CN112183225B - 一种基于概率潜在语义分析的水下目标信号特征提取方法 - Google Patents

一种基于概率潜在语义分析的水下目标信号特征提取方法 Download PDF

Info

Publication number
CN112183225B
CN112183225B CN202010931222.0A CN202010931222A CN112183225B CN 112183225 B CN112183225 B CN 112183225B CN 202010931222 A CN202010931222 A CN 202010931222A CN 112183225 B CN112183225 B CN 112183225B
Authority
CN
China
Prior art keywords
signal
spectrogram
noise
frequency band
frequency
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
CN202010931222.0A
Other languages
English (en)
Other versions
CN112183225A (zh
Inventor
殷波
魏志强
贾东宁
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.)
Ocean University of China
Original Assignee
Ocean University 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 Ocean University of China filed Critical Ocean University of China
Priority to CN202010931222.0A priority Critical patent/CN112183225B/zh
Publication of CN112183225A publication Critical patent/CN112183225A/zh
Application granted granted Critical
Publication of CN112183225B publication Critical patent/CN112183225B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks

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)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于概率潜在语义分析的水下目标信号特征提取方法，包括如下步骤：对混合有噪声的水下目标信号进行处理得到降噪频谱图
Figure DDA0002670303710000011
利用原始频谱图v和降噪频谱图
Figure DDA0002670303710000012
进行频谱可靠性权重计算，得到加权后第n个频段的降噪频谱图Sn；对Sn进行短时傅里叶变换，得到信号
Figure DDA0002670303710000013
对
Figure DDA0002670303710000014
使用频谱三角滤波器进行滤波，得到滤波后的整个频谱
Figure DDA0002670303710000015
对
Figure DDA0002670303710000016
进行矩阵分解，提取具有最高贡献率的前L个特征向量，构成声学子空间；对提取的前L个特征向量进行归一化计算，将归一化后的L个特征向量连接起来，以构建声学特征向量。本发明所公开的方法实现了从时间与频率相结合来反映声音信号特征，可以降低噪声的污染，从而更有效的表征声音信号。

