CN111624585A - 一种基于卷积神经网络的水下目标被动检测方法 - Google Patents
一种基于卷积神经网络的水下目标被动检测方法 Download PDFInfo
- Publication number
- CN111624585A CN111624585A CN202010432897.0A CN202010432897A CN111624585A CN 111624585 A CN111624585 A CN 111624585A CN 202010432897 A CN202010432897 A CN 202010432897A CN 111624585 A CN111624585 A CN 111624585A
- Authority
- CN
- China
- Prior art keywords
- neural network
- signal
- convolutional neural
- mel
- underwater
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 26
- 238000001228 spectrum Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 230000007786 learning performance Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000006872 improvement Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
- G01S11/14—Systems for determining distance or velocity not using reflection or reradiation using ultrasonic, sonic, or infrasonic waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
-
- 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
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Discrete Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种基于卷积神经网络的水下目标被动检测方法,采用对数梅尔能量谱的方法进行特征提取,利用卷积神经网络挖掘水下目标信号更加深层的信息,提高水下目标检测性能以及在复杂海洋环境噪声下的鲁棒性和泛化能力。本发明利用时频特征对获取到的一维信息分析,可以体现信号在时域和频域两个方面的特征,考虑到水下目标低频成分较多,采用对数梅尔能量谱的方法对信号进行时频特征提取,使得其在时频图上更加清晰地体现特征,利用卷积神经网络来挖掘信号间更深层的信息。提高水下目标被动检测性能,以及在复杂海洋噪声背景下的泛化性和鲁棒性。
Description
技术领域
本发明涉及信号处理与人工智能领域,涉及到一种水下目标被动检测的方法。
背景技术
二十一世纪,许多海洋大国将发展海洋作为下一步的战略目标。在军事活动中,提高水下目标被动检测性能是目标识别、定位的基础,是战胜地方的关键。针对海上作战的特点,特别是舰船的机动性、隐蔽性以及自动化的提高以及水下环境的复杂,为现如今传统的水下目标检测技术带来了极大的挑战。
由于线谱具有相对平稳的能量,目前传统的水下目标被动检测方法主要针对目标的线谱成分进行研究,主要方法有:滤波、小波变换、现代谱分析、循环谱、高阶谱等方法。以上线谱检测方法仍然存在不足,例如:小波变换存在小波基函数如何有效选择的问题,高阶谱等分析方法仅针对于特定的噪声背景下的信号,并且其存在的共同问题在于:线谱只是舰船辐射噪声其中的一部分,忽视了连续谱以及舰船在行驶过程中存在的内在信息。
近年来,深度学习在各个应用领域取得了令人瞩目的成果。因其具有自主学习、高容错率、自适应性等特点,在自然语言处理、计算机视觉、文本处理等方面取得了令人瞩目的成就。除此之外其优点在于不需要模型的先验信息,可以有效的提取数据的内在信息和分布,能够非常精确地提取出更深层的特征。相比较传统的机器学习方法而言,深度学习更具有泛化能力和鲁棒性。
为了克服现有技术的不足,本专利提出一种水下目标被动检测的方法,将卷积神经网络应用到水下目标被动检测中,利用卷积神经网络挖掘水下目标更加深层的信息,能够提高水下目标检测的性能,适用于在复杂的海洋环境噪声中检测水下目标。
发明内容
为了克服现有技术的不足,本发明提供一种基于卷积神经网络的水下目标被动检测方法。针对现如今传统的水下目标被动检测方法存在不足的问题,本发明主要考虑水下目标的低频成分较多,采用对数梅尔能量谱的方法进行特征提取,利用卷积神经网络挖掘水下目标信号更加深层的信息,提高水下目标检测性能以及在复杂海洋环境噪声下的鲁棒性和泛化能力。
本发明解决其技术问题所采用的技术方案的步骤如下:
步骤一:接收信号;
水听器接收水下目标的信号y(t),
其中h(t)为海洋信道冲击响应,s(t)表示水下目标信号,n(t)为海洋环境噪声,*为卷积运算,t为时间变量;
