CN112990082A - 一种水声脉冲信号的检测识别方法 - Google Patents
一种水声脉冲信号的检测识别方法 Download PDFInfo
- Publication number
- CN112990082A CN112990082A CN202110368570.6A CN202110368570A CN112990082A CN 112990082 A CN112990082 A CN 112990082A CN 202110368570 A CN202110368570 A CN 202110368570A CN 112990082 A CN112990082 A CN 112990082A
- Authority
- CN
- China
- Prior art keywords
- model
- training
- signals
- detection
- underwater sound
- 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.)
- Granted
Links
Images
Classifications
-
- 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
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及水声信号处理技术,旨在提供一种水声脉冲信号的检测识别方法。包括:将水听器采集的水声音频数据进行短时傅里叶变换,得到二维矩阵,经预处理后获得固定大小的水声数据时频图像;输入目标检测模型进行训练,得到深度学习信号检测识别模型;利用深度学习信号检测识别模型,对水声脉冲信号进行检测和识别。本发明性能可靠,能够同时实现信号的检测和识别,结果准确。能够对时频图像中不同大小的信号同时进行检测识别,用于组合信号等多目标信号的检测识别问题,并能分别给出不同信号的参数估计。可以根据实际任务需求对目标种类进行调整,不仅能够识别信号的调试方式,还能根据人工标注类别的不同进行其他不同类型的区分。
Description
技术领域
本发明涉及水声信号处理技术领域,尤其涉及一种水声脉冲信号的检测识别方法。
背景技术
水声信号处理技术是一种重要的海洋通信技术,主动发出的水声脉冲信号被广泛应用于水下的探测、侦查、通信等任务中,是海洋中非常常见的声信号形式。相比舰船壳体震动、机械摩擦发出的被动噪声,主动脉冲信号能够传播的范围更广,更容易被捕获,因此对此类信号的分析和处理能够在水下目标识别中发挥重要的作用。
水声信号的检测和识别一直是水声信号处理中的一项重要研究课题,在该研究课题中,往往将信号的检测和识别作为两个子课题分别进行研究,同时待检测和识别的信号往往具有缺少先验知识等特点。同时,随着声纳技术的不断进步,水声信号的形式越来越复杂,加上海洋中的信道复杂多变,对检测和识别算法的要求不断升高,分别设计检测器和识别器容易造成算法配合上的问题,对两者的性能尤其是识别器的性能造成不利影响。
发明内容
本发明要解决的技术问题是,克服现有技术中的不足,提供一种水声脉冲信号的检测识别方法。
为解决技术问题,本发明所采用的技术方案是:
提供一种水声脉冲信号的检测识别方法,包括以下步骤:
(1)将水听器采集的水声音频数据进行短时傅里叶变换,得到二维矩阵,经预处理后获得固定大小的水声数据时频图像;
(2)将水声数据时频图像输入目标检测模型进行训练,得到深度学习信号检测识别模型;
(3)利用深度学习信号检测识别模型,对水声脉冲信号进行检测和识别。
本发明中,所述步骤(1)具体包括:
(1.1)时频变换
采集到的水声音频数据包含未知脉冲信号与噪声,利用短时傅里叶变换将其转换为二维矩阵,用于表征音频数据中不同时刻在各个频段上的能量分布情况;
(1.2)颜色映射:
将二维矩阵通过取模和对数映射的方式映射至任意的色彩空间中,将二维矩阵转换为时频图像;颜色映射后,时频图像中的能量分布具有更为明显的特征;
(1.3)图像的裁剪和拉伸:
通过裁剪去除时频图像中频率大于二分之一采样率的部分,并将剩余部分拉伸至固定长宽比;该长宽比与目标检测模型的输入长宽比保持一致。
本发明中,所述步骤(1)具体包括:
(2.1)选定目标检测模型:
结合综合应用场景和实际任务需求,在现有卷积神经网络模型中选取能满足计算速度和检测精度要求的作为目标检测模型;然后根据模型的检测原理对卷积神经网络的感受野进行稀疏化处理,并利用随机丢弃方法增强模型的泛化能力;
