CN112115822A - 一种水下移动目标智能融合感知方法 - Google Patents

Abstract

本发明提供了一种水下移动目标智能融合感知方法，水下多传感器接收信号并进行信号预处理，通过提取信号特征，进行多特征融合，构建卷积神经网络并训练后，对待测数据进行分类识别。本发明的有益效果在于通过对水下移动目标的智能感知，可以使我方掌握各类水下移动目标的运动情况，从而更好地进行形势预判，将多传感器融合感知方法应用在了水下移动目标感知中，对于海洋目标智能感知，水下异常目标探测和智慧海洋及海洋防御建设具有深远意义。

Description

一种水下移动目标智能融合感知方法

技术领域

本发明涉及信号处理领域，涉及水下信号感知，深度神经网络，声信号处理，信 息融合方法和水下目标识别等方法。

背景技术

21世纪以来，世界各国在政治、经济、军事方面围绕海洋领域的竞争愈演愈烈。 海洋权益事关经济与国家安全。当前国际形势下的战场实际是信息之间的战场，拥有 信息战场上的非对称优势就拥有实际战场上的主动权。随着水下各类传感器监测网和 人工智能技术的快速发展，海洋战场情报信息获取逐渐呈现出智能化的新趋势。

信息融合指的是利用多种手段获取不同层次、不同特征的信息,并通过多层次、多方面、多级别的信息处理，以得到高级别、更易于理解、更加全面、更为精确有效 的信息,实现去粗取精、去伪存真、由低到高、由部分到全面的认知上的升华过程。 信息融合理论起源于水下信号处理，1973年，美国军方利用多个独立连续的声纳信号 对敌方潜艇进行探测,发现其性能远优于利用单个声纳对潜艇的探测。这一尝试被认 为对现代战争具有非常重要的意义。此后,海洋一直是信息融合最为重要和关注的研 究对象。在军用领域,海洋信息融合是海上军事信息系统最为核心的关键支撑技术,其 中较为典型的有美国海军90年代的协同作战能力(CEC)系统、21世纪提出的海上力量 设想等。

对于水中目标融合感知问题的研究主要集中在水下不确定性信息的汇集和关联，水下信息融合结构和层次的定义优化，信息融合算法的有效性、鲁棒性、自适应性以 及融合性能的评价等各个方面。水下目标融合感知研究中代表性的几种方法有Fisher 判别分析法、主成分分析法、粗糙集理论、近似网格滤波法、小波分层图像融合法、 粒子滤波法、双马尔可夫链模型法和基于熵规范的方法等。随着水下目标感知的智能 化、快速化需求，越来越多的研究更加倾向于机器学习的理论方法。基于神经网络的 传感器信息融合具有统一的内部知识表示形式，通过学习算法可将网络获得的传感器 信息进行融合，便于实现知识自动获取及并行联想推理。

近年来我国大力发展海洋科技，海洋观测技术正朝着实时、长期、连续、大范围、多尺度、高分辨、精细化、立体化、网络化的方向发展，对获取的海洋组网观测数据 的分析迫切需要智能、快速信息融合理论与方法的支撑。另外，水下目标的各类物理 场信号受海洋复杂环境因素的影响,呈现一定的不稳定性,表现为观测物理场信号受 海洋信道的时-空-频变动态性、非线性和非高斯性,混响以及环境噪声等干扰和多径效 应。单个传感器自身只能获取目标信息的一部分特性,加上海战中双方采取的多种电 子对抗技术,导致传感器在获取过程中存在不确定因素,系统获取数据不精确、不完整 和不可靠。上述诸种因素会导致仅靠单一传感器的水下目标识别系统因识别率低、鲁 棒性差、可靠性不高而不能满足新形势下海战目标识别的要求。因此需利用不同类型 传感器采集到的大量水下目标多维异构信息，结合深度神经网络等智能学习方法，实 现对水下目标的智能融合感知，获取海洋战争的信息制高点。

发明内容

为了克服现有技术的不足，本发明提供一种水下移动目标智能融合感知方法。针对单一传感器类型对水下目标识别系统因识别率低、鲁棒性差、可靠性不高的问题， 本发明建立对水下移动目标多物理场智能融合感知的体系框架，构建水下目标多维异 构特征集及特征融合方法，建立基于深度学习的水下目标智能融合感知模型，实现对 水下移动目标的多物理场智能融合感知。本发明将对增强我国对敌方潜艇、UUV和蛙 人等水下移动目标的感知能力，进一步提高各类水下探测识别系统性能，并为我国领 海安全监测提供重要的理论和方法支撑。

