CN111624586B - 基于特征提取和神经网络的水声目标测距方法 - Google Patents

基于特征提取和神经网络的水声目标测距方法 Download PDF

Info

Publication number
CN111624586B
CN111624586B CN202010463267.XA CN202010463267A CN111624586B CN 111624586 B CN111624586 B CN 111624586B CN 202010463267 A CN202010463267 A CN 202010463267A CN 111624586 B CN111624586 B CN 111624586B
Authority
CN
China
Prior art keywords
sample
spectrum
neural network
feature extraction
underwater acoustic
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
Application number
CN202010463267.XA
Other languages
English (en)
Other versions
CN111624586A (zh
Inventor
肖仲喆
石拓
江均均
黄敏
吴迪
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.)
Suzhou University
Original Assignee
Suzhou University
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 Suzhou University filed Critical Suzhou University
Priority to CN202010463267.XA priority Critical patent/CN111624586B/zh
Priority to US17/606,920 priority patent/US20220317273A1/en
Priority to PCT/CN2020/110815 priority patent/WO2021237958A1/zh
Publication of CN111624586A publication Critical patent/CN111624586A/zh
Application granted granted Critical
Publication of CN111624586B publication Critical patent/CN111624586B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Abstract

本发明一种基于特征提取和神经网络的水声目标测距方法，包括：第一步：采集水声目标在不同距离发出的水声信号，并按秒拆分数据，一秒的数据作为一个样本；第二步：对每个样本进行分帧；第三步：对每个样本的每一帧数据分别计算时域波形的过零率、MFCC的第2、5、8个系数、频谱质心、频谱偏度、频谱熵和频谱尖锐度。本发明的有益效果：本发明提出的基于特征提取和神经网络的水声目标测距方法直接对接收到的水声信号数据进行处理，实时性高，反应速度快。

