CN110929694A - 一种用于分类识别的线谱增强及特征提取方法 - Google Patents

一种用于分类识别的线谱增强及特征提取方法 Download PDF

Info

Publication number
CN110929694A
CN110929694A CN201911281055.3A CN201911281055A CN110929694A CN 110929694 A CN110929694 A CN 110929694A CN 201911281055 A CN201911281055 A CN 201911281055A CN 110929694 A CN110929694 A CN 110929694A
Authority
CN
China
Prior art keywords
spectrum
line spectrum
line
lofar
point
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
CN201911281055.3A
Other languages
English (en)
Inventor
陈劼
张健
刘洁
韩冰
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201911281055.3A priority Critical patent/CN110929694A/zh
Publication of CN110929694A publication Critical patent/CN110929694A/zh
Pending legal-status Critical Current

Links

Images

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明属于声信号处理技术领域，具体涉及一种用于分类识别的线谱增强及特征提取方法。本发明的方法主要包括、获取船舶噪声信号，并通过短时傅里叶变换得到LOFAR谱；从LOFAR谱中提取线谱，同时保留连续谱；放大提取的线谱的声级，获得增强线谱；将保留的连续谱与增强线谱合并；采用深度神经网络技术对获得的线谱增强的LOFAR谱进行特征提取，用于分类识别。本发明的有益效果是：可以实现在较低信噪比条件下多根频率线谱的检测和增强，并且保留连续谱的信息，提高识别率。