本发明解决其技术问题所采用的技术方案的详细步骤如下：

第一步：水下多传感器接收信号；

将矢量声传感器、量子磁强计、压差传感器、甚低频地震波传感器置于海洋环境中，在水下航行器等移动目标通过时，分别接收到的信号为X1(t)、X2(t)、X3(t)、X4(t)；

第二步：信号预处理；

对矢量声传感器、量子磁强计、压差传感器、甚低频地震波传感器接收到的信号进行时空统一和分帧预处理，通过确知信号检测方法实现各传感器采集的信号时刻同 步，然后将X1(t)、X2(t)、X3(t)、X4(t)进行时长为1s的分帧处理，针对不同传感器采 取滤波的方法进行相应去噪处理，处理后信号分别为XF1、XF2、XF3、XF；

第三步：信号特征提取；

1)典型特征提取

提取各信号的时域、频域和统计域基础特征组成基础特征向量A₁，A₂，…，A_M；M 是典型特征的数量；

2)深层特征提取

通过并行融合方法将各传感器信号XF1、XF2、XF3、XF4合并为矩阵X，然后 通过无监督自编码器提取深层特征组成深层特征B；

δ(X，E，D)为重构误差，不同的X、E、D经过等式右边的计算，得到不同的重构误 差；

式中E和D为自编码器网络参数矩阵，L和K分别为两个网络的隐藏单元数量， σ为非线性函数，通过使重构误差δ最小化训练自编码器，得到网络的参数E和D， 进一步得到水下移动目标的深层特征向量B₁，B₂，…，B_N，N为深层特征向量的数量，不 同的网络参数得到不同的N，通过使重构误差最小可得到网络参数D和E，然后通过 B＝σ(EX)计算得到B；

第四步：多特征融合

利用协方差矩阵将典型特征和深层特征进行融合，将典型特征A和深层特征B进行融合，得到多特征融合协方差矩阵Q：

式中{z_k}_{k＝1，2，...，M+N}为第三步中得到的A和B两组特征向量，向量总数为M+N， 其中

第五步：构建卷积神经网络；

构建具有多层卷积层和池化层的深度卷积神经网络，将多特征融合协方差矩阵Q作为卷积神经网络的输入，输出为水下目标类别标签；

卷积层的过程用下式表示：

式中Y表示卷积操作之后的特征矩阵，Q表示输入的多特征融合协方差矩阵，W_i表式权重矩阵，B₁表示卷积偏置项，f_c()表示卷积层激活函数，

表示卷积操作；

池化层过程用下式表示：

Z＝βdown(Y)+B₂

式中，down()表示将Y进行池化操作，β表示乘偏置，B₂表示池化偏置项；

第六步：划分训练集和测试集；

从水下多传感器采集带标签数据，然后将带标签数据分割成K组子样本，一组单独的子样本被保留作为验证模型的数据，其他K-1组样本用来训练，交叉验证重复K 次，每组子样本验证一次，K次的平均验证结果做为评价分类器的性能指标；

第七步：训练网络模型

调节卷积神经网络的学习率和卷积核尺寸超参数，采用均方误差损失或交叉熵损失函数训练网络模型，提高网络学习的性能和效果，训练得到最终的卷积神经网络模 型；

第八步：待测数据分类识别

将待测数据通过第七步训练好的卷积神经网络模型给出分类结果，实现水下移动目标智能融合感知。

所述矢量水听器的信号采用高通滤波器。

所述量子磁强计和压差传感器的信号采用带通滤波器。

所述对甚低频地震波传感器采用低通滤波器。

训练卷积神经网络模型时，学习率选为0.0001-0.01，批次选为10-30，迭代次数选为4-6次。

本发明的有益效果在于通过对水下移动目标的智能感知，可以使我方掌握各类水下移动目标的运动情况，从而更好地进行形势预判，有针对性地做出各类海上布防， 掌握水下信息空间的制高点和主动权。本发明将对增强我国对敌方潜艇、UUV和蛙人 等水下移动目标的感知能力，进一步提高各类水下探测识别系统性能，并为我国领海 安全监测提供重要的理论和方法支撑。同时本发明成功的将多传感器融合感知方法应 用在了水下移动目标感知中，对于海洋目标智能感知，水下异常目标探测和智慧海洋 及海洋防御建设具有深远意义，也推动了人工智能技术在海洋领域的进一步发展与应 用，为我国海军水下智能武器装备提供技术支撑，为我国海洋军事智能化打下坚实的 基础。