Description

基于特征提取和神经网络的水声目标测距方法
技术领域
本发明涉及水声目标测距领域，具体涉及一种基于特征提取和神经网络的水声目标测距方法。
背景技术
目前各国对海洋的消费、工业及军事地位越来越重视，都在大力地进行相关研究。我国仍处于比较落后的阶段。因此，随着我国军事自动化建设步伐的加快，对水声目标识别的研究亟待推进。
在原始的水声目标识别中，主要是根据观察员的经验和主观判断来确定目标的有无和距离，此法有一定的弊端。后来开始运用声学信号理论、现代谱理论来进行水声目标的识别，识别精度和效率有了一定的提升。但随着当前各种传感器形式的增加、各种信息量的增大、水下环境的噪声干扰的增多，水声目标识别问题又开始变得越来越复杂。因此，依靠传统的方法已不能满足当前的需要，而人工智能方法(如神经网络)对处理那些环境信息复杂、背景知识模糊的识别问题，具有明显的优越性。
传统技术存在以下技术问题：
1、CN110488300A一种水声定位系统及方法：该方法需要待定位目标安装深度传感器，用于发送深度信息，因此，无法实现对无深度传感器的目标的定位；同时利用单阵元换能器测试斜距信息受水下环境的干扰较大，存在较大的测量误差，因此，定位误差较大。
2、CN110208745A一种基于自适应匹配滤波器的水声定位方法：该方法通过两路信号的时间差获得待定位目标的具体位置，需要待定位目标安装固定频段声音信号发射系统，且需要一个FPGA核心控制芯片、四个水听器、四路AD处理器、四路信号放大器和一路以太网传输模块，所需设备种类和数量较多，成本较高。
3、CN110542883A一种用于目标静默的被动水声定位方法：该方法需要在水面布置导航基线节点阵列，需要每个节点同步发射导航信号，无法用于对待定位目标的实时定位；同时该方法主要用于待定位目标对自身的定位，无法用于其他设备或系统对待定位目标的定位。
发明内容
本发明要解决的技术问题是提供一种基于特征提取和神经网络的水声目标测距方法，首先大量采集水声目标在不同距离发出的水声信号并提取特征，再将这些特征以及对应的距离标签输入搭建的神经网络进行训练。在实际的应用中，则只需采集周围的水声信号并提取特征，输入到训练好的神经网络中即可实现对水声目标的测距。该方法响应速度快，实时性高，只需一个水听器和一个上位机即可实现，所需设备少，成本低，且受环境影响较小，测距的平均相对误差低于20％，可靠性高。
为了解决上述技术问题，本发明提供了一种基于特征提取和神经网络的水声目标测距方法，包括：
第一步：采集水声目标在不同距离发出的水声信号，并按秒拆分数据，一秒的数据作为一个样本；
第二步：对每个样本进行分帧；
第三步：对每个样本的每一帧数据分别计算时域波形的过零率、MFCC的第2、5、8个系数、频谱质心、频谱偏度、频谱熵和频谱尖锐度；
第四步：对每个样本中所有帧计算得出的过零率、MFCC第2、5、8个系数、频谱质心、频谱偏度、频谱熵和频谱尖锐度分别计算第一四分位数、第二四分位数、第三四分位数、1％百分位数、99％百分位数、算术平均值、平方平均数和峰值的均值；
第五步：将第四步计算得到的64个值组成64维特征，作为样本的特征；
第六步：根据每个样本所在时刻的水声目标的距离信息，给每个样本打上距离标签；
第七步：将所有样本的特征以及对应的距离标签组成样本集，随机抽取三分之二作为训练样本集，剩下的三分之一作为测试样本集；
第八步：搭建神经网络模型，输入训练样本集进行训练，当达到训练要求精度或者达到最大训练次数时，停止训练；
第九步：输入测试样本集进行测试，若测试误差满足要求，则保存模型参数，用于实际使用；若测试误差不满足要求，则返回第八步，重新训练。
在其中一个实施例中，过零率定义为：
Figure BDA0002511766370000031
其中，N是每帧的采样点数，x(q)是第q个采样点的幅值。
在其中一个实施例中，频谱质心定义为：
Figure BDA0002511766370000032
其中，f是信号的频率，E是对应频率的能量。
在其中一个实施例中，频谱偏度定义为：
Figure BDA0002511766370000033
其中，k2和k3分别为频谱幅值的二阶中心矩和三阶中心矩，X是频谱的幅值，μ和σ分别是X的均值和方差。
在其中一个实施例中，频谱熵定义为：
Figure BDA0002511766370000041
其中，x是频谱幅值处于某个间隔内的事件，p(x)是事件x的概率，将频谱幅值的最小值和最大值之间的间隔分为100个小间隔，即100个事件。
在其中一个实施例中，频谱尖锐度定义为：
Figure BDA0002511766370000042
其中，E(f)是频率为fHz处的能量。
在其中一个实施例中，第二步中，分帧参数如下：帧长设置为20ms，帧移设置为10ms。
基于同样的发明构思，本申请还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。
基于同样的发明构思，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。
基于同样的发明构思，本申请还提供一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。
本发明的有益效果：
