CN113095113B - 一种用于水下目标识别的小波线谱特征提取方法及系统 - Google Patents
一种用于水下目标识别的小波线谱特征提取方法及系统 Download PDFInfo
- Publication number
- CN113095113B CN113095113B CN201911342527.1A CN201911342527A CN113095113B CN 113095113 B CN113095113 B CN 113095113B CN 201911342527 A CN201911342527 A CN 201911342527A CN 113095113 B CN113095113 B CN 113095113B
- Authority
- CN
- China
- Prior art keywords
- frequency band
- signals
- wavelet
- wavelet coefficients
- spectrum
- 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
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 70
- 238000000605 extraction Methods 0.000 title claims abstract description 30
- 239000013598 vector Substances 0.000 claims abstract description 112
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000012935 Averaging Methods 0.000 claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 35
- 230000005855 radiation Effects 0.000 claims description 20
- 238000009432 framing Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 230000036962 time dependent Effects 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 14
- 238000012549 training Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 4
- 230000001934 delay Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 1
- 101150009163 Tada3 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明属于水下目标识别和信号处理技术领域,具体涉及一种基于小波线谱特征提取的水下目标识别方法,该方法包括:对声呐阵列接收的信号进行频谱分析,获得各个频段内的频谱信息;基于获得的每个频段内的频谱信息,提取单个频段内线谱特征的最大值,作为当前频段的特征向量,获得各个频段的特征向量;将各个频段的特征向量进行拼接或平均,获得优化后的特征向量;将当前频段的特征向量和优化后的特征向量一起作为新的特征向量,并将该新的特征向量输入至预先训练的时延神经网络,输出当前频段对应的目标类别信息,作为分类结果。
Description
技术领域
本发明属于水下目标识别和信号处理技术领域,具体涉及一种用于水下目标识别的小波线谱特征提取方法及系统。
背景技术
水下目标信号的特征参数提取是一项备受关注的研究课题,无论在军事还是在民用领域都具有十分重要的理论意义和工程应用价值。过去较长一段时间,人们一直以传统的信号处理理论作为水声信号特征提取的基础,即以平稳性、随机性来刻画水声信号,以时域、频域参数作为特征参数。
目标识别中最为关键的技术是特征提取。特征参数是否有效,在于其中包含的类别信息是否足够多,而干扰信息是否足够少,如果不能采用有效的特征,即便有出色的分类器也无法得到理想的分类识别结果。几十年来,现有的目标识别特征提取方法,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。
在水下目标识别任务中,特征提取方法与分类器彼此适应,将深度神经网络作为水下目标识别系统的分类器之后,传统特征提取方法在信噪比较低的情况下,分类结果较差,无法更好表达数据的特征提取。
