CN110738191B - 一种基于声呐信号的物体分类方法、装置、设备及介质 - Google Patents
一种基于声呐信号的物体分类方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN110738191B CN110738191B CN201911031276.5A CN201911031276A CN110738191B CN 110738191 B CN110738191 B CN 110738191B CN 201911031276 A CN201911031276 A CN 201911031276A CN 110738191 B CN110738191 B CN 110738191B
- Authority
- CN
- China
- Prior art keywords
- feature
- sonar
- target
- signal
- detected
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本申请公开了一种基于声呐信号的物体分类方法、装置、设备及介质,包括:根据声呐数据矩阵计算出拉普拉斯矩阵,并计算声呐数据矩阵的整体分值;分别从待选择特征集合中选择待测特征索引,利用增加与待测特征索引对应的待测信号特征之后的目标特征子集计算待测信号特征的Laplacian得分,并利用整体分值计算待测信号特征对声呐数据矩阵的局部保持度;从各局部保持度中选择出最小的目标局部保持度并确定出目标信号特征,删除待选择特征集合中与目标信号特征对应的目标特征索引,将目标特征索引按照预设次序设置于目标特征子集中;直到待选择特征集合中不存在特征索引;确定出目标特征子集,并利用目标特征子集识别各目标物体并进行分类。
Description
技术领域
本发明涉及声呐识别领域,特别涉及一种基于声呐信号的物体分类方法、装置、设备及计算机可读存储介质。
背景技术
随着电子技术和信息处理技术的发展和应用,水下平台和装备向智能化、隐身化、信息化方向发展,国际上已经将建立完备的水下目标特征数据库作为主动声纳探测识别的核心技术。利用CHIRP(Compressed High-Intensity Radar Pulse)调频声纳技术,通过发射一组一组延长了的从低到高连续频率的合成压缩脉冲(探测信号)对目标物体进行探测,该探测信号在水中传播的路径上遇到目标物体后将被反射并被发射点接收,由于目标信息保存在被目标物体反射回来的声呐信号之中,所以可根据接收到的声呐信号来识别目标物体,对目标物体进行分类,如区分目标物体为金属圆筒或大致圆柱形岩石。
由于获取到的声呐信号中存在噪声或者混响干扰,因此在根据声呐信号识别目标物体的过程中,需要先确定出用于识别目标物体的信号特征,排除不重要的信号特征对目标识别的干扰。现有技术中,一般通过迭代拉普拉斯得分(IterativeLS)得出用于识别目标物体的信号特征:通过分别计算各信号特征的Laplacian得分,表示该信号特征的重要程度,并且每次丢弃最大的Laplacian得分对应的信号特征,迭代计算直到剩余预设数量的信号特征,再利用剩余的预设数量的信号特征来识别目标物体,以对目标物体进行分类。但是,这种通过丢弃Laplacian得分最大的信号特征的方式来减少识别目标物体过程中的计算量、提高计算速率的方法,一方面存在去除的信号特征不准确的情况,另一方面将存在保留的信号特征不完整,或者保留的信号特征过多而导致最终利用剩余的信号特征识别目标物体不准确或者没有改善计算量。
因此,如何提升基于声呐信号识别目标物体的计算速率,提高对目标物体进行分类的准确度,是本领域技术人员目前需要解决的技术问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于声呐信号的物体分类方法,能够提升基于声呐信号识别目标物体的计算速率,提高对目标物体进行分类的准确度;本发明的另一目的是提供一种基于声呐信号的物体分类装置、设备及计算机可读存储介质,均具有上述有益效果。
为解决上述技术问题,本发明提供一种基于声呐信号的物体分类方法,包括:
将各目标物体分别返回的声呐信号转换为声呐数据矩阵,并根据各所述声呐信号的信号特征设置待选择特征集合;
根据所述声呐数据矩阵计算出拉普拉斯矩阵,并根据所述拉普拉斯矩阵计算所述声呐数据矩阵的整体分值;