Description

一种基于概率潜在语义分析的水下目标信号特征提取方法
技术领域
本发明涉及一种基于概率潜在语义分析的水下目标信号特征提取方法。
背景技术
海洋资源的开发和利用是实现可持续发展的重要途径，水下目标识别可以更好的进行海洋勘探与海洋生物的保护。水下目标识别技术分为主动识别与被动识别两种，前者利用声纳发射脉冲信号，根据接受的回波信号特征对目标进行判断，优点是回波信号中带有大量反应目标本质特性的信息，但缺点是易于暴露。被动目标识别则可以通过被动声纳接受水下目标辐射噪声特性进行分类判断，隐蔽性比较好，但受噪音干扰较大，接受的信号信噪比低，不利于识别。
目标特征提取是自动水下目标识别技术的核心内容之一，到目前为止，已经出现了一系列对水下噪声信号的特征提取方法，主要有以下几种：基于谱分析的特征提取、基于舰船噪声的非线性特征提取、基于小波变换的特征提取法、神经网络特征提取法以及基于人耳听觉特征的特征提取方法。大量研究表明这些方法在实验室有良好的识别性能，但有一定的不足与限制。
由于舰船结构多样性以及海洋环境复杂性，在信号检测过程中，待检测信号会被噪声污染，严重影响输出波形，直接从待检测信号中提取有效识别的特征比较困难。对水下噪声信号的特征提取方法，主要有以下几种：时域上的波形结构特征提取、频域上的经典谱估计以及时间-频率域上基于小波变换的特征提取等。时域上的波形结构特征提取是基于目标之间的结构、材料或形状之间的差异会反映在其回波形状上，目标差异越明显其波形结构差异越明显，这些差异音隐藏着目标之间的特性，从波形结构里提取目标的分类特征。频域上的经典谱估计是指将信号处理后得到的频谱特征，通过谱估计方法对目标进行辨别，并从中进行目标特征参数提取。基于小波变换的特征提取是将含噪信号进行小波变换，在信噪分离过程中，改变小波系数，从而实现噪声的消除，使得保留的系数为信号所控制。
由于水下目标噪声是一种典型的非线性非平稳随机信号，傅里叶变换分析方法在任一频点上的值是在整个时间轴上的积分平均，不能准确反映非平稳信号的时变特征，且看不到任何时间域内的信息。小波分析虽能同时提供声音信号的时域和频域的局部化信息，但由于基函数的长度有限，在对信号做小波变换时会产生能量泄露，难以对信号做精确的时频域分析。具体存在的缺陷通常来说表现在以下两个方面:
1)传统方法通过时域或者频域单一方向进行特征提取，对于声信号而言，时间与频率都能反映声音信号的特征，传统方法未能将两者结合进行研究，且噪声对准确率的影响较大。
2)对于小波分析而言，虽然能同时提供声音信号的时域和频域的局部化信息，但其时频分辨率不高且不具备自适应能力。
发明内容
为解决上述技术问题，本发明提供了一种基于概率潜在语义分析的水下目标信号特征提取方法，实现从时间与频率相结合来反映声音信号特征，达到降低噪声的污染，从而更有效的表征声音信号的目的。
为达到上述目的，本发明的技术方案如下：
一种基于概率潜在语义分析的水下目标信号特征提取方法，包括如下步骤：
步骤一，对混合有噪声的水下目标信号进行处理得到降噪频谱图
Figure BDA0002670303690000021
步骤二，利用原始频谱图v和降噪频谱图
Figure BDA0002670303690000022
进行频谱可靠性权重计算，得到加权后第n个频段的降噪频谱图Sn；
步骤三，对加权后第n个频段的降噪频谱图Sn进行短时傅里叶变换，得到信号
Figure BDA0002670303690000023
步骤四，对短时傅里叶变换后的信号
Figure BDA0002670303690000024
使用均匀分布的频谱三角滤波器进行滤波，得到滤波后的整个频谱
Figure BDA0002670303690000025
步骤五，对滤波后的频谱
Figure BDA0002670303690000026
进行矩阵分解，从频谱中提取具有最高贡献率的前L个特征向量，构成声学子空间；
步骤六，对提取的具有最高贡献率的前L个特征向量进行归一化计算，将归一化后的L个特征向量连接起来，以构建声学特征向量。
上述方案中，步骤一的具体方法如下：
收集的信号中包括声源信号和噪声信号，表示为：
Figure BDA0002670303690000027
其中，P(f,t)表示在时间t和频率f的混合信号，S和N分别表示声源与噪声，P(zs)和P(zn)分别表示声源信号和噪声信号中潜变量z的可能性分布，P(f|zs)与P(t|zs)分别表示声源信号的频率可能性分布与时间可能性分布，P(f|zn)和P(t|zn)分别表示噪声信号的频率可能性分布与时间可能性分布；