发明内容
本发明的目的在于,为解决现有的水下目标识别的特征提取方法存在上述缺陷,本发明提出了一种用于水下目标识别的小波线谱特征提取方法,通过改变特征提取方法,提升基于深度学习的水下目标识别在低信噪比条件下的识别效果。
为了实现上述目的,本发明提供了一种用于水下目标识别的小波线谱特征提取方法,该方法包括:
对声呐阵列接收的信号进行频谱分析,获得各个频段内的频谱信息;
基于获得的每个频段内的频谱信息,提取单个频段内线谱特征的最大值,作为当前频段的特征向量,获得各个频段的特征向量;
将各个频段的特征向量进行拼接或平均,获得优化后的特征向量;
将当前频段的特征向量和优化后的特征向量一起作为新的特征向量,并将该新的特征向量输入至预先训练的时延神经网络,输出当前频段对应的目标类别信息,作为分类结果。
作为上述技术方案的改进之一,所述对声呐阵列接收的信号进行频谱分析,获得每个频段内的频谱信息;具体包括:
对声呐阵列接收的信号进行波束形成,获得目标辐射噪声信号;
对获得的目标辐射噪声信号进行预处理;
对预处理后的信号进行分帧,并对每一帧信号进行多尺度的分解,得到各个频段的小波系数;
基于得到的各个频段的小波系数,对目标特征频段的信号进行重构,得到不同频段的小波系数对应的重构信号;
利用快速傅里叶变换对得到的各个频段的小波系数对应的重构信号进行频谱分析,得到各个频段内的频谱信息。
作为上述技术方案的改进之一,所述对预处理后的信号进行分帧,并对每一帧信号进行多尺度的分解,得到各个频段的小波系数;具体为:
利用小波包变换分解算法:
其中,f(t)是预处理的信号进行分帧后的每一帧信号;Ψ(t)是满足容许条件的小波函数;a是与伸缩尺度相关的尺度因子;b是与时间相关的平移因子;Wψf(a,b)为各个频段的小波系数;
对预处理后的信号进行分帧,并对每一帧信号进行多尺度的分解,得到各个频段的小波系数。
作为上述技术方案的改进之一,所述基于得到的各个频段的小波系数,对目标特征频段的信号进行重构,得到不同频段的小波系数对应的重构信号;具体为:
根据公式(2),基于得到的每个频段的小波系数,对目标特征频段的信号进行重构,得到不同频段的小波系数对应的重构信号;
所述公式(2)具体为:
其中,为第i层第j个频段的小波系数对应的重构信号;Cψ为进行信号重构的常系数;Ψa,b(t)为经过平移伸缩变换后的小波函数。
作为上述技术方案的改进之一,所述对得到的各个频段的小波系数对应的重构信号,利用快速傅里叶变换对其进行频谱分析,得到各个频段内的频谱信息;具体为:
根据公式(3),对得到的各个频段的小波系数对应的重构信号,利用快速傅里叶变换对其进行频谱分析,得到各个频段内的频谱信息
其中,为第i层第j个频段内的频谱信息;FFT为快速傅里叶变换;N为重构信号的长度。
作为上述技术方案的改进之一,所述基于获得的每个频段内的频谱信息,提取单个频段内线谱特征的最大值,作为当前频段的特征向量,获得各个频段的特征向量;具体为:
基于获得的每个频段内的频谱信息提取单个频段内线谱特征的最大值/>
将作为当前频段的特征向量,获得各个频段的特征向量
作为上述技术方案的改进之一,所述将各个频段的特征向量进行拼接或平均,获得优化后的特征向量;具体为:
将各个频段的特征向量进行拼接,获得优化后的特征向量T'j=[T1 T2 ... Tj];
其中,T'j表示第j个频段的特征向量经过特征拓展和拼接后得到的优化后的特征向量;
或者将各个频段的特征向量进行平均,获得优化后的特征向量T'j=[T1+T2+...+Tj]/M;其中,M为频段数;
其中,T'j表示第j个频段的特征向量经过特征平均后得到的优化后的特征向量。
作为上述技术方案的改进之一,所述时延神经网络作为后端的分类器,所述时延神经网络共7层结构,其具体包括:
一个输入层、一个输出层和5个隐层;其中,每个隐层包括1024个节点;其中,第3层的隐层前、后各扩展2帧,第6层的隐层前、后各扩展4帧;
采用线性整流函数作为激活函数,输入层输入新的特征向量,输出层借助softmax函数,输出当前频段对应的目标类别信息,作为分类结果。
本发明还提供了一种基于小波线谱特征提取的水下目标识别系统,该系统包括:
频谱分析模块,用于对声呐阵列接收的信号进行频谱分析,获得各个频段内的频谱信息;
特征向量获取模块,用于基于获得的每个频段内的频谱信息,提取单个频段内线谱特征的最大值,作为当前频段的特征向量,获得各个频段的特征向量;
特征向量优化模块,用于将各个频段的特征向量进行拼接或平均,获得优化后的特征向量;和
分类模块,用于将当前频段的特征向量和优化后的特征向量一起作为新的特征向量,并将该新的特征向量输入至预先训练的时延神经网络,输出当前频段对应的目标类别信息,作为分类结果。