1、本发明提出的基于特征提取和神经网络的水声目标测距方法直接对接收到的水声信号数据进行处理，实时性高，反应速度快；
2、本发明提出的基于特征提取和神经网络的水声目标测距方法通过人工智能方法对水声目标进行测距，避免了人工干预，且特征维数少，提高了水声目标测距的精度和速度；
3、本发明提出的基于特征提取和神经网络的水声目标测距方法只需一个水听器和一个上位机即可实现，所需设备少，成本低；
4、本发明提出的基于特征提取和神经网络的水声目标测距方法受环境的影响较小，测距的平均相对误差低于20％，可靠性高。
附图说明
图1是本发明基于特征提取和神经网络的水声目标测距方法的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
1、采集水声目标在不同距离发出的水声信号，并按秒拆分数据，一秒的数据作为一个样本；
2、对每个样本进行分帧，帧长设置为20ms，帧移设置为10ms；
3、对每个样本的每一帧数据分别计算时域波形的过零率、MFCC的第2、5、8个系数、频谱质心、频谱偏度、频谱熵和频谱尖锐度；
过零率(ZCR)定义为：
Figure BDA0002511766370000051
其中，N是每帧的采样点数，x(q)是第q个采样点的幅值；
频谱质心(Centroid)定义为：
Figure BDA0002511766370000052
其中，f是信号的频率，E是对应频率的能量；
频谱偏度(Skewness)定义为：
Figure BDA0002511766370000061
其中，k2和k3分别为频谱幅值的二阶中心矩和三阶中心矩，X是频谱的幅值，μ和σ分别是X的均值和方差；
频谱熵(Entropy)定义为：
Figure BDA0002511766370000062
其中，x是频谱幅值处于某个间隔内的事件，p(x)是事件x的概率，将频谱幅值的最小值和最大值之间的间隔分为100个小间隔，即100个事件；
频谱尖锐度(Sharpness)定义为：
Figure BDA0002511766370000063
其中，E(f)是频率为fHz处的能量；
4、对每个样本中所有帧计算得出的过零率、MFCC第2、5、8个系数、频谱质心、频谱偏度、频谱熵和频谱尖锐度分别计算第一四分位数、第二四分位数、第三四分位数、1％百分位数、99％百分位数、算术平均值、平方平均数和峰值的均值；
5、将第4步计算得到的64个值组成64维特征，作为样本的特征；
6、根据每个样本所在时刻的水声目标的距离信息，给每个样本打上距离标签；
7、将所有样本的特征以及对应的距离标签组成样本集，随机抽取三分之二作为训练样本集，剩下的三分之一作为测试样本集；
8、搭建神经网络模型，输入训练样本集进行训练，当达到训练要求精度或者达到最大训练次数时，停止训练；
9、输入测试样本集进行测试，若测试误差满足要求，则保存模型参数，用于实际使用；若测试误差不满足要求，则返回第8步，重新训练；
10、实际使用中，采集周围的水声信号并提取如上64维特征，输入第9步保存的模型中，即可得到水声目标的测距结果。
下面给出本发明的一个具体应用场景：
1、采集了实船在三个海域的不同距离发出的水声信号，并按秒拆分数据，一秒的数据作为一个样本；
2、对每个样本进行分帧，帧长设置为20ms，帧移设置为10ms；
3、对每个样本的每一帧数据分别计算时域波形的过零率、MFCC的第2、5、8个系数、频谱质心、频谱偏度、频谱熵和频谱尖锐度；
4、对每个样本中所有帧计算得出的过零率、MFCC第2、5、8个系数、频谱质心、频谱偏度、频谱熵和频谱尖锐度分别计算第一四分位数、第二四分位数、第三四分位数、1％百分位数、99％百分位数、算术平均值、平方平均数和峰值的均值；
5、将第4步计算得到的64个值组成64维特征，作为样本的特征；
6、根据每个样本所在时刻的水声目标的距离信息，给每个样本打上距离标签；
7、将所有样本的特征以及对应的距离标签组成样本集，随机抽取三分之二作为训练样本集，剩下的三分之一作为测试样本集；
8、搭建BP神经网络，其参数设置：输入神经元64个，隐藏层为1层，隐藏神经元20个，激活函数为S型传输函数，输出神经元1个，训练函数为梯度下降BP算法训练函数，损失函数为均方误差MSE，训练要求精度为10-9，最大训练次数为2000，初始学习率为0.1；
9、输入训练样本集进行训练，当达到训练要求精度或者达到最大训练次数时，停止训练；
10、输入测试样本集进行测试，在三个海域上对实船测距的平均相对误差都低于20％。
本发明的关键点如下：
1、本发明提出的基于特征提取和神经网络的水声目标测距方法基于大量的实际水声目标声音信号数据，且水声目标距离变化大，训练得到的神经网络模型泛化能力和抗干扰能力强；
2、本发明提出的基于特征提取和神经网络的水声目标测距方法提取的特征为每个样本所有帧的过零率、MFCC第2、5、8个系数、频谱质心、频谱偏度、频谱熵和频谱尖锐度的第一四分位数、第二四分位数、第三四分位数、1％百分位数、99％百分位数、算术平均值、平方平均数和峰值的均值，这些特征组成64维的特征向量；
3、本发明提出的基于特征提取和神经网络的水声目标测距方法使用神经网络对水声目标进行测距。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (10)