降噪过程通过将公式(1)中噪声信号潜变量z的可能性分布P(zn)设置为0来实现，则降噪频谱图
Figure BDA0002670303690000031
表示为：
Figure BDA0002670303690000032
其中，P(t)表示选定声源信号中时间t的概率，P(zs|t)表示在时间t时声源信号中潜变量z的可能性分布，P(f|zs)表示在频率为f时声源信号中潜变量z的概率；
通过期望最大化算法来计算参数P(f|zs)与P(zs|t)，计算方法如下：
声源信号的可能性分布P(zs|f,t)表示如下：
Figure BDA0002670303690000033
Figure BDA0002670303690000034
Figure BDA0002670303690000035
O(f,t)表示不同时间下相同频段的数量，Pk-1(zs|f,t)表示第k-1次迭代中声源信号的可能性分布，
Figure BDA0002670303690000036
和
Figure BDA0002670303690000037
分别表示声源信号在第k-1次迭代中第i个频段fi与第j个时间段tj的可能性分布，
Figure BDA0002670303690000038
与
Figure BDA0002670303690000039
分别表示声源信号在第k次迭代中第i个频段fi与第j个时间段tj的可能性分布；
初始化公式(3)中的参数P(f|zs)和P(zs|t)，通过不断的迭代，每一次迭代通过公式(3)求P(zs|f,t)，然后根据公式(4)和(5)计算参数
Figure BDA00026703036900000310
与
Figure BDA00026703036900000311
再放入公式(3)进行下一次迭代，直至收敛，从而确定对应公式(2)中声源信号的参数值P(f|zs)与P(zs|t)，最终得到降噪声谱图
Figure BDA00026703036900000318
上述方案中，步骤二的具体方法如下：
整个频谱的重构误差表示为：
Figure BDA00026703036900000312
其中，v为含噪声的原始频谱图，
Figure BDA00026703036900000313
为降噪后的频谱图；
对原始频谱图v和降噪频谱图
Figure BDA00026703036900000314
进行分帧处理，则第n个频段的原始频谱图v和降噪频谱图
Figure BDA00026703036900000315
分别记作vn与
Figure BDA00026703036900000316
计算每个频段的误差，记作：
Figure BDA00026703036900000317
通过整个频谱的重构误差E与第n个频段的误差En，计算第n个频段的权重：
wn＝1-En/E (8)
对于每个频段，通过
Figure BDA0002670303690000041
对频谱进行加权，其中
Figure BDA0002670303690000042
表示降噪处理后的第n个频段的频谱图，wn表示第n个频段的权重，Sn表示加权后第n个频段的降噪频谱图。
上述方案中，步骤三的具体方法如下：
对加权后第n个频段的降噪频谱图Sn进行短时傅里叶变换：
Figure BDA0002670303690000043
其中，n为帧序号，m是对应帧的时间序号，N为帧长，m＝0,1,2,···,N-1,w(n-m)为窗序列，e-jwm表示关于时间m的向量。
上述方案中，步骤四的具体方法如下：
对短时傅里叶变换的信号
Figure BDA0002670303690000044
使用均匀分布的频谱三角滤波器进行滤波,具体操作为：
Figure BDA0002670303690000045
其中，
Figure BDA0002670303690000046
表示短时傅里叶变换后的第n个信号，αh表示第h个滤波器的频谱加权系数，Fn表示滤波后的第n个信号；
滤波后的整个频谱表示为：
Figure BDA0002670303690000047
上述方案中，步骤五的具体方法如下：
对滤波后的整个频谱
Figure BDA0002670303690000048
进行矩阵分解，从频谱中提取声学子空间，进一步表征信号中的重要部分，即：
Figure BDA0002670303690000049
其中，
Figure BDA00026703036900000410
表示频谱
Figure BDA00026703036900000411
的矩阵，M＝[q1,…qB]为特征向量，Λ＝diag(λ1…λB)为对角特征值矩阵,MT为M的转置矩阵；