作为上述技术方案的改进之一,所述预处理模块具体包括:
信号获取单元,用于对声呐阵列接收的信号进行波束形成,获得目标辐射噪声信号;
预处理单元,用于对获得的目标辐射噪声信号进行预处理;
分解单元,用于对预处理后的信号进行分帧,并对每一帧信号进行多尺度的分解,得到各个频段的小波系数;
重构单元,用于基于得到的各个频段的小波系数,对目标特征频段的信号进行重构,得到不同频段的小波系数对应的重构信号;和
利用快速傅里叶变换对得到的各个频段的小波系数对应的重构信号进行频谱分析,得到各个频段内的频谱信息。
本发明与现有技术相比的有益效果是:
本发明的用于水下目标识别的小波线谱特征提取方法,可以使基于深度学习的水下目标识别在实际低信噪比环境下,实现更准确的分类效果。
附图说明
图1是本发明的一种用于水下目标识别的小波线谱特征提取方法的流程图;
图2是图1的本发明的一种用于水下目标识别的小波线谱特征提取方法中的利用小波包变换分解算法进行多尺度分解的一个具体实施例的示意图。
具体实施方式
现结合附图对本发明作进一步的描述。
本发明提供了一种用于水下目标识别的小波线谱特征提取方法,该方法在阵列波束形成信号的基础上,利用小波变换,对目标信号进行多分辨角度下的时频分解,之后利用目标频段的小波系数对信号进行重构,并进行线谱分析,可以有效的避免噪声干扰,使得目标的线谱特征被更好的表达,并提出相应的优化算法。
如图1所示,该方法包括:
对声呐阵列接收的信号进行频谱分析,获得各个频段内的频谱信息;
具体地,对声呐阵列接收的信号进行波束形成,获得目标辐射噪声信号,降低噪声干扰;
其中,基于信号的短时平稳性,对获得的目标辐射噪声信号进行分帧,获得多帧数字信号,并依据目标辐射噪声频谱分布的先验信息,利用带通滤波器,对每一帧数字信号进行带通滤波,去除噪声干扰,再通过分层采样将数据集进行划分,获得测试集与训练集;其中,训练集用于训练时延神经网络,测试集作为预处理的信号。
对获得的目标辐射噪声信号进行预处理,获得预处理后的信号;
以16秒帧长,8秒帧移对预处理后的信号进行分帧,并对每一帧信号进行多尺度的分解,得到各个频段的小波系数;
具体地,如图2所示,以小波包三层分解为例,来阐释小波包分解算法:若S表示预处理的信号,A表示低频部分,D表示高频部分,末尾的数字表示小波分解的层数,则分解具有关系:S=AAA3+AAD3+ADA3+ADD3+DAA3+DAD3+DDA3+DDD3。
利用小波包变换分解算法,对预处理后的信号进行分帧,并对每一帧信号进行多尺度的分解;其中,小波包变换分解算法具体为:
f(t)∈L2(R)
其中,f(t)是预处理的信号进行分帧后的每一帧信号作为待处理信号,该待处理信号进行小波分解的小波分解函数;Ψ(t)是满足容许条件的小波函数;a是与伸缩尺度相关的尺度因子;b是与时间相关的平移因子;Wψf(a,b)为各个频段的小波系数,即小波变换的结果。离散条件下可取a=2-j;b=2-j;k∈Z;j∈Z;k∈Z;L2(R)为平方可积空间;L2为线性平方可积;R为空间。
其中,f(t)∈L2(R)表明进行小波分解的函数需满足平方可积空间;其中,f(t)为进行小波分解的函数,在这里表示预处理的信号进行分帧后的每一帧信号,即待处理信号进行小波分解的小波分解函数;L2(R)为平方可积空间;此处,需要强调的是待处理信号一定是平方可积。
基于得到的各个频段的小波系数,对目标特征频段的信号进行重构,得到不同频段的小波系数对应的重构信号;
依据目标辐射噪声频谱分布的先验信息,选择目标频段的小波系数,根据公式(2),对目标特征频段的信号进行重构,得到不同频段的小波系数对应的重构信号;
所述公式(2)具体为:
其中,为第i层第j个频段的小波系数对应的重构信号,即利用小波分解系数进行重构得到的重构信号;Cψ为进行信号重构的常系数;Ψa,b(t)为经过平移伸缩变换后的小波函数。
对得到的各个频段的小波系数对应的重构信号,利用快速傅里叶变换或短时傅里叶变换对其进行频谱分析,得到各个频段内的频谱信息。
具体地,根据公式(3),对得到的各个频段的小波系数对应的重构信号,利用快速傅里叶变换对其进行频谱分析,得到各个频段内的频谱信息
其中,为第i层第j个频段内的频谱信息;FFT为快速傅里叶变换;N为重构信号的长度。
基于获得的每个频段内的频谱信息,提取单个频段内线谱特征的最大值,作为当前频段的特征向量,获得各个频段的特征向量;
具体地,根据公式(4),基于获得的每个频段内的频谱信息提取单个频段内线谱特征的最大值/>作为当前频段的特征向量,获得各个频段的特征向量
所述公式(4)具体为:
将各个频段的特征向量进行拼接或平均,以达到优化,获得优化后的特征向量,提高特征的表达能力;
