CN113205050A - 一种基于gru-ae网络的舰船辐射噪声线谱提取方法 - Google Patents

一种基于gru-ae网络的舰船辐射噪声线谱提取方法 Download PDF

Info

Publication number
CN113205050A
CN113205050A CN202110502653.XA CN202110502653A CN113205050A CN 113205050 A CN113205050 A CN 113205050A CN 202110502653 A CN202110502653 A CN 202110502653A CN 113205050 A CN113205050 A CN 113205050A
Authority
CN
China
Prior art keywords
gru
network
data
radiation noise
line 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.)
Granted
Application number
CN202110502653.XA
Other languages
English (en)
Other versions
CN113205050B (zh
Inventor
杨宏晖
郑凯锋
李俊豪
徐光辉
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical 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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202110502653.XA priority Critical patent/CN113205050B/zh
Publication of CN113205050A publication Critical patent/CN113205050A/zh
Application granted granted Critical
Publication of CN113205050B publication Critical patent/CN113205050B/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
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Processing (AREA)

Abstract

本发明提出一种基于GRU‑AE网络的舰船辐射噪声线谱提取方法，利用AE网络实现信号编码重构和去噪任务，利用GRU网络的时序序列记忆能力，将舰船辐射噪声时序结构联系起来，完成对输入信号的重构和去噪，从而可以有效的提取到Lofar图中明暗不定、时断时续的线谱成分。