通过特征值λ计算对应特征向量q贡献率，第w个特征向量qw的贡献率ηw定义为：
Figure BDA00026703036900000412
其中，λw表示第w个特征向量qw对应的特征值；
比较每个特征向量的贡献率，选取具有最高贡献率的前L个特征向量ML＝[q1,…qL],L<B，构成声学子空间。
上述方案中，步骤六的具体方法如下：
对选取的具有最高贡献率的前L个特征向量ML＝[q1,…qL],L<B，进行归一化计算，具体公式为：
Figure BDA0002670303690000051
将归一化后的L个特征向量
Figure BDA0002670303690000052
连接起来以构建声学特征向量。
通过上述技术方案，本发明提供的基于概率潜在语义分析的水下目标信号特征提取方法对混合有噪声的水下目标信号进行处理，通过期望最大化(EM)算法来计算对应于真实声音信号的参数，实现噪声与声源的分离，从而降低噪声对目标识别的准确率的影响。
然后对降噪后的声音信号进行频谱可靠性权重的计算，经过短时傅立叶变换，三角滤波器进行滤波，提取声学特征。从频谱中提取声学子空间，通过捕捉信号中的微弱变化，表征声音信号中更为突出的部分，从而提高时频分辨率，并且声学子空间具有良好的去噪机制，在目标识别中表现出更强大的性能。
本发明对声音信号进行时频域分析，从时间与频率相结合来反映声音信号特征，并从频谱中提取声学子空间，降低噪声的污染，从而更有效的表征声音信号。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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地介绍。
图1为本发明实施例所公开的一种基于概率潜在语义分析的水下目标信号特征提取方法流程示意图。
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。
本发明提供了一种基于概率潜在语义分析的水下目标信号特征提取方法，如图1所示，具体包括如下步骤：
步骤一，对混合有噪声的水下目标信号进行处理得到降噪频谱图
Figure BDA0002670303690000054
收集的信号中包括声源信号和噪声信号，表示为：
Figure BDA0002670303690000053
其中，P(f,t)表示在时间t和频率f的混合信号，S和N分别表示声源与噪声，P(zs)和P(zn)分别表示声源信号和噪声信号中潜变量z的可能性分布，P(f|zs)与P(t|zs)分别表示声源信号的频率可能性分布与时间可能性分布，P(f|zn)和P(t|zn)分别表示噪声信号的频率可能性分布与时间可能性分布；
降噪过程通过将公式(1)中噪声信号潜变量z的可能性分布P(zn)设置为0来实现，则降噪频谱图
Figure BDA0002670303690000061
表示为：
Figure BDA0002670303690000062
其中，P(t)表示选定声源信号中时间t的概率，P(zs|t)表示在时间t时声源信号中潜变量z的可能性分布，P(f|zs)表示在频率为f时声源信号中潜变量z的概率；
通过期望最大化算法来计算参数P(f|zs)与P(zs|t)，计算方法如下：
声源信号的可能性分布P(zs|f,t)表示如下：
Figure BDA0002670303690000063
Figure BDA0002670303690000064
Figure BDA0002670303690000065
O(f,t)表示不同时间下相同频段的数量，Pk-1(zs|f,t)表示第k-1次迭代中声源信号的可能性分布，
Figure BDA0002670303690000066
和
Figure BDA0002670303690000067
分别表示声源信号在第k-1次迭代中第i个频段fi与第j个时间段tj的可能性分布，
Figure BDA0002670303690000068
与
Figure BDA0002670303690000069
分别表示声源信号在第k次迭代中第i个频段fi与第j个时间段tj的可能性分布；
初始化公式(3)中的参数P(f|zs)和P(zs|t)，通过不断的迭代，每一次迭代通过公式(3)求P(zs|f,t)，然后根据公式(4)和(5)计算参数
Figure BDA00026703036900000610
与
Figure BDA00026703036900000611
再放入公式(3)进行下一次迭代，直至收敛，从而确定对应公式(2)中声源信号的参数值P(f|zs)与P(zs|t)，最终得到降噪声谱图