具体地,将各个频段的特征向量进行拼接,获得优化后的特征向量T'j=[T1 T2... Tj],可以反映目标辐射信号的时变信息,因此,使得优化后的特征的表达更为丰富;
例如,5个频段的特征向量的拼接可表示为:
T'j=[T(j-2) T(j-1) Tj T(j+1) T(j+2)]
其中,T'j表示第j个频段的特征向量经过特征拓展和拼接后得到的优化后的特征向量;
或者由于目标辐射噪声信号是稳定的而环境噪声是随机的,因此,将各个频段的特征向量进行平均,获得优化后的特征向量T'j=[T1+T2+...+Tj]/M;其中,M为频段数;可以使得目标辐射噪声信号的特征表达更为明显;
例如,5个频段的特征向量的平均可以表示为:
T'j=[T(j-2)+T(j-1)+Tj+T(j+1)+T(j+2)]/5
其中,T'j表示第j个频段的特征向量经过特征平均后得到的优化后的特征向量。
将当前频段的特征向量和优化后的特征向量一起作为新的特征向量,并将该新的特征向量输入至预先训练的时延神经网络,输出当前频段对应的目标类别信息。
所述时延神经网络具体地包括:一个输入层,一个输出层和5个隐层,每个隐层包括1024个节点,其中第3层前后各有2帧时延,第6层前后各有4帧时延,采用线性整流函数(ReLU)作为激活函数,输入层输入新的特征向量,输出层借助softmax函数,输出当前频段对应的目标类别信息,作为分类输出,解决多分类问题;
其中,所述时延神经网络的训练具体为:
将原始特征及优化后的特征作为时延神经网络的输入。利用测试集对网络进行训练,该时延神经网络以最小化实际的分类输出与期望的分类输出之间的交叉熵为准则进行迭代,并通过随机梯度下降的反向传播算法,更新神经网络的权重。
分类器训练完成后,将测试集作为输入,分析其分类的准确率,比较所提出的特征提取方法的优越性及其优化方法的有效性。
通过不断迭代训练出一个多目标分类器,统计不同特征对应的识别正确率验证特征提取及其优化方法的有效性。
本发明还提供了一种基于小波线谱特征提取的水下目标识别系统,该系统包括:
频谱分析模块,用于对声呐阵列接收的信号进行频谱分析,获得各个频段内的频谱信息;
特征向量获取模块,用于基于获得的每个频段内的频谱信息,提取单个频段内线谱特征的最大值,作为当前频段的特征向量,获得各个频段的特征向量;
特征向量优化模块,用于将各个频段的特征向量进行拼接或平均,获得优化后的特征向量;和
分类模块,用于将当前频段的特征向量和优化后的特征向量一起作为新的特征向量,并将该新的特征向量输入至预先训练的时延神经网络,输出当前频段对应的目标类别信息,作为分类结果。
所述预处理模块具体包括:
信号获取单元,用于对声呐阵列接收的信号进行波束形成,获得目标辐射噪声信号;
预处理单元,用于对获得的目标辐射噪声信号进行预处理;
分解单元,用于对预处理后的信号进行分帧,并对每一帧信号进行多尺度的分解,得到各个频段的小波系数;
重构单元,用于基于得到的各个频段的小波系数,对目标特征频段的信号进行重构,得到不同频段的小波系数对应的重构信号;和
利用快速傅里叶变换或短时傅里叶变换对得到的各个频段的小波系数对应的重构信号进行频谱分析,得到各个频段内的频谱信息。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (2)
1.一种基于小波线谱特征提取的水下目标识别方法,该方法包括:
对声呐阵列接收的信号进行频谱分析,获得各个频段内的频谱信息;
基于获得的每个频段内的频谱信息,提取单个频段内线谱特征的最大值,作为当前频段的特征向量,获得各个频段的特征向量;
将各个频段的特征向量进行拼接或平均,获得优化后的特征向量;
将当前频段的特征向量和优化后的特征向量一起作为新的特征向量,并将该新的特征向量输入至预先训练的时延神经网络,输出当前频段对应的目标类别信息,作为分类结果;所述对声呐阵列接收的信号进行频谱分析,获得每个频段内的频谱信息;具体包括:
对声呐阵列接收的信号进行波束形成,获得目标辐射噪声信号;
对获得的目标辐射噪声信号进行预处理;
对预处理后的信号进行分帧,并对每一帧信号进行多尺度的分解,得到各个频段的小波系数;
基于得到的各个频段的小波系数,对目标特征频段的信号进行重构,得到不同频段的小波系数对应的重构信号;
利用快速傅里叶变换对得到的各个频段的小波系数对应的重构信号进行频谱分析,得到各个频段内的频谱信息;
所述对预处理后的信号进行分帧,并对每一帧信号进行多尺度的分解,得到各个频段的小波系数;具体为:
利用小波变换分解算法:
其中,f(t)是预处理的信号进行分帧后的每一帧信号;Ψ(t)是满足容许条件的小波函数;a是与伸缩尺度相关的尺度因子;b是与时间相关的平移因子;Wψf(a,b)为各个频段的小波系数;