Description

一种基于GRU-AE网络的舰船辐射噪声线谱提取方法
技术领域
本发明涉及一种舰船辐射噪声线谱提取方法，特别是涉及一种基于循环门单元深度自编码(Gated Recurrent Unit deep AutoEncoder,GRU-AE)网络的舰船辐射噪声线谱提取方法。
背景技术
船舶辐射噪声在低频段具有丰富的线谱成分，是一种较稳定的特征信息。线谱成分的提取对水下目标识别具有重要意义。
传统的舰船辐射噪声线谱提取方法主要是针对Lofar图上线谱进行人工提取。但由于海洋环境的复杂性，如其他舰船目标的噪声干扰、海洋环境噪声、海洋动物叫声等，都会导致Lofar图中的线谱时明时暗，出现断点，甚至出现交叉重叠。这些因素导致传统舰船辐射噪声线谱提取的方法性能不理想，其要经过信号预处理、时频变换、时间累积、去连续谱趋势等过程，再通过人工设定阈值或者人工手动提取线谱。该过程需要丰富的先验知识和专家知识，同时也需要大量的人工参与，花费大量的时间及精力。
近些年随着深度学习方法的发展，基于深度学习的舰船辐射噪声线谱提取方法为线谱的提取提供了一种新的途径，其通过多层次的神经网络结构对输入数据逐级提取从底层到高层的特征，能有效的提取出线谱特征。有研究人员将深度学习方法应用于线谱检测问题，其使用卷积神经网络对线谱图像和噪声图像进行分类，并利用可视化策略恢复线谱，从而达到检测线谱的目的。但现有线谱检测方法中使用卷积神经网络没有考虑到舰船辐射噪声的时序结构，导致难以提取Lofar图中明暗不定、时断时续的线谱成分。
发明内容
针对舰船辐射噪声的线谱提取问题，本发明提出一种基于GRU-AE网络的舰船辐射噪声线谱提取方法，利用AE网络实现信号编码重构和去噪任务，利用GRU网络的时序序列记忆能力，将舰船辐射噪声时序结构联系起来，可以有效的提取到Lofar图中明暗不定、时断时续的线谱成分，为舰船辐射噪声的线谱提取提供一种新的技术途径和方法。
本发明的技术方案为：
所述一种基于GRU-AE网络的舰船辐射噪声线谱提取方法，包括以下步骤：
步骤1：获取舰船发出的辐射噪声信号x，将辐射噪声信号x分为k个等时长信号，并经过处理后得到Lofar图的数据矩阵Xi；将Xi按列等分为n个矩阵，记作[Xij|i＝1,…,k；j＝1,…,n]，每个Xij为一个训练样本；
步骤2：将j相等的样本Xij组成一个样本集，共得到n个包含k个训练样本的样本集：TRj＝{Xij|i＝1,…,k}，其中j＝1,…,n；
步骤3：利用GRU模块搭建AE网络模型，得到GRU-AE模型，设置网络结构参数：网络层数q、各层神经元节点数{Q1,Q2,…,Qq}、学习率r、衰减速率ρ；
步骤4：利用每个样本集，分别对GRU-AE网络模型进行训练：
步骤4.1：设置训练参数：迭代总次数S、批大小α；对GRU编码器神经元节点数
Figure BDA0003057032740000021
和GRU编码器的输入数据Xij的列数
Figure BDA0003057032740000022
施加约束使
Figure BDA0003057032740000023
设置GRU-AE网络模型激活函数；设置GRU-AE网络模型的误差计算方法；
步骤4.2：初始化GRU-AE网络模型参数Θ，Θ中包含网络权重矩阵W及偏置矩阵b；设置迭代次数s＝1；将训练样本集TRj分为INT(k/α)组批大小为α的小批量数据，每组小批量数据表示为：{X'ij|i＝1,…,α}；
步骤4.3：对于每组小批量数据X'ij，将其作为GRU-AE网络模型的输入，在模型参数Θ作用下，计算出重构输出
Figure BDA0003057032740000024
利用设置的GRU-AE网络模型误差计算方法更新GRU-AE网络模型的损失L；然后更新GRU-AE网络模型的参数Θ；
步骤4.4：当满足s＞S时，则停止迭代，得到训练好的GRU多任务学习模型，并得到该小批量数据对应的重构输出
Figure BDA0003057032740000025
然后返回步骤4.3进行下一组小批量数据重构过程，直至所有组的小批量数据重构完成，然后进入步骤4.5；否则取s＝s+1，返回步骤4.3继续迭代；
步骤4.5：将当前样本集中所有小批量数据的重构输出
Figure BDA0003057032740000031
排列形成重构后数据矩阵
Figure BDA0003057032740000032
步骤5：将各个样本集重构后的数据矩阵
Figure BDA0003057032740000033
按划分的顺序组成重构后的
Figure BDA0003057032740000034
作为舰船辐射噪声x提取线谱后的Lofar图数据矩阵；将数据矩阵
Figure BDA0003057032740000035
中非线谱处数据重置为零，得到新的数据矩阵
Figure BDA0003057032740000036
并依据新的数据矩阵
Figure BDA0003057032740000037
绘制出舰船辐射噪声x的线谱图。
进一步的，步骤1中对等时长信号依次经过均值归一化处理、短时傅里叶变换和最大最小归一化处理后，得到Lofar图的数据矩阵Xi。
进一步的，对于辐射噪声信号x分为的k个等时长信号[xi|i＝1,…,k]，先进行均值归一化处理：xi＝(xi-mean(xi))/max(xi|)，再对均值归一化处理后的信号xi进行短时傅里叶变换，得到信号Lofar图对应的数据矩阵：Xi＝STFT(xi)，之后对Lofar图的数据矩阵Xi进行最大最小归一化处理：Xi＝[Xi-min(Xi)]/[max(Xi)-min(Xi)]。
进一步的，对均值归一化处理后的信号xi进行短时傅里叶变换得到的信号Lofar图对应的数据矩阵Xi维度为M×N，M表示时间上的维度，N表示频率上的维度；Xi的时间跨度为T，时间分辨率为
Figure BDA0003057032740000038
频率跨度为[f1,f2]，带宽为f＝f2-f1，频率分辨率为
Figure BDA0003057032740000039
进一步的，将Xi按列等分为n个维度为
Figure BDA00030570327400000310
矩阵，记作[Xij|i＝1,…,k；j＝1,…,n]，每个Xij为一个训练样本。
进一步的，步骤4.1中，GRU-AE网络模型第1层到第q-1层激活函数为线性整流函数，第q层激活函数为softmax函数。
进一步的，步骤4.1中，GRU-AE网络模型的误差计算方法使用二次损失函数：