Figure BDA00026703036900000612
步骤二，利用原始频谱图v和降噪频谱图
Figure BDA00026703036900000613
进行频谱可靠性权重计算，得到加权后第n个频段的降噪频谱图Sn；
在噪声与声源分离过程会有伪像的产生，为了减少干扰，通过对频谱分配一系列可靠性权重，即错误率较低的频段分配较高权重，与之相反，错误率较高的频段分配较低权重，整个频谱的重构误差表示为：
Figure BDA00026703036900000614
其中，v为含噪声的原始频谱图，
Figure BDA0002670303690000071
为降噪后的频谱图；
对原始频谱图v和降噪频谱图
Figure BDA0002670303690000072
进行分帧处理，则第n个频段的原始频谱图v和降噪频谱图
Figure BDA0002670303690000073
分别记作vn与
Figure BDA0002670303690000074
计算每个频段的误差，记作：
Figure BDA0002670303690000075
通过整个频谱的重构误差E与第n个频段的误差En，计算第n个频段的权重：
wn＝1-En/E (8)
对于每个频段，通过
Figure BDA0002670303690000076
对频谱进行加权，其中
Figure BDA0002670303690000077
表示降噪处理后的第n个频段的频谱图，wn表示第n个频段的权重，Sn表示加权后第n个频段的降噪频谱图。
步骤三，对加权后第n个频段的降噪频谱图Sn进行短时傅里叶变换，得到信号
Figure BDA0002670303690000078
对加权后第n个频段的降噪频谱图Sn进行短时傅里叶变换：
Figure BDA0002670303690000079
其中，n为帧序号，m是对应帧的时间序号，N为帧长，m＝0,1,2,···,N-1,w(n-m)为窗序列，e-jwm表示关于时间m的向量。
步骤四，对短时傅里叶变换后的信号
Figure BDA00026703036900000710
使用均匀分布的频谱三角滤波器进行滤波，得到滤波后的整个频谱
Figure BDA00026703036900000711
对短时傅里叶变换的信号
Figure BDA00026703036900000712
使用均匀分布的频谱三角滤波器进行滤波,具体操作为：
Figure BDA00026703036900000713
其中，
Figure BDA00026703036900000714
表示短时傅里叶变换后的第n个信号，αh表示第h个滤波器的频谱加权系数，Fn表示滤波后的第n个信号；
滤波后的整个频谱表示为：
Figure BDA00026703036900000715
步骤五，对滤波后的频谱
Figure BDA00026703036900000716
进行矩阵分解，从频谱中提取具有最高贡献率的前L个特征向量，构成声学子空间；
对滤波后的整个频谱
Figure BDA00026703036900000717
进行矩阵分解，从频谱中提取声学子空间，进一步表征信号中的重要部分，即：
Figure BDA00026703036900000718
其中，
Figure BDA0002670303690000081
表示频谱
Figure BDA0002670303690000082
的矩阵，M＝[q1,…qB]为特征向量，Λ＝diag(λ1…λB)为对角特征值矩阵,MT为M的转置矩阵；
通过特征值λ计算对应特征向量q贡献率，从而选择贡献比更高的特征向量，第w个特征向量qw的贡献率ηw定义为：
Figure BDA0002670303690000083
其中，λw表示第w个特征向量qw对应的特征值；
比较每个特征向量的贡献率，选取具有最高贡献率的前L个特征向量ML＝[q1,…qL],L<B，构成声学子空间。
步骤六，对提取的具有最高贡献率的前L个特征向量进行归一化计算，将归一化后的L个特征向量连接起来，以构建声学特征向量。
对选取的具有最高贡献率的前L个特征向量ML＝[q1,…qL],L<B，进行归一化计算，具体公式为：
Figure BDA0002670303690000084
将归一化后的L个特征向量
Figure BDA0002670303690000085
连接起来以构建声学特征向量。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (5)