(2.2)确定超参数:
通过手动调整或搜索方式确定选定目标检测模型的超参数;
超参数具体包括:主干网络类型、学习率、学习率衰减规则、小批量尺寸、训练代次上限,以及特征图数量和锚框长宽比候选值;
(2.3)划分数据集:
利用已知信号的音频数据建立数据集,利用该数据集对目标检测模型进行训练;总数据集是带有标注的时频图像的集合,将带有标注的数据随机划分为训练集、验证集和测试集;其中,训练集和验证集用于对模型进行训练和调参,测试集用于对训练好的模型进行评估;
(2.4)训练和调参:
使用交叉验证的方法对目标检测模型进行训练以及调参;
先将训练集中相对较小批次的时频图像输入目标检测模型进行预测,并将预测结果与事先标注的真实结果进行比较,计算得到损失值;然后根据损失值反向传播,利用Adam优化方法对模型的超参数进行一次更新;重复上述步骤,直到训练的代次达到设定的目标值;
将训练好的目标检测模型在验证集上进行检验,根据验证结果进行调参;按照交叉验证的方法重新划分训练集和验证集,避免随机因素对模型训练的干扰;
(2.5)模型的测试验收:
在训练集和验证集上经过交叉验证后,利用测试集对得到的模型进行测试和性能评估;如各项评估指标均满足预定要求,就将经训练的模型作为深度学习信号检测识别模型用于水声脉冲信号检测和识别;如不能通过测试验收,则需要重新进行调参和训练。
本发明中,所述步骤(2.2)中,手动调整确定超参数是指,在目标检测模型的训练过程中,根据不同超参数条件下模型的收敛情况和在验证集上的验证精度对超参数进行调整,直至得到符合预定要求的结果;搜索方式确定超参数是指,使用网格搜索法或启发式算法搜索获得符合要求的超参数设置。
本发明中,步骤(2)中所述目标检测模型是SSD模型、Faster R-CNN模型或YOLO模型;或者是基于前述各原始模型的衍生版本;或者是对前述各原始模型的主干网络进行替换后得到的模型。
本发明中,步骤(3)中所述检测是指对信号和背景噪声进行区分,所述识别是指对不同调制方式信号的类型进行识别;
经历过已知信号训练的深度学习信号检测识别模型,能从包含噪声及未知信号的水声音频数据中检测未知时刻出现的、调制类型及调制参数未知的脉冲信号,其输出结果中包括对水声脉冲信号类型的识别,以及对信号的到达时间、带宽、脉宽和中心频率的估计。
本发明中,还进一步包括步骤(4)对深度学习信号检测识别模型进行完善;具体是指,在对深度学习信号检测识别模型的输出数据进行人工标注后,将其用于对模型进一步的训练,并根据实际任务需要调整能够检测和识别的信号种类。
发明原理描述:
近年来,计算机性能快速增长,受益于此,深度学习方法在许多工程应用中均发挥了不错的作用,其中尤其是被应用于人脸识别、自动驾驶等计算机视觉中的目标检测模型,具有高效检测多个不同目标的特点,并且能够同时识别目标的类型。
现有技术通常依赖人工提取特征进行信号的检测和类型识别,或是使用卷积神经网络对包含单一信号的样本进行特征提取以及分类。本发明结合水声信号检测与识别的特点,利用图像领域的深度学习方法解决待测样本包含多个未知信号时的检测和识别问题。具体体现在本方法的输入样本可以只包含噪声,也可以包含多个不同的信号,针对常见水声信号的时频分布特征对目标检测模型的结构进行调整,并利用该模型对水声数据的时频图像进行检测,能够同时得到其中所有的未知信号,并识别信号的类型,给出相关参数的估计。该方法能够解决水声信号检测识别中的多目标检测和识别问题,这是常规深度学习方法通常无法实现的。
与现有技术相比,本发明的有益效果及优点在于:
1、性能可靠,能够同时实现信号的检测和识别,结果准确。本发明将水声数据变换至时频图像,采用目标检测模型同时进行信号的检测和识别,具有较高的准确度。
2、能够处理多目标的检测识别。本发明方法使用的目标检测模型能够对时频图像中不同大小的信号同时进行检测识别,能够用于组合信号等多目标信号的检测识别问题,并能分别给出不同信号的参数估计。
3、应用范围广。本发明可以根据实际任务需求对目标种类进行调整,不仅能够识别信号的调试方式,还能根据人工标注类别的不同进行其他不同类型的区分。
附图说明
图1是本发明的一种实施例的模型结构图。
图2是图1中模型的训练方式示意图。
具体实施方式