分别从所述待选择特征集合中选择待测特征索引,利用增加与所述待测特征索引对应的待测信号特征之后的目标特征子集计算所述待测信号特征的Laplacian得分,并利用所述整体分值计算所述待测信号特征对所述声呐数据矩阵的局部保持度;
从各所述局部保持度中选择出最小的目标局部保持度并确定出目标信号特征,删除所述待选择特征集合中与所述目标信号特征对应的所述目标特征索引,将所述目标特征索引按照预设次序设置于所述目标特征子集中;
判断所述待选择特征集合中是否存在所述特征索引;
若是,则进入所述分别从所述待选择特征集合中选择待测特征索引,利用增加与所述待测特征索引对应的待测信号特征之后的目标特征子集计算所述待测信号特征的Laplacian得分,并计算所述待测信号特征对所述声呐数据矩阵的局部保持度的步骤;
若否,则确定出目标特征子集,并利用所述目标特征子集识别各所述目标物体并进行分类。
优选地,所述根据所述声呐数据矩阵计算出拉普拉斯矩阵,并根据所述拉普拉斯矩阵计算所述声呐数据矩阵的整体分值的过程,具体包括:
根据所述声呐数据矩阵计算各所述声呐信号之间的距离,得出邻接矩阵;
利用所述邻接矩阵计算所述声呐数据矩阵的对角矩阵;
利用所述对角矩阵和所述邻接矩阵计算出所述拉普拉斯矩阵;
根据所述拉普拉斯矩阵和所述声呐数据矩阵计算出所述声呐数据矩阵的整体分值。
优选地,所述根据所述声呐数据矩阵计算各所述声呐信号之间的距离,得出邻接矩阵的过程,具体包括:
设置近邻K值;
根据计算所述邻接矩阵中各元素的值;
其中,d(xi,xj)表示所述声呐数据矩阵中的声呐信号xi和声呐信号xj之间的欧几里得距离;σi表示局部尺度且σi=d(xi,xiK),xiK表示声呐信号xi的第K个近邻;σj表示局部尺度且σj=d(xj,xjK),xjK表示声呐信号xj的第K个近邻。
优选地,所述将各目标物体分别返回的声呐信号转换为声呐数据矩阵,并根据各所述声呐信号的信号特征设置待选择特征集合的过程,具体包括:
获取各目标物体分别返回的声呐信号;
将各所述声呐信号进行归一化处理;
将进行归一化处理后的所述声呐信号转换为所述声呐数据矩阵;
根据各所述声呐信号的信号特征设置所述待选择特征集合。
优选地,在所述获取各目标物体分别返回的声呐信号之后,进一步包括:
将各所述声呐信号进行数据清洗。
为解决上述技术问题,本发明还提供一种基于声呐信号的物体分类装置,包括:
矩阵设置模块,用于将各目标物体分别返回的声呐信号转换为声呐数据矩阵,并根据各所述声呐信号的信号特征设置待选择特征集合;
第一计算模块,用于根据所述声呐数据矩阵计算出拉普拉斯矩阵,并根据所述拉普拉斯矩阵计算所述声呐数据矩阵的整体分值;
第二计算模块,用于分别从所述待选择特征集合中选择待测特征索引,利用增加与所述待测特征索引对应的待测信号特征之后的目标特征子集计算所述待测信号特征的Laplacian得分,并利用所述整体分值计算所述待测信号特征对所述声呐数据矩阵的局部保持度;
排序模块,用于从各所述局部保持度中选择出最小的目标局部保持度并确定出目标信号特征,删除所述待选择特征集合中与所述目标信号特征对应的所述目标特征索引,将所述目标特征索引按照预设次序设置于所述目标特征子集中;
判断模块,用于判断所述待选择特征集合中是否存在所述特征索引;若是,则调用所述第二计算模块;若否,则调用执行模块;
所述执行模块,用于确定出目标特征子集,并利用所述目标特征子集识别各所述目标物体并进行分类。
为解决上述技术问题,本发明还提供一种基于声呐信号的物体分类设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述任一种基于声呐信号的物体分类方法的步骤。
为解决上述技术问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一种基于声呐信号的物体分类方法的步骤。