步骤二:接收信号预处理
将接收到的信号y(t),进行去直流,然后进行分帧加窗,预处理后的信号为x(t);
步骤三:短时傅里叶变换;
将分帧加窗后的信号进行傅里叶变换,计算公式如下所示:
式中,w(t)为窗函数,τ为时延,f表示信号频率;ω为信号的角频率ω=2πf,π表示圆周率;
步骤四:获得对数梅尔能量谱;
获得对数梅尔能量谱的步骤包括:
将每一帧的信号经过步骤三之后得到Y(i,t,f)=[STFT(i,t,f)]2,经过平方处理,得到Y(i,t,f)=[STFT(i,t,f)]2。其中i表示第i帧;
将得到的信号频率转换为梅尔频率,转换公式如下:
mel=2595×log10(1+f/700)
最后去对数即可得到每一帧信号的对数梅尔能量谱,计算公式如下:
Log-mel(i)=Y(i,t,mel)
步骤五:划分数据集;
信号经过特征提取之后,将获得的对数梅尔能量谱作为数据集,将数据集分成训练集、测试集,通过人工标注确定每个图像有无水下目标;
步骤六:构建卷积神经网络
通过训练样本集对卷积神经网络进行训练;
步骤七:训练优化神经网络模型
通过调节卷积神经网路的超参数,以提高网络的学习性能和效果,超参数包括学习率、批次大小、卷积核尺寸以及激活函数;
步骤八:实现水下目标被动检测;
将待测数据经过步骤一至步骤四之后,通过步骤七优化好的神经网络模型给出检测结果,实现水下目标被动检测。
所述步骤五中,训练集和测试集的比例为7:3。
本发明的有益效果在于针对传统的方法解决水下目标被动检测存在不足的问题,本发明提出一种基于卷积神经网络的水下目标被动检测方法。利用时频特征对获取到的一维信息分析,可以体现信号在时域和频域两个方面的特征,考虑到水下目标低频成分较多,采用对数梅尔能量谱的方法对信号进行时频特征提取,使得其在时频图上更加清晰地体现特征,利用卷积神经网络来挖掘信号间更深层的信息。提高水下目标被动检测性能,以及在复杂海洋噪声背景下的泛化性和鲁棒性。
附图说明
图1是本发明基于卷积神经网络的水下目标被动检测方法的流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
针对水下目标被动检测的问题,提出一种基于卷积神经网络的水下目标被动检测方法,主要步骤如下:
步骤一:接收信号
水听器接收水下目标的信号y(t),
其中h(t)为海洋信道冲击响应,s(t)表示水下目标信号,n(t)为海洋环境噪声。*为卷积运算,t为时间变量。
步骤二:接收信号预处理
将接收到的信号y(t),进行去直流,然后进行分帧加窗,选择汉明窗作为加窗类型,窗长为1s。预处理后的信号为x(t)。
步骤三:短时傅里叶变换
将分帧加窗后的信号进行傅里叶变换,其计算公式如下所示:
其中w(t)为窗函数,τ为时延,f表示信号频率,ω为信号的角频率ω=2πf,π≈3.14。其中选择短时傅里叶变换的参数选择如下:重叠率为50%,傅里叶变换点数为512,窗长度为512。
步骤四:获得对数梅尔能量谱;
主要步骤包括:
将每一帧的信号经过步骤三之后得到Y(i,t,f)=[STFT(i,t,f)]2,经过平方处理,得到Y(i,t,f)=[STFT(i,t,f)]2。其中i表示第i帧。
将得到的信号频率转换为梅尔频率,转换公式如下:
mel=2595×log10(1+f/700)
最后去对数即可得到每一帧信号的对数梅尔能量谱,其计算公式如下:
Log-mel(i)=Y(i,t,mel)
步骤五:划分数据集
信号经过特征提取之后,将转换为对数梅尔能量谱图像作为数据集,按照7:3将数据集分成训练集和测试集,通过人工标注确定每个时频图有无水下目标。
步骤六:构建卷积神经网络
通过训练样本集对卷积神经网络进行训练。卷积神经网络共7层。共有6个卷积层,每一个卷积层后进行批标准化处理,起到网络收敛以及提高正确率的作用。每两个卷积层为一个模块,后连接平均池化层。最后一层为全连接层。使用Adam优化器优化整个网络模型,并且利用Binary cross-entropy作为网络模型的损失函数。
步骤七:训练优化神经网络模型
通过调节卷积神经网路的超参数,以提高网络的学习性能和效果。主要的超参数以及取值如表1所示:
表1卷积神经网络超参数设置
名称 | 取值 |
学习率 | 0.001 |
批次大小 | 32 |
卷积核尺寸 | 3*3 |
激活函数 | Relu |
步骤八:实现水下被动目标检测
将待测数据经过预处理、特征提取之后,通过优化好的神经网络模型给出检测结果,实现水下目标被动检测。
Claims (2)
1.一种基于卷积神经网络的水下目标被动检测方法,其特征在于包括下述步骤:
步骤一:接收信号;
水听器接收水下目标的信号y(t),
其中h(t)为海洋信道冲击响应,s(t)表示水下目标信号,n(t)为海洋环境噪声,*为卷积运算,t为时间变量;
步骤二:接收信号预处理
将接收到的信号y(t),进行去直流,然后进行分帧加窗,预处理后的信号为x(t);
步骤三:短时傅里叶变换;
将分帧加窗后的信号进行傅里叶变换,计算公式如下所示:
式中,w(t)为窗函数,τ为时延,f表示信号频率;ω为信号的角频率ω=2πf,π表示圆周率;
步骤四:获得对数梅尔能量谱;
获得对数梅尔能量谱的步骤包括:
将每一帧的信号经过步骤三之后得到Y(i,t,f)=[STFT(i,t,f)]2,经过平方处理,得到Y(i,t,f)=[STFT(i,t,f)]2,其中i表示第i帧;
将得到的信号频率转换为梅尔频率,转换公式如下:
mel=2595×log10(1+f/700)
最后去对数即可得到每一帧信号的对数梅尔能量谱,计算公式如下:
Log-mel(i)=Y(i,t,mel)
步骤五:划分数据集;
信号经过特征提取之后,将获得的对数梅尔能量谱作为数据集,将数据集分成训练集、测试集,通过人工标注确定每个图像有无水下目标;
步骤六:构建卷积神经网络
通过训练样本集对卷积神经网络进行训练;
步骤七:训练优化神经网络模型
通过调节卷积神经网路的超参数,以提高网络的学习性能和效果,超参数包括学习率、批次大小、卷积核尺寸以及激活函数;
步骤八:实现水下目标被动检测;
将待测数据经过步骤一至步骤四之后,通过步骤七优化好的神经网络模型给出检测结果,实现水下目标被动检测。
2.根据权利要求1所述的一种基于卷积神经网络的水下目标被动检测方法,其特征在于:
所述步骤五中,训练集和测试集的比例为7:3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010432897.0A CN111624585A (zh) | 2020-05-21 | 2020-05-21 | 一种基于卷积神经网络的水下目标被动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010432897.0A CN111624585A (zh) | 2020-05-21 | 2020-05-21 | 一种基于卷积神经网络的水下目标被动检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111624585A true CN111624585A (zh) | 2020-09-04 |
Family
ID=72269929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010432897.0A Pending CN111624585A (zh) | 2020-05-21 | 2020-05-21 | 一种基于卷积神经网络的水下目标被动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111624585A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528775A (zh) * | 2020-11-28 | 2021-03-19 | 西北工业大学 | 一种水下目标的分类方法 |
RU2780607C1 (ru) * | 2021-12-14 | 2022-09-28 | Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) | Система обнаружения и классификации морских целей на базе нейросетевых технологий и элементов искусственного интеллекта |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109065030A (zh) * | 2018-08-01 | 2018-12-21 | 上海大学 | 基于卷积神经网络的环境声音识别方法及系统 |
CN109767785A (zh) * | 2019-03-06 | 2019-05-17 | 河北工业大学 | 基于卷积神经网络的环境噪声识别分类方法 |
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 |
CN110245608A (zh) * | 2019-06-14 | 2019-09-17 | 西北工业大学 | 一种基于半张量积神经网络的水下目标识别方法 |
CN110459205A (zh) * | 2019-09-24 | 2019-11-15 | 京东数字科技控股有限公司 | 语音识别方法及装置、计算机可存储介质 |
-
2020
- 2020-05-21 CN CN202010432897.0A patent/CN111624585A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109065030A (zh) * | 2018-08-01 | 2018-12-21 | 上海大学 | 基于卷积神经网络的环境声音识别方法及系统 |
CN109767785A (zh) * | 2019-03-06 | 2019-05-17 | 河北工业大学 | 基于卷积神经网络的环境噪声识别分类方法 |
CN110245608A (zh) * | 2019-06-14 | 2019-09-17 | 西北工业大学 | 一种基于半张量积神经网络的水下目标识别方法 |
CN110459205A (zh) * | 2019-09-24 | 2019-11-15 | 京东数字科技控股有限公司 | 语音识别方法及装置、计算机可存储介质 |