对预处理后的信号进行分帧,并对每一帧信号进行多尺度的分解,得到各个频段的小波系数;
所述基于得到的各个频段的小波系数,对目标特征频段的信号进行重构,得到不同频段的小波系数对应的重构信号;具体为:
根据公式(2),基于得到的每个频段的小波系数,对目标特征频段的信号进行重构,得到不同频段的小波系数对应的重构信号;
所述公式(2)具体为:
其中,为第i层第j个频段的小波系数对应的重构信号;Cψ为进行信号重构的常系数;Ψa,b(t)为经过平移伸缩变换后的小波函数;
所述对得到的各个频段的小波系数对应的重构信号,利用快速傅里叶变换对其进行频谱分析,得到各个频段内的频谱信息;具体为:
根据公式(3),对得到的各个频段的小波系数对应的重构信号,利用快速傅里叶变换对其进行频谱分析,得到各个频段内的频谱信息
其中,为第i层第j个频段内的频谱信息;FFT为快速傅里叶变换;N为重构信号的长度;
所述基于获得的每个频段内的频谱信息,提取单个频段内线谱特征的最大值,作为当前频段的特征向量,获得各个频段的特征向量;具体为:
基于获得的每个频段内的频谱信息提取单个频段内线谱特征的最大值Pi j:
将Pi j作为当前频段的特征向量,获得各个频段的特征向量
所述将各个频段的特征向量进行拼接或平均,获得优化后的特征向量;具体为:
将各个频段的特征向量进行拼接,获得优化后的特征向量T'j=[T1 T2...Tj];
其中,T'j表示第j个频段的特征向量经过特征拓展和拼接后得到的优化后的特征向量;
或者将各个频段的特征向量进行平均,获得优化后的特征向量T'j=[T1+T2+...+Tj]/M;其中,M为频段数;
其中,T'j表示第j个频段的特征向量经过特征平均后得到的优化后的特征向量;
所述时延神经网络作为后端的分类器,所述时延神经网络共7层结构,其具体包括:
一个输入层、一个输出层和5个隐层;其中,每个隐层包括1024个节点;其中,第3层的隐层前、后各扩展2帧,第6层的隐层前、后各扩展4帧;
采用线性整流函数作为激活函数,输入层输入新的特征向量,输出层借助softmax函数,输出当前频段对应的目标类别信息,作为分类结果。
2.一种基于小波线谱特征提取的水下目标识别系统,其特征在于,该系统包括:
频谱分析模块,用于对声呐阵列接收的信号进行频谱分析,获得各个频段内的频谱信息;
特征向量获取模块,用于基于获得的每个频段内的频谱信息,提取单个频段内线谱特征的最大值,作为当前频段的特征向量,获得各个频段的特征向量;
特征向量优化模块,用于将各个频段的特征向量进行拼接或平均,获得优化后的特征向量;和
分类模块,用于将当前频段的特征向量和优化后的特征向量一起作为新的特征向量,并将该新的特征向量输入至预先训练的时延神经网络,输出当前频段对应的目标类别信息,作为分类结果;
所述频谱分析模块具体包括:
信号获取单元,用于对声呐阵列接收的信号进行波束形成,获得目标辐射噪声信号;
预处理单元,用于对获得的目标辐射噪声信号进行预处理;
分解单元,用于对预处理后的信号进行分帧,并对每一帧信号进行多尺度的分解,得到各个频段的小波系数;
重构单元,用于基于得到的各个频段的小波系数,对目标特征频段的信号进行重构,得到不同频段的小波系数对应的重构信号;和
利用快速傅里叶变换对得到的各个频段的小波系数对应的重构信号进行频谱分析,得到各个频段内的频谱信息;
所述对声呐阵列接收的信号进行频谱分析,获得每个频段内的频谱信息;具体包括:
对声呐阵列接收的信号进行波束形成,获得目标辐射噪声信号;
对获得的目标辐射噪声信号进行预处理;
对预处理后的信号进行分帧,并对每一帧信号进行多尺度的分解,得到各个频段的小波系数;
基于得到的各个频段的小波系数,对目标特征频段的信号进行重构,得到不同频段的小波系数对应的重构信号;
利用快速傅里叶变换对得到的各个频段的小波系数对应的重构信号进行频谱分析,得到各个频段内的频谱信息;
所述对预处理后的信号进行分帧,并对每一帧信号进行多尺度的分解,得到各个频段的小波系数;具体为:
利用小波变换分解算法:
其中,f(t)是预处理的信号进行分帧后的每一帧信号;Ψ(t)是满足容许条件的小波函数;a是与伸缩尺度相关的尺度因子;b是与时间相关的平移因子;Wψf(a,b)为各个频段的小波系数;
对预处理后的信号进行分帧,并对每一帧信号进行多尺度的分解,得到各个频段的小波系数;
所述基于得到的各个频段的小波系数,对目标特征频段的信号进行重构,得到不同频段的小波系数对应的重构信号;具体为:
根据公式(2),基于得到的每个频段的小波系数,对目标特征频段的信号进行重构,得到不同频段的小波系数对应的重构信号;
所述公式(2)具体为:
其中,为第i层第j个频段的小波系数对应的重构信号;Cψ为进行信号重构的常系数;Ψa,b(t)为经过平移伸缩变换后的小波函数;