首先需要说明的是,本发明涉及水声信号处理技术、深度学习技术和目标检测技术。在发明的实现过程中,可能会涉及到多个算法模型的应用。申请人认为,如在仔细阅读申请文件、准确理解本发明的实现原理和发明目的以后,在结合现有公知技术的情况下,本领域技术人员完全可以运用其掌握的技术实现本发明。凡本发明申请文件提及的均属范畴,申请人不一一列举。另外,本发明的实现依赖于多种计算机设备的应用,而这些仪器设备均为现有技术,且有成熟产品可市场购置获得。
本发明所述水声脉冲信号的检测识别方法,包括以下步骤:
1、将水听器采集的水声音频数据进行短时傅里叶变换,得到二维矩阵,经预处理后获得固定大小的水声数据时频图像;具体包括:
(1.1)时频变换:
采集到的水声音频数据包含未知脉冲信号与噪声,利用短时傅里叶变换将其转换为二维矩阵,用于表征音频数据中不同时刻在各个频段上的能量分布情况;
(1.2)颜色映射:
将二维矩阵通过取模和对数映射的方式映射至任意的色彩空间中,将二维矩阵转换为时频图像;颜色映射后,时频图像中的能量分布具有更为明显的特征(选择一种色彩空间后将不能再次改变);
(1.3)图像的裁剪和拉伸:
通过裁剪去除时频图像中频率大于二分之一采样率的部分,并将剩余部分拉伸至固定长宽比;该长宽比与目标检测模型的输入长宽比保持一致。
2、将水声数据时频图像输入目标检测模型进行训练,得到深度学习信号检测识别模型;具体包括:
(2.1)选定目标检测模型:
结合综合应用场景和实际任务需求,在现有卷积神经网络模型中选取能满足计算速度和检测精度要求的作为目标检测模型;然后根据模型的检测原理对卷积神经网络的感受野进行稀疏化处理,并利用随机丢弃方法增强模型的泛化能力;
所述目标检测模型可选SSD模型、Faster R-CNN模型或YOLO模型;或者是基于前述各原始模型的衍生版本;或者是对前述各原始模型的主干网络进行替换后得到的模型。
不同的目标检测模型存在一定的差别,有的侧重于运行速度,有的侧重于检测精度,有的更重视尺度较小的目标,因此,首先应当根据实际的任务需求,综合应用场景对模型的计算速度、检测精度等方面的要求,进行考量和取舍,选取合适的目标检测模型,例如在要求高精度的场景下,可以牺牲一定的计算速度,选择精度较高但运行较慢的Faster R-CNN模型,而在要求快速计算的场景下,可以选择运行较快但精度略低YOLO模型;合适的模型也可以通过对不同模型进行测试比较获得,通过在同样的设备上利用同一批数据对不同模型进行测试比较,再根据测试得到的精度、耗时等指标,选取最为合适的模型;由于现有的目标检测模型多用于检测生活中的常见物体,而本方法需将其应用于检测水声脉冲信号,因此在选定模型后还需对模型的部分结构进行细微调整,根据选定模型的不同,需要按照模型的检测原理对卷积网络的感受野进行稀疏化的处理,并利用随机丢弃等方法增强模型的泛化能力。
(2.2)确定超参数:
目标检测模型的超参数具体包括:主干网络类型、学习率、学习率衰减规则、小批量尺寸、训练代次上限,以及特征图数量和锚框长宽比候选值等;可以通过手动调整或搜索方式确定选定超参数;其中,手动调整确定超参数是指,在目标检测模型的训练过程中,根据不同超参数条件下模型的收敛情况和在验证集上的验证精度对超参数进行调整,直至得到符合预定要求的结果。手动调参对操作员的经验以及对算法原理的理解有较高的要求,因此,也可以通过搜索方式确定超参数,即使用网格搜索法或启发式算法搜索获得符合要求的超参数设置。
(2.3)划分数据集:
利用已知信号的音频数据建立数据集,利用该数据集对目标检测模型进行训练;总数据集是带有标注的时频图像的集合,将带有标注的数据随机划分为训练集、验证集和测试集;其中,训练集和验证集用于对模型进行训练和调参,测试集用于对训练好的模型进行评估;
(2.4)训练和调参:
使用交叉验证的方法对目标检测模型进行训练以及调参;
先将训练集中相对较小批次的时频图像输入目标检测模型进行预测,并将预测结果与事先标注的真实结果进行比较,计算得到损失值;然后根据损失值反向传播,利用Adam优化方法对模型的超参数进行一次更新;重复上述步骤,直到训练的代次达到设定的目标值;
将训练好的目标检测模型在验证集上进行检验,根据验证结果进行调参;按照交叉验证的方法重新划分训练集和验证集,避免随机因素对模型训练的干扰;
(2.5)模型的测试验收:
在训练集和验证集上经过交叉验证后,利用测试集对得到的模型进行测试和性能评估;如各项评估指标均满足预定要求,就将经训练的模型作为深度学习信号检测识别模型用于水声脉冲信号检测和识别;如不能通过测试验收,则需要重新进行调参和训练。