Non-Patent Citations (7)
Title |
---|
刘正琼 等: "基于字符编码与卷积神经网络的汉字识别" * |
吴帆 等: "基于深度学习模型的电力变压器故障声音诊断方法研究" * |
孙钰 等: "基于轻量级神经网络的 2 种害虫钻蛀振动识别方法", 《林业科学》 * |
池涛 等: "多层局部感知卷积神经网络的高光谱图像分类" * |
王杰 等: "基于卷积神经网络框架的回声隐藏检测方法" * |
程锦盛等: "基于目标MFCC特征的监督学习方法在被动声呐目标识别中的应用研究", 《舰船科学技术》 * |
韩志艳: "《语音识别及语音可视化技术研究》", 31 January 2017 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528775A (zh) * | 2020-11-28 | 2021-03-19 | 西北工业大学 | 一种水下目标的分类方法 |
RU2780607C1 (ru) * | 2021-12-14 | 2022-09-28 | Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) | Система обнаружения и классификации морских целей на базе нейросетевых технологий и элементов искусственного интеллекта |
RU2780606C1 (ru) * | 2021-12-14 | 2022-09-28 | Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) | Способ обнаружения и классификации морских целей на базе нейросетевых технологий и элементов искусственного интеллекта |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245608B (zh) | 一种基于半张量积神经网络的水下目标识别方法 | |
CN112257521B (zh) | 基于数据增强和时频分离的cnn水声信号目标识别方法 | |
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 | |
CN110175560A (zh) | 一种雷达信号脉内调制识别方法 | |
CN108922513A (zh) | 语音区分方法、装置、计算机设备及存储介质 | |
CN109818892A (zh) | 构建循环谱特征参数提取模型及信号调制方式识别方法 | |
CN111931820B (zh) | 一种基于卷积残差网络的水中目标辐射噪声lofar谱图线谱提取方法 | |
CN110287770B (zh) | 一种基于卷积神经网络的水中个体目标匹配识别方法 | |
CN108985304B (zh) | 一种基于浅剖数据的沉积层结构自动提取方法 | |
CN110929842B (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
CN113259288A (zh) | 基于特征融合与轻量化混合神经网络的水声通信调制方式识别方法 | |
CN109269547A (zh) | 基于线谱的水下目标舰船检测方法 | |
CN113111786B (zh) | 基于小样本训练图卷积网络的水下目标识别方法 | |
CN111010356A (zh) | 一种基于支持向量机的水声通信信号调制方式识别方法 | |
Yin et al. | Underwater acoustic target classification based on LOFAR spectrum and convolutional neural network | |
CN117349657A (zh) | 一种用于水利工程环境监测的分布式数据采集模块及监测系统 | |
CN112183582A (zh) | 一种多特征融合的水下目标识别方法 | |
CN113780521B (zh) | 一种基于深度学习的辐射源个体识别方法 | |
CN111624585A (zh) | 一种基于卷积神经网络的水下目标被动检测方法 | |
CN116434759B (zh) | 一种基于srs-cl网络的说话人识别方法 | |
CN113420668B (zh) | 一种基于二维多尺度排列熵的水下目标识别方法 | |
CN113570041B (zh) | 一种神经网络以及利用该神经网络压制海上光纤拖缆地震数据噪声的方法 | |
CN111505650B (zh) | 一种基于hpss的水下目标被动检测方法 | |
CN114818789A (zh) | 一种基于数据增强的船舶辐射噪声识别方法 | |
CN113111772A (zh) | 基于一维多核并行结构的信道编码结构识别方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200904 |