所述对得到的各个频段的小波系数对应的重构信号,利用快速傅里叶变换对其进行频谱分析,得到各个频段内的频谱信息;具体为:
根据公式(3),对得到的各个频段的小波系数对应的重构信号,利用快速傅里叶变换对其进行频谱分析,得到各个频段内的频谱信息
其中,为第i层第j个频段内的频谱信息;FFT为快速傅里叶变换;N为重构信号的长度;
所述基于获得的每个频段内的频谱信息,提取单个频段内线谱特征的最大值,作为当前频段的特征向量,获得各个频段的特征向量;具体为:
基于获得的每个频段内的频谱信息提取单个频段内线谱特征的最大值Pi j:
将Pi j作为当前频段的特征向量,获得各个频段的特征向量
所述将各个频段的特征向量进行拼接或平均,获得优化后的特征向量;具体为:
将各个频段的特征向量进行拼接,获得优化后的特征向量T'j=[T1 T2...Tj];
其中,T'j表示第j个频段的特征向量经过特征拓展和拼接后得到的优化后的特征向量;
或者将各个频段的特征向量进行平均,获得优化后的特征向量T'j=[T1+T2+...+Tj]/M;其中,M为频段数;
其中,T'j表示第j个频段的特征向量经过特征平均后得到的优化后的特征向量;
所述时延神经网络作为后端的分类器,所述时延神经网络共7层结构,其具体包括:
一个输入层、一个输出层和5个隐层;其中,每个隐层包括1024个节点;其中,第3层的隐层前、后各扩展2帧,第6层的隐层前、后各扩展4帧;
采用线性整流函数作为激活函数,输入层输入新的特征向量,输出层借助softmax函数,输出当前频段对应的目标类别信息,作为分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911342527.1A CN113095113B (zh) | 2019-12-23 | 2019-12-23 | 一种用于水下目标识别的小波线谱特征提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911342527.1A CN113095113B (zh) | 2019-12-23 | 2019-12-23 | 一种用于水下目标识别的小波线谱特征提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113095113A CN113095113A (zh) | 2021-07-09 |
CN113095113B true CN113095113B (zh) | 2024-04-09 |
Family
ID=76663266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911342527.1A Active CN113095113B (zh) | 2019-12-23 | 2019-12-23 | 一种用于水下目标识别的小波线谱特征提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095113B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114460587B (zh) * | 2022-04-11 | 2022-07-19 | 杭州应用声学研究所(中国船舶重工集团公司第七一五研究所) | 一种主动声呐全景接触目标快速辨识方法 |
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 (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103323853A (zh) * | 2012-03-21 | 2013-09-25 | 中国科学院声学研究所 | 一种基于小波包和双谱的鱼类识别方法及系统 |
CN103439413A (zh) * | 2013-08-07 | 2013-12-11 | 湘潭大学 | 一种热障涂层损伤模式自动识别的声发射信号分析方法 |
CN108921014A (zh) * | 2018-05-21 | 2018-11-30 | 西北工业大学 | 一种基于改进噪声包络信号识别的螺旋桨轴频搜索方法 |
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 |
-
2019
- 2019-12-23 CN CN201911342527.1A patent/CN113095113B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103323853A (zh) * | 2012-03-21 | 2013-09-25 | 中国科学院声学研究所 | 一种基于小波包和双谱的鱼类识别方法及系统 |