3、利用深度学习信号检测识别模型,对水声脉冲信号进行检测和识别;
所述检测是指对信号和背景噪声进行区分,所述识别是指对不同调制方式信号的类型进行识别;经历过已知信号训练的深度学习信号检测识别模型,能从包含噪声及未知信号的水声音频数据中检测未知时刻出现的、调制类型及调制参数未知的脉冲信号,其输出结果中包括对水声脉冲信号类型的识别,以及对信号的到达时间、带宽、脉宽和中心频率的估计。
4、对深度学习信号检测识别模型进行完善;
在对深度学习信号检测识别模型的输出数据进行人工标注后,将其用于对模型进一步的训练,并根据实际任务需要调整能够检测和识别的信号种类。
具体应用实例:
该实例中,水声脉冲信号的检测识别方法包括以下步骤:
1、将包含脉冲信号与噪声的水声数据进行短时傅里叶变换以及预处理。
水声数据的采样率为50kHz,单个样本的采样点数为524288,对每个数据样本进行短时傅里叶变换,窗长取1024,交叠比例50%,计算后得到一个大小为1023*1023的二维矩阵。将二维矩阵按下式所示进行取模以及对数拉伸。
S=10·log10|s|
随后将二维矩阵的所有元素线性映射至0-255的灰度级上,并通过裁剪去除频率高于25kHz的部分,将剩余部分拉伸至300*300的大小。最终得到300*300的灰度时频图像。
2、采用目标检测模型进行训练,得到深度学习信号检测识别模型。
选用SSD-Inception v2模型作为目标检测模型,该模型的结构如图1所示,训练方式如图2所示。对模型的超参数进行设置,将小批次尺寸设为32,初始学习率0.01,每训练6000代次衰减一次,衰减因子为0.4,训练代次上限为30000。结合信号的尺度、时频特征对主干网络的其他参数进行精细地调整。在搭载了NVDIA GeForce GTX1050Ti的计算机设备上,在1.12版本的TensorFlow框架以及3.6版本的python语言环境下,对模型进行训练。经过训练得到深度学习信号检测识别模型。
3、用深度学习信号检测识别模型对水声脉冲信号进行检测和识别。
将采集到的水声数据导入本算法,依次进行时频变换、预处理和信号的检测识别,最终输出数据样本中信号的到达时间、带宽、脉宽、中心频率以及信号的类型。基于目标检测模型的运用,能够同时完成信号的检测以及识别,并且不需要预先知道与信号相关的任何先验信息。
4、对深度学习信号检测识别模型进行完善。
将步骤3中使用的数据和信号的检测识别结果加入数据集,对模型进行训练和测试,进一步完善深度学习信号检测识别模型。
最后需要注意的是,以上列举的仅是本发明的一种具体实施例。显然,本发明不限于以上实施例,还可以有很多变形。本领域的普通技术人员能从本发明公开的内容中直接导出或联想到的所有变形,均应认为是本发明的保护范围。
Claims (7)
1.一种水声脉冲信号的检测识别方法,其特征在于,包括以下步骤:
(1)将水听器采集的水声音频数据进行短时傅里叶变换,得到二维矩阵,经预处理后获得固定大小的水声数据时频图像;
(2)将水声数据时频图像输入目标检测模型进行训练,得到深度学习信号检测识别模型;
(3)利用深度学习信号检测识别模型,对水声脉冲信号进行检测和识别。
2.根据权利要求1所述的方法,其特征在于,所述步骤(1)具体包括:
(1.1)时频变换:
采集到的水声音频数据包含未知脉冲信号与噪声,利用短时傅里叶变换将其转换为二维矩阵,用于表征音频数据中不同时刻在各个频段上的能量分布情况;
(1.2)颜色映射:
将二维矩阵通过取模和对数映射的方式映射至任意的色彩空间中,将二维矩阵转换为时频图像;颜色映射后,时频图像中的能量分布具有更为明显的特征;
(1.3)图像的裁剪和拉伸:
通过裁剪去除时频图像中频率大于二分之一采样率的部分,并将剩余部分拉伸至固定长宽比;该长宽比与目标检测模型的输入长宽比保持一致。
3.根据权利要求1所述的方法,其特征在于,所述步骤(2)具体包括:
(2.1)选定目标检测模型:
结合综合应用场景和实际任务需求,在现有卷积神经网络模型中选取能满足计算速度和检测精度要求的作为目标检测模型;然后根据模型的检测原理对卷积神经网络的感受野进行稀疏化处理,并利用随机丢弃方法增强模型的泛化能力;
(2.2)确定超参数:
通过手动调整或搜索方式确定选定目标检测模型的超参数;
超参数具体包括:主干网络类型、学习率、学习率衰减规则、小批量尺寸、训练代次上限,以及特征图数量和锚框长宽比候选值;