1.一种基于概率潜在语义分析的水下目标信号特征提取方法，其特征在于，包括如下步骤：
步骤一，对混合有噪声的水下目标信号进行处理得到降噪频谱图
Figure FDA0003640343000000011
步骤一的具体方法如下：
收集的信号中包括声源信号和噪声信号，表示为：
Figure FDA0003640343000000012
其中，P(f,t)表示在时间t和频率f的混合信号，S和N分别表示声源与噪声，P(zs)和P(zn)分别表示声源信号和噪声信号中潜变量z的可能性分布，P(f|zs)与P(t|zs)分别表示声源信号的频率可能性分布与时间可能性分布，P(f|zn)和P(t|zn)分别表示噪声信号的频率可能性分布与时间可能性分布；
降噪过程通过将公式(1)中噪声信号潜变量z的可能性分布P(zn)设置为0来实现，则降噪频谱图
Figure FDA0003640343000000013
表示为：
Figure FDA0003640343000000014
其中，P(t)表示选定声源信号中时间t的概率，P(zs|t)表示在时间t时声源信号中潜变量z的可能性分布，P(f|zs)表示在频率为f时声源信号中潜变量z的概率；
通过期望最大化算法来计算参数P(f|zs)与P(zs|t)，计算方法如下：
声源信号的可能性分布P(zs|f,t)表示如下：
Figure FDA0003640343000000015
Figure FDA0003640343000000016
Figure FDA0003640343000000017
O(f,t)表示不同时间下相同频段的数量，Pk-1(zs|f,t)表示第k-1次迭代中声源信号的可能性分布，
Figure FDA0003640343000000018
和
Figure FDA0003640343000000019
分别表示声源信号在第k-1次迭代中第i个频段fi与第j个时间段tj的可能性分布，
Figure FDA00036403430000000110
与
Figure FDA00036403430000000111
分别表示声源信号在第k次迭代中第i个频段fi与第j个时间段tj的可能性分布；
初始化公式(3)中的参数P(f|zs)和P(zs|t)，通过不断的迭代，每一次迭代通过公式(3)求P(zs|f,t)，然后根据公式(4)和(5)计算参数
Figure FDA00036403430000000112
与
Figure FDA00036403430000000113
再放入公式(3)进行下一次迭代，直至收敛，从而确定对应公式(2)中声源信号的参数值P(f|zs)与P(zs|t)，最终得到降噪声谱图
Figure FDA0003640343000000021
步骤二，利用原始频谱图v和降噪频谱图
Figure FDA0003640343000000022
进行频谱可靠性权重计算，得到加权后第n个频段的降噪频谱图Sn；
步骤二的具体方法如下：
整个频谱的重构误差表示为：
Figure FDA0003640343000000023
其中，v为含噪声的原始频谱图，
Figure FDA0003640343000000024
为降噪后的频谱图；
对原始频谱图v和降噪频谱图
Figure FDA0003640343000000025
进行分帧处理，则第n个频段的原始频谱图v和降噪频谱图
Figure FDA0003640343000000026
分别记作vn与
Figure FDA0003640343000000027
计算每个频段的误差，记作：
Figure FDA0003640343000000028
通过整个频谱的重构误差E与第n个频段的误差En，计算第n个频段的权重：
wn＝1-En/E (8)
对于每个频段，通过
Figure FDA0003640343000000029
对频谱进行加权，其中
Figure FDA00036403430000000210
表示降噪处理后的第n个频段的频谱图，wn表示第n个频段的权重，Sn表示加权后第n个频段的降噪频谱图；
步骤三，对加权后第n个频段的降噪频谱图Sn进行短时傅里叶变换，得到信号
Figure FDA00036403430000000211
步骤四，对短时傅里叶变换后的信号
Figure FDA00036403430000000212
使用均匀分布的频谱三角滤波器进行滤波，得到滤波后的整个频谱
Figure FDA00036403430000000213
步骤五，对滤波后的频谱
Figure FDA00036403430000000214
进行矩阵分解，从频谱中提取具有最高贡献率的前L个特征向量，构成声学子空间；
步骤六，对提取的具有最高贡献率的前L个特征向量进行归一化计算，将归一化后的L个特征向量连接起来，以构建声学特征向量。
2.根据权利要求1所述的一种基于概率潜在语义分析的水下目标信号特征提取方法，其特征在于，步骤三的具体方法如下：
对加权后第n个频段的降噪频谱图Sn进行短时傅里叶变换：
Figure FDA00036403430000000215
其中，n为帧序号，m是对应帧的时间序号，N为帧长，m＝0,1,2,···,N-1,w(n-m)为窗序列，e-jwm表示关于时间m的向量。
3.根据权利要求1所述的一种基于概率潜在语义分析的水下目标信号特征提取方法，其特征在于，步骤四的具体方法如下：
对短时傅里叶变换的信号
Figure FDA0003640343000000031
使用均匀分布的频谱三角滤波器进行滤波,具体操作为：
Figure FDA0003640343000000032
其中，
Figure FDA0003640343000000033
表示短时傅里叶变换后的第n个信号，αh表示第h个滤波器的频谱加权系数，Fn表示滤波后的第n个信号；
滤波后的整个频谱表示为：
Figure FDA0003640343000000034
4.根据权利要求1所述的一种基于概率潜在语义分析的水下目标信号特征提取方法，其特征在于，步骤五的具体方法如下：
对滤波后的整个频谱
Figure FDA0003640343000000035
进行矩阵分解，从频谱中提取声学子空间，进一步表征信号中的重要部分，即：
Figure FDA0003640343000000036
其中，
Figure FDA0003640343000000037
表示频谱
Figure FDA0003640343000000038
的矩阵，M＝[q1,…qB]为特征向量，B为所有的特征向量的数量，Λ＝diag(λ1…λB)为对角特征值矩阵,MT为M的转置矩阵；
通过特征值λ计算对应特征向量q贡献率，第w个特征向量qw的贡献率ηw定义为：
Figure FDA0003640343000000039
其中，λw表示第w个特征向量qw对应的特征值；
比较每个特征向量的贡献率，选取具有最高贡献率的前L个特征向量ML＝[q1,…qL],L<B，构成声学子空间。
5.根据权利要求4所述的一种基于概率潜在语义分析的水下目标信号特征提取方法，其特征在于，步骤六的具体方法如下：
对选取的具有最高贡献率的前L个特征向量ML＝[q1,…qL],L<B，B为所有的特征向量的数量，进行归一化计算，具体公式为：
Figure FDA00036403430000000310
将归一化后的L个特征向量
Figure FDA00036403430000000311
连接起来以构建声学特征向量。
CN202010931222.0A 2020-09-07 2020-09-07 一种基于概率潜在语义分析的水下目标信号特征提取方法 Active CN112183225B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010931222.0A CN112183225B (zh) 2020-09-07 2020-09-07 一种基于概率潜在语义分析的水下目标信号特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010931222.0A CN112183225B (zh) 2020-09-07 2020-09-07 一种基于概率潜在语义分析的水下目标信号特征提取方法