本发明提供的一种基于声呐信号的物体分类方法,一方面,本方法通过分别从待选择特征集合中选择待测特征索引,利用增加与待测特征索引对应的待测信号特征之后的目标特征子集计算待测信号特征的Laplacian得分,并利用整体分值计算待测信号特征对声呐数据矩阵的局部保持度;利用待测信号特征的局部保持度来判断该待测信号特征的重要程度,表示该待测信号特征与声呐数据矩阵的接近程度,相较于现有技术中,直接计算信号特征的Laplacian得分来判断信号特征的重要程度的方法更加准确;另一方面,本方法得出的目标特征子集是根据信号特征的重要性的排序,并没有删除信号特征,因此,可以根据实际需求从目标特征子集中选取对应数量的信号特征来识别目标物体,从而能够在提高计算速率的基础上,提升识别目标物体的准确度;此外,本方法是利用增加与待测特征索引对应的待测信号特征之后的目标特征子集计算待测信号特征的Laplacian得分,因此在每次筛选出目标特征索引增加至目标特征子集中之后,不需要更新声呐数据矩阵,而直接进行迭代计算,因此能够进一步降低得出目标特征子集的计算量,提升进行物体分类的便捷度。
为解决上述技术问题,本发明还提供了一种基于声呐信号的物体分类装置、设备及计算机可读存储介质,均具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种基于声呐信号的物体分类方法的流程图;
图2为本发明实施例提供的一种基于声呐信号的物体分类装置的结构图;
图3为本发明实施例提供的一种基于声呐信号的物体分类设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例的核心是提供一种基于声呐信号的物体分类方法,能够提升基于声呐信号识别目标物体的计算速率,提高对目标物体进行分类的准确度;本发明的另一核心是提供一种基于声呐信号的物体分类装置、设备及计算机可读存储介质,均具有上述有益效果。
为了使本领域技术人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。
图1为本发明实施例提供的一种基于声呐信号的物体分类方法的流程图。如图1所示,一种基于声呐信号的物体分类方法包括:
S10:将各目标物体分别返回的声呐信号转换为声呐数据矩阵,并根据各声呐信号的信号特征设置待选择特征集合。
首先,通过向各目标物体分别发送探测信号,并接收由各目标物体分别返回的声呐信号,得到声呐信号的数据集合X={x1,x2,...,xm},其中,xm表示各声呐信号;然后将声呐信号的数据集合转换为声呐数据矩阵,得到X=[x1,x2,...,xm]T,X∈Rm×n;其中,m表示声呐信号的数量,也即目标物体的数量,n表示声呐信号的信号特征的维度数量。并且,根据声呐信号的信号特征设置待选择特征集合B={f1,f2,…,fn};其中,fn表示一个特征索引。也就是说,根据声呐信号的信号特征的类型设置特征索引,用同一个特征索引对应表示一种类型的信号特征,并设置待选择特征集合,将各特征索引设置于该待选择特征集合中,因此待选择特征集合中的特征索引能表示所有的声呐信号的信号特征。
S20:根据声呐数据矩阵计算出拉普拉斯矩阵,并根据拉普拉斯矩阵计算声呐数据矩阵的整体分值。
具体的,在得出声呐数据矩阵之后,首先根据声呐数据矩阵计算出邻接矩阵,再根据邻接矩阵计算出对应的声呐数据矩阵的对角矩阵,再根据对角矩阵计算出拉普拉斯矩阵,根据拉普拉斯矩阵计算出声呐数据矩阵的整体分值。
S30:分别从待选择特征集合中选择待测特征索引,利用增加与待测特征索引对应的待测信号特征之后的目标特征子集计算待测信号特征的Laplacian得分,并利用整体分值计算待测信号特征对声呐数据矩阵的局部保持度。
具体的,从待选择特征集合中选择待测特征索引,然后将该待测特征索引对应的待测信号特征并上目标特征子集得出一个新的数据矩阵,再利用该数据矩阵和拉普拉斯矩阵计算选择的待测信号特征的Laplacian得分;然后,根据待测信号特征的Laplacian得分和整体分值,计算该待测信号特征对声呐数据矩阵的局部保持度。
具体的,局部保持度的计算方法具体为:
其中,SIG(fi)表示待测信号特征fi对应的局部保持度,J(fi)表示待测信号特征fi对应的Laplacian得分,JA表示声呐数据矩阵的整体分值。
S40:从各局部保持度中选择出最小的目标局部保持度并确定出目标信号特征,删除待选择特征集合中与目标信号特征对应的目标特征索引,将目标特征索引按照预设次序设置于目标特征子集中。
可以理解的是,分别从待选择特征集合中选择对应的待测特征索引,并分别计算各待测特征索引各所对应的局部保持度,再从各局部保持度中选择最小值,确定出目标局部保持度,并根据该目标局部保持度确定出对应的目标信号特征。
该目标信号特征即当前的待选择特征集合中对声呐数据矩阵保持原有的特征影响最大的信号特征,说明该目标信号特征是声呐数据矩阵中最重要的信号特征,因此将该目标信号特征筛选出来,删除待选择特征集合中与目标信号特征对应的目标特征索引,并将目标特征索引按照预设次序设置于目标特征子集中。