(2.3)划分数据集:
利用已知信号的音频数据建立数据集,利用该数据集对目标检测模型进行训练;总数据集是带有标注的时频图像的集合,将带有标注的数据随机划分为训练集、验证集和测试集;其中,训练集和验证集用于对模型进行训练和调参,测试集用于对训练好的模型进行评估;
(2.4)训练和调参:
使用交叉验证的方法对目标检测模型进行训练以及调参;
先将训练集中相对较小批次的时频图像输入目标检测模型进行预测,并将预测结果与事先标注的真实结果进行比较,计算得到损失值;然后根据损失值反向传播,利用Adam优化方法对模型的超参数进行一次更新;重复上述步骤,直到训练的代次达到设定的目标值;
将训练好的目标检测模型在验证集上进行检验,根据验证结果进行调参;按照交叉验证的方法重新划分训练集和验证集,避免随机因素对模型训练的干扰;
(2.5)模型的测试验收:
在训练集和验证集上经过交叉验证后,利用测试集对得到的模型进行测试和性能评估;如各项评估指标均满足预定要求,就将经训练的模型作为深度学习信号检测识别模型用于水声脉冲信号检测和识别;如不能通过测试验收,则需要重新进行调参和训练。
4.根据权利要求3所述的方法,其特征在于,所述步骤(2.2)中,手动调整确定超参数是指,在目标检测模型的训练过程中,根据不同超参数条件下模型的收敛情况和在验证集上的验证精度对超参数进行调整,直至得到符合预定要求的结果;搜索方式确定超参数是指,使用网格搜索法或启发式算法搜索获得符合要求的超参数设置。
5.根据权利要求1所述的方法,其特征在于,步骤(2)中所述目标检测模型是SSD模型、Faster R-CNN模型或YOLO模型;或者是基于前述各原始模型的衍生版本;或者是对前述各原始模型的主干网络进行替换后得到的模型。
6.根据权利要求1所述的方法,其特征在于,步骤(3)中,所述检测是指对信号和背景噪声进行区分,所述识别是指对不同调制方式信号的类型进行识别;
经历过已知信号训练的深度学习信号检测识别模型,能从包含噪声及未知信号的水声音频数据中检测未知时刻出现的、调制类型及调制参数未知的脉冲信号,其输出结果中包括对水声脉冲信号类型的识别,以及对信号的到达时间、带宽、脉宽和中心频率的估计。
7.根据权利要求1至6任意一项中所述的方法,其特征在于,还进一步包括步骤(4)对深度学习信号检测识别模型进行完善;具体是指,在对深度学习信号检测识别模型的输出数据进行人工标注后,将其用于对模型进一步的训练,并根据实际任务需要调整能够检测和识别的信号种类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110368570.6A CN112990082B (zh) | 2021-04-06 | 2021-04-06 | 一种水声脉冲信号的检测识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110368570.6A CN112990082B (zh) | 2021-04-06 | 2021-04-06 | 一种水声脉冲信号的检测识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112990082A true CN112990082A (zh) | 2021-06-18 |
CN112990082B CN112990082B (zh) | 2023-04-18 |
Family
ID=76339373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110368570.6A Active CN112990082B (zh) | 2021-04-06 | 2021-04-06 | 一种水声脉冲信号的检测识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990082B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115878982A (zh) * | 2022-12-08 | 2023-03-31 | 中国海洋大学 | 一种基于双频回波信号特征的水下目标识别方法及系统 |
CN116821097A (zh) * | 2023-07-05 | 2023-09-29 | 中国人民解放军92728部队 | 全脉冲数据处理方法 |