Description

一种用于分类识别的线谱增强及特征提取方法
技术领域
本发明属于声信号处理技术领域，具体涉及一种用于分类识别的线谱增强及特征提取方法。
背景技术
水下声音目标的被动探测和识别领域中，利用舰船辐射噪声对舰船类型进行识别是十分常见的。舰船辐射噪声通常由机械噪声，螺旋桨噪声和水动力噪声三部分构成，前两种信号是噪声的线谱和连续谱的主要来源。其中线谱由于具有较高的信噪比，并且携带着声源特征信息，而被广泛研究和应用。但是目前的识别方法中，因为连续谱信息缺乏较为明确的统计学特征，因此只聚焦于对于线谱的提取，通过线谱特征完成目标识别，而忽略了噪声连续谱的信息。
发明内容
本发明针对现有技术的不足，提出了一种新的用于分类识别的线谱增强及特征提取方法，可以实现在较低信噪比条件下多根频率线谱的检测和增强，并且保留连续谱的信息，通过深度神经网络强大的特征提取能力提取增强线谱和连续谱中的特征，作为分类识别的依据。
本发明的技术方案为：
一种用于分类识别的线谱增强及特征提取方法，如图1所示，包括以下步骤：
S1、获取船舶噪声信号，并通过短时傅里叶变换得到LOFAR谱；
S2、从LOFAR谱中提取线谱，同时保留连续谱；
S3、放大提取的线谱的声级，获得增强线谱；
S4、将保留的连续谱与增强线谱合并，具体为：增强线谱为计数值图，根据短时傅里叶变换所得到的频率分辨率计算图谱真实频点值，与步骤S1得到的LOFAR谱中的频点对应，将对应时频点的幅值相加，获得线谱增强的LOFAR谱；
S5、采用深度神经网络技术对获得的线谱增强的LOFAR谱进行特征提取，用于分类识别。
与传统技术相比，本发明的技术方案中，放大了所得线谱的声级，低信噪比条件下原时频图谱中的线谱与部分噪声谱重叠，不利于凸显线谱信息，影响利用线谱信息进行目标的分类识别，通过放大线谱声级可以提高带内信噪比；与原时频图谱中保留的连续谱合并，得到线谱增强的时频图谱。由于被保留的连续谱同样是船舶辐射噪声的构成部分，同样保留着不易被提取但是对于目标识别有重要作用的特征，所以合并后的线谱增强时频图谱具备更显著的线谱特征和保留的连续谱特征。
本发明的有益效果是：可以实现在较低信噪比条件下多根频率线谱的检测和增强，并且保留连续谱的信息，提高识别率。
附图说明
图1为本发明的逻辑结构示意框图；
图2频域滑动窗口多步决策动态追踪线谱图。
具体实施方式
下面结合附图详细描述本发明的技术方案。
线谱特征函数的定义模拟了人类声呐兵观察LOFAR谱线谱的模式识别过程，其定义如下：
Figure BDA0002316757660000021
式(1)中，η表示LOFAR图观测窗内的一条求和路径；路径的长度为N，路径上每个像素点依次为Pi(1≤i≤N)，A(η)表征线谱的幅度特性，F(η)表征线谱的频率连续性，T(η)表征线谱的轨迹连续性，λ、μ为加权系数。A(η)、F(η)、T(η)的定义如下：
Figure BDA0002316757660000022
Figure BDA0002316757660000031
Figure BDA0002316757660000032
其中，Pi表示时间轴上第i行的某点，a(Pi)表征Pi点的幅值。
d(Pi-1,Pi)表征路径前后两点的频率梯度，其定义如下：
d(Pi-1,Pi)＝f(Pi-1)-f(Pi) (5)
上式中f(Pi)表示Pi点的频率。
g(Pi)表征断点标识，其定义如下：
Figure BDA0002316757660000033
如果Pi点的幅度小于ε，认为Pi是断点，记为1，否则记0。
当路径上的点经过或靠近线谱时，路径上的幅值之和增大，频率梯度减小，断点数减小，目标函数O(η)减小。在观察窗内，目标函数最小的路径认为存在线谱。
线谱的带宽一般与频率成正比，LOFAR谱的分辨率取决于时频变换方法及具体的参数设置。本发明采用短时傅里叶变换(Short time Fourier transform，STFT)得到LOFAR谱图。实验中采用MATLAB spectrogram函数获取。其参数设置如下：
Figure BDA0002316757660000034
频率分辨率df＝4.88Hz。
考虑到舰船辐射噪声线谱主要分布于1-1000Hz，选择观测窗口大小为L＝5。
本发明中多步判决追踪线谱算法的具体步骤如下：
1如图2所示，时间轴长度为N，起点为t1，终点为tN。频率轴的长度为M，起点为f1，终点为fN。
2图中每一点定义为Pi j，表示时间轴上第i行，频率轴上第j列的像素点，
Figure BDA0002316757660000041
表示观测窗口内从t1到点Pi j的最优路径，为点Pi j定义一组三元向量为
Figure BDA0002316757660000042
3t1时刻每个点的三元组初始化为(a(P1 j),0,0)。
4从t2时刻到tN，在观测窗口中逐行找到长度从2到N的最优路径。设Pi为ti时刻的任意一点，在ti-1时刻中与Pi临近的L个点组成一个集合
Figure BDA0002316757660000043
到点Pi的长度为i的最优路径
Figure BDA0002316757660000044
是从
Figure BDA0002316757660000045
的最佳路径
Figure BDA0002316757660000046
得到的，即
Figure BDA0002316757660000047
其中k≤j≤k+L-1，满足
Figure BDA0002316757660000048
Figure BDA0002316757660000049
5tN时刻，观测窗内k个点的最优路径分别为
Figure BDA00023167576600000410
则观察窗内长度为N的最优路径为
Figure BDA00023167576600000411
6为LOFAR谱中每一个点设置一个计数器，如果观测窗内的最优路径η*对应的目标函数值O(η*)大于阈值γ，则认为该最优路径上存在线谱，则最优路径上N个点对应的计数器值加1。
7移动观测窗口，重复上述步骤，直至观测窗滑动至终止位置。输出计数值图，即为追踪得到的线谱。
步骤6中阈值γ由环境噪声LOFAR谱图计算得到，具体步骤如下：
(1)算法的输入由船舶辐射噪声的LOFAR谱图更改为海洋环境噪声的LOFAR谱图
(2)计算每个观测窗内的最优路径及最优路径对应的目标函数值的过程与上述算法1-5步的计算过程相同，得到第r个观测窗内最优路径
Figure BDA0002316757660000051
对应的目标函数值
Figure BDA0002316757660000052
滑动频域观测窗口，直至终止位置。则阈值
Figure BDA0002316757660000053
考虑到信号信噪比较低，线谱被噪声所掩盖，不利于利用线谱特征进行目标识别。通过放大检测到的线谱的声级，提高LOFAR谱的带内信噪比，突出线谱特征，达到线谱增强的效果。
将增强线谱与原LOFAR谱中保留的连续谱合并，得到线谱增强LOFAR谱，既增强了线谱，又保留了船舶辐射噪声中的连续谱信息，故增强LOFAR谱具有更丰富且更容易提取的特征信息。
卷积神经网络(CNN)具备远优于人类的深层次特征提取能力，具有对二维矩阵输入局部相关性特征的强大提取能力，尤其对于尚未定义的非统计学特征，具有可提取抽象特征的优点。这也与增强LOFAR谱(二维结构)的特征提取需求十分契合，可以提取到不易被人类提取的连续谱特征信息和特征更为明显的线谱特征信息，提高了船舶识别的准确率。