Publications (2)

Publication Number Publication Date
CN112183225A CN112183225A (zh) 2021-01-05
CN112183225B true CN112183225B (zh) 2022-07-05

Family

ID=73925646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010931222.0A Active CN112183225B (zh) 2020-09-07 2020-09-07 一种基于概率潜在语义分析的水下目标信号特征提取方法

Country Status (1)

Country Link
CN (1) CN112183225B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114004982A (zh) * 2021-10-27 2022-02-01 中国科学院声学研究所 一种面向水中目标识别的声学Haar特征提取方法及系统
CN114722334B (zh) * 2022-04-11 2022-12-27 哈尔滨工程大学 一种基于stft的高压天然气缸内直喷发动机燃气喷射时间特征在线识别方法
CN116582195B (zh) * 2023-06-12 2023-12-26 浙江瑞通电子科技有限公司 一种基于人工智能的无人机信号频谱识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104731890A (zh) * 2015-03-16 2015-06-24 山东师范大学 一种结合plsa和at的音频事件分类方法
WO2015185032A1 (de) * 2014-06-05 2015-12-10 Atlas Elektronik Gmbh Verfahren zum klassifizieren eines wasserobjekts, vorrichtung, sonar und wasserfahrzeug oder stationäre plattform
CN106910495A (zh) * 2017-04-26 2017-06-30 中国科学院微电子研究所 一种应用于异常声音检测的音频分类系统和方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8116169B2 (en) * 2009-05-13 2012-02-14 Raytheon Company Active sonar system and active sonar method using noise reduction techniques and advanced signal processing techniques

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015185032A1 (de) * 2014-06-05 2015-12-10 Atlas Elektronik Gmbh Verfahren zum klassifizieren eines wasserobjekts, vorrichtung, sonar und wasserfahrzeug oder stationäre plattform
CN104731890A (zh) * 2015-03-16 2015-06-24 山东师范大学 一种结合plsa和at的音频事件分类方法
CN106910495A (zh) * 2017-04-26 2017-06-30 中国科学院微电子研究所 一种应用于异常声音检测的音频分类系统和方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基频线谱提取技术在船舶水下目标识别系统的应用;邓见奎等;《舰船科学技术》;20170723(第14期);全文 *
小波分析和神经网络在水下目标识别中的研究;舒兰英;《计算机仿真》;20110215(第02期);全文 *
采用潜在概率语义模型和K近邻分类器的音频分类算法;辛欣等;《华侨大学学报(自然科学版)》;20160320(第02期);全文 *

Also Published As

Publication number Publication date
CN112183225A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN112183225B (zh) 一种基于概率潜在语义分析的水下目标信号特征提取方法
CN110148420A (zh) 一种适用于噪声环境下的语音识别方法
CN113707176B (zh) 一种基于声信号及深度学习技术的变压器故障检测方法
CN108768543B (zh) 多特征融合认知型水声通信空快时自适应处理算法
CN103474066B (zh) 基于多频带信号重构的生态声音识别方法
CN106504763A (zh) 基于盲源分离与谱减法的麦克风阵列多目标语音增强方法
CN111239680B (zh) 一种基于差分阵列的波达方向估计方法
CN106529428A (zh) 基于深度学习的水下目标识别方法
CN106875938A (zh) 一种改进的非线性自适应语音端点检测方法
CN113642484B (zh) 一种基于bp神经网络的大地电磁信号噪声压制方法及系统
CN108921014A (zh) 一种基于改进噪声包络信号识别的螺旋桨轴频搜索方法
KR20210043833A (ko) 잡음 환경에 강인한 동물 종 식별 장치 및 방법
CN115963457B (zh) 一种多通道无源雷达直达波干扰抑制方法
Xie et al. Adaptive ship-radiated noise recognition with learnable fine-grained wavelet transform
CN102419972A (zh) 一种声音信号检测和识别的方法
Wang et al. Joint noise and mask aware training for DNN-based speech enhancement with sub-band features
CN113095113B (zh) 一种用于水下目标识别的小波线谱特征提取方法及系统
CN115952840A (zh) 波束形成方法、波达方向识别方法及其装置和芯片
Farrokhrooz et al. Marine vessels acoustic radiated noise classification in passive sonar using probabilistic neural network and spectral features
CN110865375A (zh) 一种水中目标检测方法
Gantayat et al. An efficient direction‐of‐arrival estimation of multipath signals with impulsive noise using satin bowerbird optimization‐based deep learning neural network
TWI749547B (zh) 應用深度學習的語音增強系統
Wang et al. Research on speech enhancement based on deep neural network
CN114255780A (zh) 一种基于深度神经网络的噪声鲁棒盲混响时间估计方法
Arslan et al. Noise robust voice activity detection based on multi-layer feed-forward neural network

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