具体的,在选择出目标信号特征对应的目标特征索引后,将目标特征索引按照预设次序增加至目标特征子集中,按照预设次序依次在目标特征子集中设置目标特征索引,得出对应形式的目标特征子集。具体的,若将每次确定出的目标特征索引排在目标特征子集的最后,那么最后确定出的目标特征子集为按照“重要-不重要”的次序排列的;若将每次确定出的目标特征索引排在目标特征子集的最前,那么最后确定出的目标特征子集为按照“不重要-重要”的次序排列的。
S50:判断待选择特征集合中是否存在特征索引;若是,则进入S30:分别从待选择特征集合中选择待测特征索引,利用增加与待测特征索引对应的待测信号特征之后的目标特征子集计算待测信号特征的Laplacian得分,并计算待测信号特征对声呐数据矩阵的局部保持度的步骤;若否,则进入S60;
S60:确定出目标特征子集,并利用目标特征子集识别各目标物体并进行分类。
具体的,在删除待选择特征集合中与目标信号特征对应的目标特征索引,并将选择出的目标信号特征对应的目标特征索引按照预设次序设置于目标特征子集中之后,需要判断在删除目标特征索引之后的待选择特征集合中是否还存在特征索引,即确定是否还需要继续进行信号特征排序的操作;并且,若存在特征索引,则进入S30:分别从待选择特征集合中选择待测特征索引,利用增加与待测特征索引对应的待测信号特征之后的目标特征子集计算待测信号特征的Laplacian得分,并计算待测信号特征对声呐数据矩阵的局部保持度的步骤;即,继续从待选择特征集合中选择待测特征索引,并分别计算各选择出的待测特征索引对应的待测信号特征对应的Laplacian得分,继续进行筛选操作,然后将筛选得出的目标特征索引增加至目标特征子集中。
在实际操作中,可以是先确定信号特征的数量,再从目标特征子集中按照信号特征“重要-不重要”的顺序选择出对应数量的特征索引,进而确定出对应的信号特征,利用选择出的信号特征进行物体识别;也可以是先利用不同数量的特征索引对应的信号特征进行测试计算,确定出识别准确度最高的特征维度,即确定出特征索引的数量,再确定出对应的信号特征,并利用选择出的信号特征进行物体识别。
本发明实施例提供的一种基于声呐信号的物体分类方法,一方面,本方法通过分别从待选择特征集合中选择待测特征索引,利用增加与待测特征索引对应的待测信号特征之后的目标特征子集计算待测信号特征的Laplacian得分,并利用整体分值计算待测信号特征对声呐数据矩阵的局部保持度;利用待测信号特征的局部保持度来判断该待测信号特征的重要程度,表示该待测信号特征与声呐数据矩阵的接近程度,相较于现有技术中,直接计算信号特征的Laplacian得分来判断信号特征的重要程度的方法更加准确;另一方面,本方法得出的目标特征子集是根据信号特征的重要性的排序,并没有删除信号特征,因此,可以根据实际需求从目标特征子集中选取对应数量的信号特征来识别目标物体,从而能够在提高计算速率的基础上,提升识别目标物体的准确度;此外,本方法是利用增加与待测特征索引对应的待测信号特征之后的目标特征子集计算待测信号特征的Laplacian得分,因此在每次筛选出目标特征索引增加至目标特征子集中之后,不需要更新声呐数据矩阵,而直接进行迭代计算,因此能够进一步降低得出目标特征子集的计算量,提升进行物体分类的便捷度。
在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,本实施例中,根据声呐数据矩阵计算出拉普拉斯矩阵,并根据拉普拉斯矩阵计算声呐数据矩阵的整体分值的过程,具体包括:
根据声呐数据矩阵计算各声呐信号之间的距离,得出邻接矩阵;
利用邻接矩阵计算声呐数据矩阵的对角矩阵;
利用对角矩阵和邻接矩阵计算出拉普拉斯矩阵;
根据拉普拉斯矩阵和声呐数据矩阵计算出声呐数据矩阵的整体分值。
具体的,本实施例中,根据声呐数据矩阵计算出拉普拉斯矩阵,并根据拉普拉斯矩阵计算声呐数据矩阵的整体分值的过程,首先是根据声呐数据矩阵计算各声呐信号之间的距离,得出邻接矩阵。需要说明的是,邻接矩阵表示各声呐信号在特征空间中的结构,邻接矩阵中的每一个值表示在声呐信号集合中,各不同的声呐信号之间的距离。具体的,计算邻接矩阵的方式,可以是先通过交叉验证的方法设置近邻K值和待调节参数t这两个参数,然后利用这两个参数和声呐数据矩阵计算得出邻接矩阵;本实施例对计算邻接矩阵的具体方式不做限定。