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 (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109100710A (zh) * | 2018-06-26 | 2018-12-28 | 东南大学 | 一种基于卷积神经网络的水下目标识别方法 |
CN110287770A (zh) * | 2019-05-10 | 2019-09-27 | 中国船舶重工集团公司第七一五研究所 | 一种基于卷积神经网络的水中个体目标匹配识别方法 |
CN110390949A (zh) * | 2019-07-22 | 2019-10-29 | 苏州大学 | 基于大数据的水声目标智能识别方法 |
US10771892B1 (en) * | 2019-07-02 | 2020-09-08 | Teledyne Instruments, Inc. | Underwater subwoofer system |
US20200285896A1 (en) * | 2019-03-09 | 2020-09-10 | Tongji University | Method for person re-identification based on deep model with multi-loss fusion training strategy |
CN112257521A (zh) * | 2020-09-30 | 2021-01-22 | 中国人民解放军军事科学院国防科技创新研究院 | 基于数据增强和时频分离的cnn水声信号目标识别方法 |
-
2021
- 2021-04-06 CN CN202110368570.6A patent/CN112990082B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109100710A (zh) * | 2018-06-26 | 2018-12-28 | 东南大学 | 一种基于卷积神经网络的水下目标识别方法 |
US20200285896A1 (en) * | 2019-03-09 | 2020-09-10 | Tongji University | Method for person re-identification based on deep model with multi-loss fusion training strategy |
CN110287770A (zh) * | 2019-05-10 | 2019-09-27 | 中国船舶重工集团公司第七一五研究所 | 一种基于卷积神经网络的水中个体目标匹配识别方法 |
US10771892B1 (en) * | 2019-07-02 | 2020-09-08 | Teledyne Instruments, Inc. | Underwater subwoofer system |
CN110390949A (zh) * | 2019-07-22 | 2019-10-29 | 苏州大学 | 基于大数据的水声目标智能识别方法 |
CN112257521A (zh) * | 2020-09-30 | 2021-01-22 | 中国人民解放军军事科学院国防科技创新研究院 | 基于数据增强和时频分离的cnn水声信号目标识别方法 |
Non-Patent Citations (5)
Title |
---|
刘林泉;梁国龙;吴波;周志强;李宏伟;: "一种低能耗的水声通信编码方案的研究" * |
周亮: "基于时频分析的水声脉冲信号调制方式识别方法研究", 《中国优秀硕士学位论文全文数据库》 * |
蔡超鹏: "基于深度学习的金属轴表面缺陷检测与分类研究", 《中国优秀硕士学位论文全文数据库》 * |
邓晋;潘安迪;肖川;刘姗琪;: "基于迁移学习的水声目标识别" * |
陆扬等: "基于时频分析和神经网络的水声通信信号识别技术", 《科技导报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115878982A (zh) * | 2022-12-08 | 2023-03-31 | 中国海洋大学 | 一种基于双频回波信号特征的水下目标识别方法及系统 |