Claims (2)

1.一种用于分类识别的线谱增强及特征提取方法，其特征在于，包括以下步骤：
S1、获取船舶噪声信号，并通过短时傅里叶变换得到LOFAR谱；
S2、从LOFAR谱中提取线谱，同时保留连续谱；
S3、放大提取的线谱的声级，获得增强线谱；
S4、将保留的连续谱与增强线谱合并，具体为：增强线谱为计数值图，根据短时傅里叶变换所得到的频率分辨率计算图谱真实频点值，与步骤S1得到的LOFAR谱中的频点对应，将对应时频点的幅值相加，获得线谱增强的LOFAR谱；
S5、采用深度神经网络技术对获得的线谱增强的LOFAR谱进行特征提取，用于分类识别。
2.根据权利要求1所述的一种用于分类识别的线谱增强及特征提取方法，其特征在于，步骤S2中提取线谱的具体方法为：
对LOFAR谱，定义时间轴长度为N，起点为t1，终点为tN，频率轴的长度为M，起点为f1，终点为fN，定义Pi j表示时间轴上第i行，频率轴上第j列的像素点，定义
Figure FDA0002316757650000011
表示观测窗口内从t1到点Pi j的最优路径，为点Pi j定义一组三元向量为
Figure FDA0002316757650000012
Figure FDA0002316757650000013
表征线谱的幅度特性，
Figure FDA0002316757650000014
表征线谱的频率连续性，
Figure FDA0002316757650000015
表征线谱的轨迹连续性；
t1时刻将每个点的三元组初始化为(a(P1 j),0,0)，a(P1 j)表征Pi点的幅值；
从t2时刻到tN，在观测窗口中逐行找到长度从2到N的最优路径，设Pi为ti时刻的任意一点，在ti-1时刻中与Pi临近的L个点组成一个集合
Figure FDA0002316757650000016
到点Pi的长度为i的最优路径
Figure FDA0002316757650000017
是从
Figure FDA0002316757650000018
的最佳路径
Figure FDA0002316757650000019
得到的，即
Figure FDA00023167576500000110
其中k≤j≤k+L-1，满足
Figure FDA00023167576500000111
Figure FDA00023167576500000112
Figure FDA0002316757650000021
λ、μ为加权系数；
tN时刻，观测窗内k个点的最优路径分别为
Figure FDA0002316757650000022
则观察窗内长度为N的最优路径为
Figure FDA0002316757650000023
为LOFAR谱中每一个点设置一个计数器，如果观测窗内的最优路径η*对应的目标函数值O(η*)大于阈值γ，则认为该最优路径上存在线谱，则最优路径上N个点对应的计数器值加1；
移动观测窗口，重复上述步骤，直至观测窗滑动至终止位置，输出计数值图，即为得到的线谱。
CN201911281055.3A 2019-12-13 2019-12-13 一种用于分类识别的线谱增强及特征提取方法 Pending CN110929694A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911281055.3A CN110929694A (zh) 2019-12-13 2019-12-13 一种用于分类识别的线谱增强及特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911281055.3A CN110929694A (zh) 2019-12-13 2019-12-13 一种用于分类识别的线谱增强及特征提取方法

Publications (1)

Publication Number Publication Date
CN110929694A true CN110929694A (zh) 2020-03-27