作为优选的实施方式,根据声呐数据矩阵计算各声呐信号之间的距离,得出邻接矩阵的过程,具体包括:
设置近邻K值;
根据计算邻接矩阵中各元素的值;
其中,d(xi,xj)表示声呐数据矩阵中的声呐信号xi和声呐信号xj之间的欧几里得距离;σi表示局部尺度且σi=d(xi,xiK),xiK表示声呐信号xi的第K个近邻;σj表示局部尺度且σj=d(xj,xjK),xjK表示声呐信号xj的第K个近邻。
具体的,本实施例中,通过先设置近邻K值;近邻K值为常数,一般设置为1至9之间的值,即计算与任意一个声呐信号最近的K个声呐信号的距离;并且,K的具体值可以是通过交叉验证的方式确定出来。
具体的,根据计算邻接矩阵S中各元素的值;其中,Sij表示邻接矩阵S中第i行第j列的元素对应的值;σi表示局部尺度且σi=d(xi,xiK),xiK表示声呐信号xi的第K个近邻;σj表示局部尺度且σj=d(xj,xjK),xjK表示声呐信号xj的第K个近邻。
具体的,在计算出邻接矩阵之后,根据计算出对角矩阵(度矩阵)D。对角矩阵D是将邻接矩阵S中的每一列数据相加,将相加所得的数放入矩阵D的对角线上;其中,Dii指的是对角矩阵D中的对角线上的元素的值。
具体的,在计算出对角矩阵D之后,根据对角矩阵D和邻接矩阵S,根据L=D-S计算出拉普拉斯矩阵L。
具体的,根据拉普拉斯矩阵L和声呐数据矩阵X计算出声呐数据矩阵X的整体分值的方式,具体可以通过以下公式计算:
其中,JA表示声呐数据矩阵X对应的整体分值。
对应的,利用增加与待测特征索引对应的待测信号特征之后的目标特征子集计算待测信号特征的Laplacian得分的计算方法如下:
在初始状态时,目标特征子集为空集
i∈B;其中,fi为声呐数据矩阵X中各声呐信号的第i维特征,即待测特征索引,且i=1,…,n;B为待选择特征集合;
当目标特征子集不为空集时,
i∈B;其中,G∪{i}表示目标特征子集和待测信号特征fi对应的矩阵;FG∪{i}表示目标特征子集增加与待测特征索引对应的待测信号特征之后的矩阵。
可见,由于现有技术在计算邻接矩阵时,近邻K值和待调节参数t均需要通过实验筛选得出,因此使得计算邻接矩阵的计算量大,导致计算声呐数据矩阵的整体分值的过程复杂,而本实施例提供的方法,相较于现有技术,仅需要计算近邻K值便可以得出计算出邻接矩阵,因此能够提高计算出邻接矩阵的便捷度,提升计算整体分值以及各待测信号特征对应的Laplacian得分的便捷度。
在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,本实施例中,将各目标物体分别返回的声呐信号转换为声呐数据矩阵,并根据各声呐信号的信号特征设置待选择特征集合的过程,具体包括:
获取各目标物体分别返回的声呐信号;
将各声呐信号进行归一化处理;
将进行归一化处理后的声呐信号转换为声呐数据矩阵;
根据各声呐信号的信号特征设置待选择特征集合。
具体的,在本实施例中,首先是获取各目标物体分别返回的声呐信号,然后将获取到的声呐信号进行归一化处理,即将各声呐信号中的相同的信号特征统一格式,然后将进行归一化处理后的声呐信号转换为声呐数据矩阵,其中,将声呐信号的集合转换为对应的声呐数据矩阵的方式为本领域技术人员的公知常识,本实施例不做赘述;需要说明的是,转换得到的声呐数据矩阵的行之和为1。
作为优选的实施方式,在获取各目标物体分别返回的声呐信号之后,进一步包括:
将各声呐信号进行数据清洗。
本实施例是在获取到各目标物体分别返回的声呐信号之后,进一步对各声呐信号进行数据清洗,数据清洗指的发现并纠正声呐信号中的可识别的错误,以提高声呐信号的准确度,以提高声呐数据矩阵的便捷度。
可见,本实施例能够便捷准确地得出声呐数据矩阵以及设置待选择特征集合。
上文对于本发明提供的一种基于声呐信号的物体分类方法的实施例进行了详细的描述,本发明还提供了一种与该方法对应的基于声呐信号的物体分类装置、设备及计算机可读存储介质,由于装置、设备及计算机可读存储介质部分的实施例与方法部分的实施例相互照应,因此装置、设备及计算机可读存储介质部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
图2为本发明实施例提供的一种基于声呐信号的物体分类装置的结构图,如图2所示,一种基于声呐信号的物体分类装置包括:
矩阵设置模块21,用于将各目标物体分别返回的声呐信号转换为声呐数据矩阵,并根据各声呐信号的信号特征设置待选择特征集合;
第一计算模块22,用于根据声呐数据矩阵计算出拉普拉斯矩阵,并根据拉普拉斯矩阵计算声呐数据矩阵的整体分值;
第二计算模块23,用于分别从待选择特征集合中选择待测特征索引,利用增加与待测特征索引对应的待测信号特征之后的目标特征子集计算待测信号特征的Laplacian得分,并利用整体分值计算待测信号特征对声呐数据矩阵的局部保持度;
排序模块24,用于从各局部保持度中选择出最小的目标局部保持度并确定出目标信号特征,删除待选择特征集合中与目标信号特征对应的目标特征索引,将目标特征索引按照预设次序设置于目标特征子集中;
判断模块25,用于判断待选择特征集合中是否存在特征索引;若是,则调用第二计算模块23;若否,则调用执行模块;
执行模块26,用于确定出目标特征子集,并利用目标特征子集识别各目标物体并进行分类。
本发明实施例提供的基于声呐信号的物体分类装置,具有上述基于声呐信号的物体分类方法的有益效果。
图3为本发明实施例提供的一种基于声呐信号的物体分类设备的结构图,如图3所示,一种基于声呐信号的物体分类设备包括:
存储器31,用于存储计算机程序;
处理器32,用于执行计算机程序时实现如上述基于声呐信号的物体分类方法的步骤。
本发明实施例提供的基于声呐信号的物体分类设备,具有上述基于声呐信号的物体分类方法的有益效果。
为解决上述技术问题,本发明还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述基于声呐信号的物体分类方法的步骤。
本发明实施例提供的计算机可读存储介质,具有上述基于声呐信号的物体分类方法的有益效果。
以上对本发明所提供的基于声呐信号的物体分类方法、装置、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
Claims (8)
1.一种基于声呐信号的物体分类方法,其特征在于,包括:
将各目标物体分别返回的声呐信号转换为声呐数据矩阵,并根据各所述声呐信号的信号特征设置待选择特征集合;
根据所述声呐数据矩阵计算出拉普拉斯矩阵,并根据所述拉普拉斯矩阵计算所述声呐数据矩阵的整体分值;
分别从所述待选择特征集合中选择待测特征索引,利用增加与所述待测特征索引对应的待测信号特征之后的目标特征子集计算所述待测信号特征的Laplacian得分,并利用所述整体分值计算所述待测信号特征对所述声呐数据矩阵的局部保持度;
从各所述局部保持度中选择出最小的目标局部保持度并确定出目标信号特征,删除所述待选择特征集合中与所述目标信号特征对应的目标特征索引,将所述目标特征索引按照预设次序设置于所述目标特征子集中;
判断在删除所述目标特征索引之后的所述待选择特征集合中是否还存在特征索引;
若是,则进入所述分别从所述待选择特征集合中选择待测特征索引,利用增加与所述待测特征索引对应的待测信号特征之后的目标特征子集计算所述待测信号特征的Laplacian得分,并计算所述待测信号特征对所述声呐数据矩阵的局部保持度的步骤;
若否,则确定出目标特征子集,并利用所述目标特征子集识别各所述目标物体并进行分类。
2.根据权利要求1所述的方法,其特征在于,所述根据所述声呐数据矩阵计算出拉普拉斯矩阵,并根据所述拉普拉斯矩阵计算所述声呐数据矩阵的整体分值的过程,具体包括:
根据所述声呐数据矩阵计算各所述声呐信号之间的距离,得出邻接矩阵;
利用所述邻接矩阵计算所述声呐数据矩阵的对角矩阵;
利用所述对角矩阵和所述邻接矩阵计算出所述拉普拉斯矩阵;
根据所述拉普拉斯矩阵和所述声呐数据矩阵计算出所述声呐数据矩阵的整体分值。
3.根据权利要求2所述的方法,其特征在于,所述根据所述声呐数据矩阵计算各所述声呐信号之间的距离,得出邻接矩阵的过程,具体包括:
设置近邻K值;
根据计算所述邻接矩阵中各元素的值;
其中,d(xi,xj)表示所述声呐数据矩阵中的声呐信号xi和声呐信号xj之间的欧几里得距离;σi表示局部尺度且σi=d(xi,xiK),xiK表示声呐信号xi的第K个近邻;σj表示局部尺度且σj=d(xj,xjK),xjK表示声呐信号xj的第K个近邻。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述将各目标物体分别返回的声呐信号转换为声呐数据矩阵,并根据各所述声呐信号的信号特征设置待选择特征集合的过程,具体包括:
获取各目标物体分别返回的声呐信号;
将各所述声呐信号进行归一化处理;
将进行归一化处理后的所述声呐信号转换为所述声呐数据矩阵;
根据各所述声呐信号的信号特征设置所述待选择特征集合。
5.根据权利要求4所述的方法,其特征在于,在所述获取各目标物体分别返回的声呐信号之后,进一步包括:
将各所述声呐信号进行数据清洗。
6.一种基于声呐信号的物体分类装置,其特征在于,包括:
矩阵设置模块,用于将各目标物体分别返回的声呐信号转换为声呐数据矩阵,并根据各所述声呐信号的信号特征设置待选择特征集合;
第一计算模块,用于根据所述声呐数据矩阵计算出拉普拉斯矩阵,并根据所述拉普拉斯矩阵计算所述声呐数据矩阵的整体分值;
第二计算模块,用于分别从所述待选择特征集合中选择待测特征索引,利用增加与所述待测特征索引对应的待测信号特征之后的目标特征子集计算所述待测信号特征的Laplacian得分,并利用所述整体分值计算所述待测信号特征对所述声呐数据矩阵的局部保持度;
排序模块,用于从各所述局部保持度中选择出最小的目标局部保持度并确定出目标信号特征,删除所述待选择特征集合中与所述目标信号特征对应的目标特征索引,将所述目标特征索引按照预设次序设置于所述目标特征子集中;
判断模块,用于判断在删除所述目标特征索引之后的所述待选择特征集合中是否还存在特征索引;若是,则调用所述第二计算模块;若否,则调用执行模块;
所述执行模块,用于确定出目标特征子集,并利用所述目标特征子集识别各所述目标物体并进行分类。
7.一种基于声呐信号的物体分类设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至5任一项所述的基于声呐信号的物体分类方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于声呐信号的物体分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911031276.5A CN110738191B (zh) | 2019-10-28 | 2019-10-28 | 一种基于声呐信号的物体分类方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911031276.5A CN110738191B (zh) | 2019-10-28 | 2019-10-28 | 一种基于声呐信号的物体分类方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738191A CN110738191A (zh) | 2020-01-31 |
CN110738191B true CN110738191B (zh) | 2023-08-18 |
Family
ID=69271744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911031276.5A Active CN110738191B (zh) | 2019-10-28 | 2019-10-28 | 一种基于声呐信号的物体分类方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738191B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111290369A (zh) * | 2020-02-24 | 2020-06-16 | 苏州大学 | 一种基于半监督递归特征保留的故障诊断方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106772331A (zh) * | 2016-12-13 | 2017-05-31 | 中国电子科技集团公司第三研究所 | 目标识别方法和目标识别装置 |
CN109977724A (zh) * | 2017-12-27 | 2019-07-05 | 中国科学院声学研究所 | 一种水下目标分类方法 |
-
2019
- 2019-10-28 CN CN201911031276.5A patent/CN110738191B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106772331A (zh) * | 2016-12-13 | 2017-05-31 | 中国电子科技集团公司第三研究所 | 目标识别方法和目标识别装置 |