CN103439413A (zh) * | 2013-08-07 | 2013-12-11 | 湘潭大学 | 一种热障涂层损伤模式自动识别的声发射信号分析方法 |
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 |
CN108921014A (zh) * | 2018-05-21 | 2018-11-30 | 西北工业大学 | 一种基于改进噪声包络信号识别的螺旋桨轴频搜索方法 |
Non-Patent Citations (2)
Title |
---|
Feature Analysis of Passive Underwater Targets Recognition Based on Deep Neural Network;Jiawei Ren 等;IEEE;第1-5页 * |
一种基于频谱细化技术的水下目标识别方法;邱政 等;电子科技;第28卷(第7期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113095113A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110867181B (zh) | 基于scnn和tcnn联合估计的多目标语音增强方法 | |
CN109890043B (zh) | 一种基于生成式对抗网络的无线信号降噪方法 | |
CN107393542B (zh) | 一种基于双通道神经网络的鸟类物种识别方法 | |
CN110634502B (zh) | 基于深度神经网络的单通道语音分离算法 | |
CN111723701B (zh) | 一种水中目标识别方法 | |
CN109738887B (zh) | 一种适用于微动干扰场景的目标人体运动状态识别方法 | |
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 | |
CN103854660B (zh) | 一种基于独立成分分析的四麦克语音增强方法 | |
CN106707334B (zh) | 一种提高地震资料分辨率的方法 | |
CN105741844B (zh) | 一种基于dwt-svd-ica的数字音频水印算法 | |
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 | |
CN113238193B (zh) | 一种多分量联合重构的sar回波宽带干扰抑制方法 | |
CN103198836B (zh) | 基于Hilbert变换的欠定声音信号分离方法及装置 | |
CN116153329A (zh) | 一种基于cwt-lbp的声音信号时频纹理特征提取方法 | |
Ren et al. | Feature analysis of passive underwater targets recognition based on deep neural network | |
Do et al. | Speech Separation in the Frequency Domain with Autoencoder. | |
CN112183582A (zh) | 一种多特征融合的水下目标识别方法 | |
Dey et al. | Single channel blind source separation based on variational mode decomposition and PCA | |
CN111785262B (zh) | 一种基于残差网络及融合特征的说话人年龄性别分类方法 | |
CN108280416A (zh) | 一种小波跨尺度相关滤波的宽带水声信号处理方法 | |
Chen et al. | Whale vocalization classification using feature extraction with resonance sparse signal decomposition and ridge extraction | |
CN111695444A (zh) | 一种基于波原子变换的辐射源个体特征提取方法 | |
CN114613384B (zh) | 一种基于深度学习多输入语音信号波束形成信息互补方法 | |
CN109712639A (zh) | 一种基于小波阈值滤波的音频采集系统及方法 | |
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 |