1.一种基于特征提取和神经网络的水声目标测距方法，其特征在于，包括：
第一步：采集水声目标在不同距离发出的水声信号，并按秒拆分数据，一秒的数据作为一个样本；
第二步：对每个样本进行分帧；
第三步：对每个样本的每一帧数据分别计算时域波形的过零率、MFCC的第2、5、8个系数、频谱质心、频谱偏度、频谱熵和频谱尖锐度；
第四步：对每个样本中所有帧计算得出的过零率、MFCC第2、5、8个系数、频谱质心、频谱偏度、频谱熵和频谱尖锐度分别计算第一四分位数、第二四分位数、第三四分位数、1％百分位数、99％百分位数、算术平均值、平方平均数和峰值的均值；
第五步：将第四步计算得到的64个值组成64维特征，作为样本的特征；
第六步：根据每个样本所在时刻的水声目标的距离信息，给每个样本打上距离标签；
第七步：将所有样本的特征以及对应的距离标签组成样本集，随机抽取三分之二作为训练样本集，剩下的三分之一作为测试样本集；
第八步：搭建神经网络模型，输入训练样本集进行训练，当达到训练要求精度或者达到最大训练次数时，停止训练；
第九步：输入测试样本集进行测试，若测试误差满足要求，则保存模型参数，用于实际使用；若测试误差不满足要求，则返回第八步，重新训练。
2.如权利要求1所述的基于特征提取和神经网络的水声目标测距方法，其特征在于，过零率定义为：
Figure FDA0002511766360000011
其中，N是每帧的采样点数，x(q)是第q个采样点的幅值。
3.如权利要求1所述的基于特征提取和神经网络的水声目标测距方法，其特征在于，频谱质心定义为：
Figure FDA0002511766360000021
其中，f是信号的频率，E是对应频率的能量。
4.如权利要求1所述的基于特征提取和神经网络的水声目标测距方法，其特征在于，频谱偏度定义为：
Figure FDA0002511766360000022
其中，k2和k3分别为频谱幅值的二阶中心矩和三阶中心矩，X是频谱的幅值，μ和σ分别是X的均值和方差。
5.如权利要求1所述的基于特征提取和神经网络的水声目标测距方法，其特征在于，频谱熵定义为：
Figure FDA0002511766360000023
其中，x是频谱幅值处于某个间隔内的事件，p(x)是事件x的概率，将频谱幅值的最小值和最大值之间的间隔分为100个小间隔，即100个事件。
6.如权利要求1所述的基于特征提取和神经网络的水声目标测距方法，其特征在于，频谱尖锐度定义为：
Figure FDA0002511766360000024
其中，E(f)是频率为fHz处的能量。
7.如权利要求1所述的基于特征提取和神经网络的水声目标测距方法，其特征在于，第二步中，分帧参数如下：帧长设置为20ms，帧移设置为10ms。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到7任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到7任一项所述方法的步骤。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到7任一项所述的方法。
CN202010463267.XA 2020-05-27 2020-05-27 基于特征提取和神经网络的水声目标测距方法 Active CN111624586B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010463267.XA CN111624586B (zh) 2020-05-27 2020-05-27 基于特征提取和神经网络的水声目标测距方法
US17/606,920 US20220317273A1 (en) 2020-05-27 2020-08-24 Underwater acoustic target ranging method based on feature extraction and neural network
PCT/CN2020/110815 WO2021237958A1 (zh) 2020-05-27 2020-08-24 基于特征提取和神经网络的水声目标测距方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010463267.XA CN111624586B (zh) 2020-05-27 2020-05-27 基于特征提取和神经网络的水声目标测距方法