CN109977724A (zh) * | 2017-12-27 | 2019-07-05 | 中国科学院声学研究所 | 一种水下目标分类方法 |
Non-Patent Citations (1)
Title |
---|
杨宏晖 ; 李江涛 ; 申昇 ; 姚晓辉 ; .用于水下目标识别的无监督特征选择算法.舰船科学技术.2017,(23),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110738191A (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11816579B2 (en) | Method and apparatus for detecting defect pattern on wafer based on unsupervised learning | |
CN110717881A (zh) | 晶圆缺陷识别方法、装置、存储介质和终端设备 | |
CN112508901B (zh) | 一种水下结构病害识别方法、系统、装置及存储介质 | |
CN111028327A (zh) | 一种三维点云的处理方法、装置及设备 | |
CN111091101B (zh) | 基于一步法的高精度行人检测方法、系统、装置 | |
CN110738191B (zh) | 一种基于声呐信号的物体分类方法、装置、设备及介质 | |
CN116385380A (zh) | 基于深度特征的缺陷检测方法、系统、设备及存储介质 | |
CN109902641B (zh) | 基于语义对齐的人脸关键点检测方法、系统、装置 | |
CN115294009A (zh) | 一种基于机器学习检测电池极耳焊接缺陷的方法、设备及存储介质 | |
CN110781837B (zh) | 一种基于声呐信号的物体分类方法、装置、设备及介质 | |
CN115082487B (zh) | 超声图像切面质量评价方法、装置、超声设备及存储介质 | |
CN115973144A (zh) | 一种自动泊车识别障碍物的方法、装置、电子设备及介质 | |
CN109951409B (zh) | 一种确定调制信号类别的方法及系统 | |
CN113723461A (zh) | 超声设备及超声图像分析方法 | |
CN113534146A (zh) | 一种雷达视频图像目标自动检测方法与系统 | |
CN110609561A (zh) | 一种行人跟踪方法、装置、计算机可读存储介质及机器人 | |
Busson et al. | Seismic shot gather noise localization using a multi-scale feature-fusion-based neural network | |
CN116188834B (zh) | 基于自适应训练模型的全切片图像分类方法及装置 | |
US20240151814A1 (en) | Radar object recognition system and method and non-transitory computer readable medium | |
CN114299043B (zh) | 点云质量评估方法、装置、电子设备和存储介质 | |
CN117849760B (zh) | 一种激光雷达点云数据处理方法 | |
CN117541832B (zh) | 异常检测方法、系统、电子设备及存储介质 | |
CN118038258A (zh) | 基于卷积神经网络的水下运动鱼群小目标实时计数方法 | |
Tang | Mathematical Image Analysis of Light Fused with Computer Fuzzy Algorithm | |
Fata et al. | Detection of brown spot and leaf blight in rice with the You Only Look Once (YOLO) algorithm |
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 |