CN115878982B (zh) * | 2022-12-08 | 2023-09-22 | 中国海洋大学 | 一种基于双频回波信号特征的水下目标识别方法及系统 |
CN116821097A (zh) * | 2023-07-05 | 2023-09-29 | 中国人民解放军92728部队 | 全脉冲数据处理方法 |
CN116821097B (zh) * | 2023-07-05 | 2024-01-26 | 中国人民解放军92728部队 | 全脉冲数据处理方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN112990082B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112990082B (zh) | 一种水声脉冲信号的检测识别方法 | |
CN112084974B (zh) | 一种基于元学习的多标签滚动轴承故障诊断方法 | |
CN109065027B (zh) | 语音区分模型训练方法、装置、计算机设备及存储介质 | |
CN109931506A (zh) | 管道泄露检测方法及装置 | |
CN110363746B (zh) | 一种基于卷积神经网络的超声无损检测信号分类方法 | |
CN111160176A (zh) | 基于融合特征的一维卷积神经网络地面雷达目标分类方法 | |
CN112001270A (zh) | 基于一维卷积神经网络的地面雷达自动目标分类识别方法 | |
CN112149524A (zh) | 一种雷达信号分选识别方法、装置、探测器及存储介质 | |
CN114487129B (zh) | 基于声发射技术的柔性材料的损伤识别方法 | |
CN113472390B (zh) | 一种基于深度学习的跳频信号参数估计方法 | |
CN112036239A (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
CN116542912A (zh) | 一种多目标视觉跟踪的柔性体桥梁振动检测模型、应用 | |
Liu et al. | Classification of cetacean whistles based on convolutional neural network | |
CN117521512A (zh) | 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法 | |
CN113759362B (zh) | 雷达目标数据关联的方法、装置、设备和存储介质 | |
Houégnigan et al. | Machine and deep learning approaches to localization and range estimation of underwater acoustic sources | |
CN113109794A (zh) | 一种强噪声环境下基于深度神经网络的深海声源定深方法 | |
Duan et al. | An anchor box setting technique based on differences between categories for object detection | |
CN112052880A (zh) | 一种基于更新权值支持向量机的水声目标识别方法 | |
Aksoy et al. | Classification of Environmental Sounds with Deep Learning | |
CN111352075B (zh) | 一种基于深度学习的水下多声源定位方法及系统 | |
CN115423045A (zh) | 一种基于gan网络和元学习的系统日志检测方法及系统 | |
CN113109795B (zh) | 一种基于深度神经网络的深海直达声区目标深度估计方法 | |
Wang et al. | Passive ship localization in a shallow water using pre-trained deep learning networks | |
CN112434716B (zh) | 一种基于条件对抗神经网络的水下目标数据扩增方法及系统 |
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 |