Publications (2)

Publication Number Publication Date
CN111624586A CN111624586A (zh) 2020-09-04
CN111624586B true CN111624586B (zh) 2022-09-23

Family

ID=72271479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010463267.XA Active CN111624586B (zh) 2020-05-27 2020-05-27 基于特征提取和神经网络的水声目标测距方法

Country Status (3)

Country Link
US (1) US20220317273A1 (zh)
CN (1) CN111624586B (zh)
WO (1) WO2021237958A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112396807A (zh) * 2020-10-27 2021-02-23 西北工业大学 一种落水人员检测识别方法
CN117614467A (zh) * 2024-01-17 2024-02-27 青岛科技大学 基于降噪神经网络的水声信号智能接收方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7392733B1 (en) * 2004-09-20 2008-07-01 The United States Of America As Represented By The Secretary Of The Navy High resolution projectile based targeting system
CN101900811B (zh) * 2010-07-23 2013-02-27 哈尔滨工程大学 一种基于单水听器的被动测距方法
TWI412019B (zh) * 2010-12-03 2013-10-11 Ind Tech Res Inst 聲音事件偵測模組及其方法
US9705607B2 (en) * 2011-10-03 2017-07-11 Cornell University System and methods of acoustic monitoring
CN102799892B (zh) * 2012-06-13 2015-04-01 东南大学 一种mfcc水下目标特征提取和识别方法
CN103487796B (zh) * 2013-09-23 2015-09-02 河海大学常州校区 一种利用水声信道统计不变特征实现被动测距的方法
CN105445724B (zh) * 2015-12-31 2017-10-10 西北工业大学 单水听器自由场被动测距方法
CN105629220B (zh) * 2016-02-18 2018-04-17 国家海洋局第三海洋研究所 一种基于单水听器的深海水声被动测距方法
US9829565B1 (en) * 2016-02-19 2017-11-28 The United States Of America As Represneted By The Secretary Of The Navy Underwater acoustic beacon location system
CN106093849B (zh) * 2016-06-03 2018-05-25 清华大学深圳研究生院 一种基于测距和神经网络算法的水下定位方法
US9892744B1 (en) * 2017-02-13 2018-02-13 International Business Machines Corporation Acoustics based anomaly detection in machine rooms
BR112020000375A2 (pt) * 2017-07-10 2020-07-14 3D at Depth, Inc. sistemas e métodos ópticos de posicionamento embaixo d'água
CN109932708B (zh) * 2019-03-25 2022-09-23 西北工业大学 一种基于干涉条纹和深度学习的水面水下分类目标的方法
CN110390949B (zh) * 2019-07-22 2021-06-15 苏州大学 基于大数据的水声目标智能识别方法
CN111025274A (zh) * 2019-12-31 2020-04-17 南京科烁志诺信息科技有限公司 一种超声波测距方法及系统

Also Published As

Publication number Publication date
CN111624586A (zh) 2020-09-04
WO2021237958A1 (zh) 2021-12-02
US20220317273A1 (en) 2022-10-06

Similar Documents

Publication Publication Date Title
CN109000876B (zh) 基于自动编码器深度学习的sns光纤冲击识别方法
Usman et al. Review of automatic detection and classification techniques for cetacean vocalization
CN111624586B (zh) 基于特征提取和神经网络的水声目标测距方法
Hildebrand et al. Assessing seasonality and density from passive acoustic monitoring of signals presumed to be from pygmy and dwarf sperm whales in the Gulf of Mexico
Frasier et al. Delphinid echolocation click detection probability on near-seafloor sensors
CN110390949A (zh) 基于大数据的水声目标智能识别方法
CN114152980A (zh) 一种快速自动化产出震源机制解的方法与装置
Yoon et al. Deep learning-based high-frequency source depth estimation using a single sensor
Baggenstoss Separation of sperm whale click-trains for multipath rejection
CN117198330A (zh) 一种声源识别方法、系统及电子设备
CN113111786B (zh) 基于小样本训练图卷积网络的水下目标识别方法
CN112735466B (zh) 一种音频检测方法及装置
CN108281155A (zh) 基于瑞丽散射的过零检测方法在光纤水听系统中的应用
CN116992263A (zh) 一种基于多任务学习的水下航行器自噪声特征提取、识别与分离的方法
Ngan et al. Joint time delay and pitch estimation for speaker localization
Houégnigan et al. A novel approach to real-time range estimation of underwater acoustic sources using supervised machine learning
Farrokhrooz et al. Ship noise classification using probabilistic neural network and AR model coefficients
Klay et al. Advanced methods for passive acoustic detection, classification, and localization of marine mammals
Zhang et al. Automatic recognition of porcine abnormalities based on a sound detection and recognition system
Lohrasbipeydeh et al. Adaptive energy-based acoustic sperm whale echolocation click detection
Zaheer et al. A survey on artificial intelligence-based acoustic source identification
CN117033983B (zh) 一种无人船自噪声检测识别方法及系统
Tiantian et al. Underwater Acoustic Sensing with Rational Orthogonal Wavelet Pulse and Auditory Frequency Cepstral Coefficient-Based Feature Extraction
Moan Noise in the Sea-Deep Learning for Marine Acoustic Data
Huang et al. Deep neural network for source localization using underwater horizontal circular array

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