附图说明

图1是本发明总体方法流程图。

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。

本发明技术方案的详细步骤为：

第一步：水下多传感器接收信号

将矢量声传感器、量子磁强计、压差传感器、甚低频地震波传感器置于海洋环境中，在水下航行器等移动目标通过时，分别接收到的信号为X1(t)、X2(t)、X3(t)、X4(t)；

第二步：信号预处理

对各传感器接收到的信号进行时空统一和分帧预处理，通过确知信号检测方法实现各传感器采集的信号时刻同步，然后将各类信号进行时长为1s的分帧处理，针对不 同传感器采取滤波的方法进行相应去噪处理。例如：对矢量水听器的信号采用高通滤 波器，对量子磁强计和压差传感器的信号采用带通滤波器，对甚低频地震波传感器采 用低通滤波器。

第三步：信号特征提取

1)典型特征提取

提取各信号的时域、频域和统计域等基础特征组成基础特征向量A₁，A₂，…，A_M。例如：峰谷差，线谱，连续谱，DEMON谱，

维谱，MFCC特征，PLP特征等

2)深层特征提取

通过并行融合方法将各传感器信号合并为矩阵X，然后通过无监督自编码器提取其深层特征组成深层特征B。

式中E和D为自编码器网络参数矩阵，L和K分别为两个网络的隐藏单元数量， σ为非线性函数。通过使重构误差δ最小化来训练自编码器，得到网络的参数E和D， 进一步得到水下移动目标的深层特征向量B₁，B₂，…，B_N。

第四步：多特征融合

利用协方差矩阵将目标特征信息进行融合，将各种典型特征A和深层特征B进行融合，得到多特征融合协方差矩阵Q。因为卷积神经网络更适合处理类似图像的矩阵 数据，且多特征协方差矩阵具有具备非常好的旋转不变性、尺度不变性和鲁棒性。

式中{z_k}_{k＝1，2，...，M+N}为第三步中得到的A和B两组特征向量，其向量总数为 M+N，其中

第五步：构建卷积神经网络

构建具有多层卷积层和池化层的深度卷积神经网络，将多特征融合协方差矩阵Q作为卷积神经网络的输入，输出为水下目标类别标签，

卷积层的过程可以用下式表示：

式中Y表示卷积操作之后的特征矩阵，Q表示输入的多特征融合协方差矩阵，W表式权重矩阵，B₁表示卷积偏置项，f_c()表示卷积层激活函数，

表示卷积操作。

池化层过程可以用下式表示：

Z＝βdown(Y)+B₂

式中，down()表示将Y进行池化操作，β表示乘偏置，B₂表示池化偏置项。

可构建拥有4层卷积层，4层池化层，2层全连接层的卷积神经网络。卷积核均选 用3*3，非线性激励函数选Relu函数，池化层选为2*2的平均池化。第一层全连接层 拥有1024个节点，第二层全连接层为输出层，输出节点给出分类概率。

第六步：划分训练集和测试集

从水下多传感器采集的带标签数据，然后将数据集分割成K组子样本，一组单独的子样本被保留作为验证模型的数据，其他K-1组样本用来训练。交叉验证重复K次， 每组子样本验证一次，平均K次的结果来做为评价分类器的性能指标。

针对水下移动目标分类识别，主要的评价指标是分类精确度(acc)、精确率(precision) 和召回率(recall)，三者分别从不同角度对识别性能进行评价。给出四类分类结果的符 号表示，正确预测正样本(TP)、错误预测正样本(FP)、正确预测负样本(TN)、错误预 测负样本(FN)，则分类精确率分类器正确分类的样本数与总样本数之比，数值越高，性能越好，比值为：

精确率为预测为正样本的样本中真正为正样本所占的比例，计算公式如下：

召回率为正样本中被成功预测为正样本的比例。

还可以使用AUC来综合评估算法性能，通过面积直观的表示分类性能的好坏； 或者当精确率与召回率发生矛盾时，也可以使用F-Measuer对precision和recall加权 调和平均，如下式所示，若α＝1，则是常见的F1指标。

