 | |
CN110929842B (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
CN108627241B (zh) | 一种基于高斯混合模型的宽吻海豚click信号检测方法 | |
CN106203483A (zh) | 一种基于语义相关多模态映射方法的零样本图像分类方法 | |
CN110501683B (zh) | 一种基于四维数据特征的海陆杂波分类方法 | |
CN104732970A (zh) | 一种基于综合特征的舰船辐射噪声识别方法 | |
CN108615532A (zh) | 一种应用于声场景的分类方法及装置 | |
CN105609116A (zh) | 一种语音情感维度区域的自动识别方法 | |
Yang et al. | Classification of odontocete echolocation clicks using convolutional neural network | |
CN113111786B (zh) | 基于小样本训练图卷积网络的水下目标识别方法 | |
CN110555370B (zh) | 水下目标识别中基于plda因子分析法的通道效应抑制方法 | |
CN113869289B (zh) | 基于熵的多通道舰船辐射噪声特征提取方法 | |
CN106338722A (zh) | 一种基于多次样本的高分辨雷达一维距离像目标识别方法 | |
CN113314127B (zh) | 基于空间方位的鸟鸣识别方法、系统、计算机设备与介质 | |
Klay et al. | Advanced methods for passive acoustic detection, classification, and localization of marine mammals |
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 |