Family

ID=69859804

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911281055.3A Pending CN110929694A (zh) 2019-12-13 2019-12-13 一种用于分类识别的线谱增强及特征提取方法

Country Status (1)

Country Link
CN (1) CN110929694A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116973901A (zh) * 2023-09-14 2023-10-31 海底鹰深海科技股份有限公司 时频分析在声呐信号处理中的算法应用

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180165983A1 (en) * 2016-12-13 2018-06-14 The Boeing Company Sonar target simulator
CN109269547A (zh) * 2018-07-12 2019-01-25 哈尔滨工程大学 基于线谱的水下目标舰船检测方法
CN109614943A (zh) * 2018-12-17 2019-04-12 电子科技大学 一种用于盲源分离的特征提取方法
CN109840495A (zh) * 2019-01-29 2019-06-04 浙江大学 一种低信噪比条件下的轴频线谱增强方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180165983A1 (en) * 2016-12-13 2018-06-14 The Boeing Company Sonar target simulator
CN109269547A (zh) * 2018-07-12 2019-01-25 哈尔滨工程大学 基于线谱的水下目标舰船检测方法
CN109614943A (zh) * 2018-12-17 2019-04-12 电子科技大学 一种用于盲源分离的特征提取方法
CN109840495A (zh) * 2019-01-29 2019-06-04 浙江大学 一种低信噪比条件下的轴频线谱增强方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
J.C. DI MARTINO等: "Lofargram line tracking by multistage decision process", 《ACOUSTICS, SPEECH, AND SIGNAL PROCESSING》 *
张健: "基于深度学习的水下目标识别的研究", 《中国优秀硕士学位论文全文数据库_基础科学辑》 *
李山等: "一种基于线谱特征函数提取 LOFAR 图线谱的方法", 《声学技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116973901A (zh) * 2023-09-14 2023-10-31 海底鹰深海科技股份有限公司 时频分析在声呐信号处理中的算法应用

Similar Documents

Publication Publication Date Title
Liu et al. Underwater target recognition using convolutional recurrent neural networks with 3-D Mel-spectrogram and data augmentation
CN107609488B (zh) 一种基于深度卷积网络的舰船噪声识别分类方法
CN109283492B (zh) 多目标方位估计方法及水声垂直矢量阵列系统
Huynh-The et al. Accurate LPI radar waveform recognition with CWD-TFA for deep convolutional network
CN107831473B (zh) 基于高斯过程回归的距离-瞬时多普勒图像序列降噪方法
CN106772331A (zh) 目标识别方法和目标识别装置
CN113221631B (zh) 基于卷积神经网络的序列脉冲抗干扰目标检测方法
CN113673312A (zh) 基于深度学习的雷达信号脉内调制识别方法
CN115114949A (zh) 一种基于水声信号的舰船目标智能识别方法及系统
Zhao et al. Research on electronic jamming identification based on CNN
Jin et al. Offshore ship recognition based on center frequency projection of improved EMD and KNN algorithm
CN110929694A (zh) 一种用于分类识别的线谱增强及特征提取方法
Liu et al. Few-shot learning with data enhancement and transfer learning for underwater target recognition
CN107635181B (zh) 一种基于信道学习的多址感知源反馈优化方法
CN107976659A (zh) 基于S2method时频分析的目标极点特征提取与检测方法
Vahidpour et al. An automated approach to passive sonar classification using binary image features
CN114942410B (zh) 基于数据增广的干扰信号识别方法
Zhang et al. Underwater target detection based on machine learning
CN110632605A (zh) 一种宽容的大孔径拖线阵时域单波束处理方法
Murphy et al. Classifying continuous active sonar echoes for target recognition
Nguyen et al. A parallel neural network-based scheme for radar emitter recognition
Wu et al. Using Range-Doppler Spectrum-Based Deep Learning Method to Detect Radar Target in Interrupted Sampling Repeater Jamming
Lin et al. The energy based characteristics of sperm whale clicks using the hilbert huang transform analysis method
Duan et al. Interference countermeasure system based on time–frequency domain characteristics
CN113805152A (zh) 一种基于目标稀疏性的二相编码雷达信号距离超分辨方法

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: 20200327

RJ01 Rejection of invention patent application after publication