第七步：训练网络模型

调节卷积神经网络的学习率和卷积核尺寸等超参数，采用均方误差损失或交叉熵损失函数来训练网络模型，提高网络学习的性能和效果。学习率可选为0.0001-0.01， 批次大小可选为10-30，迭代次数选为4-6次；

第八步：待测数据分类识别

将待测数据经过预处理变之后，可通过训练优化好的卷积神经网络模型给出分类结果，实现水下移动目标智能融合感知。

Claims (5)

1.一种水下移动目标智能融合感知方法，其特征在于包括下述步骤：

第一步：水下多传感器接收信号；

将矢量声传感器、量子磁强计、压差传感器、甚低频地震波传感器置于海洋环境中，在水下航行器等移动目标通过时，分别接收到的信号为X1(t)、X2(t)、X3(t)、X4(t)；

第二步：信号预处理；

对矢量声传感器、量子磁强计、压差传感器、甚低频地震波传感器接收到的信号进行时空统一和分帧预处理，通过确知信号检测方法实现各传感器采集的信号时刻同步，然后将X1(t)、X2(t)、X3(t)、X4(t)进行时长为1s的分帧处理，针对不同传感器采取滤波的方法进行相应去噪处理，处理后信号分别为XF1、XF2、XF3、XF；

第三步：信号特征提取；

1)典型特征提取

提取各信号的时域、频域和统计域基础特征组成基础特征向量A₁，A₂，…,A_M；M是典型特征的数量；

2)深层特征提取

通过并行融合方法将各传感器信号XF1、XF2、XF3、XF4合并为矩阵X，然后通过无监督自编码器提取深层特征组成深层特征B；

δ(X,E,D)为重构误差，不同的X、E、D经过等式右边的计算，得到不同的重构误差；

式中E和D为自编码器网络参数矩阵，L和K分别为两个网络的隐藏单元数量，σ为非线性函数，通过使重构误差δ最小化训练自编码器，得到网络的参数E和D，进一步得到水下移动目标的深层特征向量B₁，B₂，…,B_N，N为深层特征向量的数量，不同的网络参数得到不同的N，通过使重构误差最小可得到网络参数D和E，然后通过B＝σ(EX)计算得到B；

第四步：多特征融合

利用协方差矩阵将典型特征和深层特征进行融合，将典型特征A和深层特征B进行融合，得到多特征融合协方差矩阵Q：

式中{z_k}_{k＝1,2，...，M+N}为第三步中得到的A和B两组特征向量，向量总数为M+N，其中

第五步：构建卷积神经网络；

构建具有多层卷积层和池化层的深度卷积神经网络，将多特征融合协方差矩阵Q作为卷积神经网络的输入，输出为水下目标类别标签；

卷积层的过程用下式表示：

式中Y表示卷积操作之后的特征矩阵，Q表示输入的多特征融合协方差矩阵，W_i表式权重矩阵，B₁表示卷积偏置项，f_c()表示卷积层激活函数，

表示卷积操作；

池化层过程用下式表示：

Z＝βdown(Y)+B₂

式中，down()表示将Y进行池化操作,β表示乘偏置，B₂表示池化偏置项；

第六步：划分训练集和测试集；

从水下多传感器采集带标签数据，然后将带标签数据分割成K组子样本，一组单独的子样本被保留作为验证模型的数据，其他K-1组样本用来训练，交叉验证重复K次，每组子样本验证一次，K次的平均验证结果做为评价分类器的性能指标；

第七步：训练网络模型

调节卷积神经网络的学习率和卷积核尺寸超参数，采用均方误差损失或交叉熵损失函数训练网络模型，提高网络学习的性能和效果，训练得到最终的卷积神经网络模型；

第八步：待测数据分类识别

将待测数据通过第七步训练好的卷积神经网络模型给出分类结果，实现水下移动目标智能融合感知。

2.根据权利要求1所述的一种水下移动目标智能融合感知方法，其特征在于：

所述矢量水听器的信号采用高通滤波器。

3.根据权利要求1所述的一种水下移动目标智能融合感知方法，其特征在于：

所述量子磁强计和压差传感器的信号采用带通滤波器。

4.根据权利要求1所述的一种水下移动目标智能融合感知方法，其特征在于：

所述对甚低频地震波传感器采用低通滤波器。

5.根据权利要求1所述的一种水下移动目标智能融合感知方法，其特征在于：

训练卷积神经网络模型时，学习率选为0.0001-0.01，批次选为10-30，迭代次数选为4-6次。

Images