Figure BDA0003057032740000041
其中
Figure BDA0003057032740000042
为训练数据Xij对应的网络输出数据。
进一步的，步骤4.2中，网络权重矩阵W使用Glorot均匀分布初始化方法及生成正交矩阵初始化程序进行初始化，偏置矩阵b初始化为零矩阵。
进一步的，步骤4.3中，GRU-AE网络模型参数Θ的更新公式为：
Θ＝Θ-(r/(sqrt(a)+δ))·g，其中，a＝ρ·α+(1-ρ)·g·g，δ＝1e-7，g＝(▽ΘL)/α。
有益效果
本文提出了一种基于GRU-AE网络的舰船辐射噪声线谱提取方法，用GRU模块构建的自编码网络，完成对输入信号的重构和去噪，进而提取出线谱。针对舰船辐射噪声具有时序结构的特点，本文采用具有时序记忆功能的GRU构建深度自编码网络，能有效地提取出舰船辐射噪声线谱特征。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1：本发明方法的GRU-AE网络模型结构图。
图2：本发明方法的流程图。
图3：本发明方法提取线谱前后Lofar图。
具体实施方式
本发明的发明构思是利用AE网络实现信号编码重构和去噪任务，利用GRU网络的时序记忆能力，将舰船辐射噪声时序结构联系起来，进而提取出其线谱，具体包括以下步骤：
步骤1：获取舰船发出的辐射噪声信号x，并分为k个等时长信号[xi|i＝1,…,k]，对舰船发出的辐射噪声信号xi进行均值归一化处理：xi＝(xi-mean(xi))/max(|xi|)。
对均值归一化处理后的信号xi进行短时傅里叶变换(Short Time FourierTransform,STFT)，得到信号Lofar图对应的数据矩阵：Xi＝STFT(xi)，Xi维度为M×N，M表示时间上的维度，N表示频率上的维度；Xi的时间跨度(即等时长信号的时长)为T(单位：s)，即时间分辨率为
Figure BDA0003057032740000051
频率跨度为[f1,f2]，带宽为f＝f2-f1(单位：Hz)，即频率分辨率为
Figure BDA0003057032740000052
Hz。
对Lofar图的数据矩阵Xi进行最大最小归一化处理：
Xi＝[Xi-min(Xi)]/[max(Xi)-min(Xi)]。
将Xi按列等分(即将Lofar图按等频带划分)为n个维度为
Figure BDA0003057032740000053
矩阵，记作[Xij|i＝1,…,k；j＝1,…,n]，每个Xij为一个训练样本。
由于Lofar图数据矩阵中的元素值随频率的增大而减小(即列数越高，矩阵元素值越小)，传统的线谱提取方法在进行时间累积后导致频率低的部分幅值大，频率高的部分数幅值小，利用人工设计阈值提取线谱时，阈值易被低频部分的高幅值影响，导致阈值偏大，继而导致高频部分线谱被忽略，部分线谱无法被提取出来，进而影响后续任务。故本发明将Lofar图数据矩阵按列(频率)平分，同一频带之中数据差异较小，缩小矩阵数据之间差异，达到更准确、更完全提取出Lofar图线谱的目的。
步骤2：将j相等(即频带相同)的样本Xij组成一个样本集，共得到n个包含k个训练样本的样本集：TRj＝{Xij|i＝1,…,k}，其中j＝1,…,n。
步骤3：利用GRU模块搭建AE网络模型，得到GRU-AE模型，设置网络结构参数：网络层数q、各层神经元节点数{Q1,Q2,…,Qq}、学习率r、衰减速率ρ。
步骤4：利用每个样本集，分别对GRU-AE网络模型进行训练：
步骤4.1：设置训练参数：迭代总次数S、批大小α；对GRU编码器神经元节点数
Figure BDA0003057032740000061
和GRU编码器的输入数据Xij的列数
Figure BDA0003057032740000062
施加约束使
Figure BDA0003057032740000063
设置GRU-AE网络模型激活函数，GRU-AE网络第1层到第q-1层激活函数为线性整流函数(RectifiedLinear Unit,ReLU)，第q层激活函数为softmax函数；设置GRU-AE网络模型的误差计算方法，使用二次损失函数：
Figure BDA0003057032740000064
其中
Figure BDA0003057032740000065
为训练数据Xij对应的相关任务的重构数据，即网络输出数据，α表示使用小批次训练批大小。
步骤4.2：初始化GRU-AE网络模型参数Θ，Θ中包含网络权重矩阵W及偏置矩阵b，W使用Glorot均匀分布初始化方法及生成正交矩阵初始化程序进行初始化，b初始化为零矩阵；设置迭代次数s＝1；将训练样本集TRj分为INT(kα)组批大小为α的小批量数据，每组小批量数据表示为：{Xi'j|i＝1,…,α}。这样分为小批量数据训练能使训练过程用时更少。
步骤4.3：对于每组小批量数据X'ij，将其作为GRU-AE网络模型
Figure BDA0003057032740000069
的输入，在模型参数Θ作用下，计算出重构输出
Figure BDA0003057032740000066
同一个训练样本集中，每组小批量数据采用的是上一组小批量数据训练好的网络模型，不同训练样本集TRj可以使用上一个训练样本集训练好的网络模型，也可以重新定义新的初始模型。
利用设置的GRU-AE网络模型误差计算方法更新GRU-AE网络模型的损失：
Figure BDA0003057032740000067
为训练数据X'ij对应的重构数据；然后更新GRU-AE网络模型的参数Θ：Θ＝Θ-(r/(sqrt(a)+δ))·g，其中，a＝ρ·α+(1-ρ)·g·g，δ＝1e-7，g＝(▽ΘL)/α。
步骤4.4：当满足s＞S时，则停止迭代，得到训练好的GRU多任务学习模型
Figure BDA00030570327400000610
并得到该小批量数据对应的重构输出
Figure BDA0003057032740000068
然后返回步骤4.3进行下一组小批量数据重构过程，直至所有组的小批量数据重构完成，然后进入步骤4.5；否则取s＝s+1，返回步骤4.3继续迭代。
步骤4.5：将当前样本集中所有小批量数据的重构输出
Figure BDA0003057032740000071
排列形成重构后数据矩阵
Figure BDA0003057032740000072
步骤5：将各个样本集重构后的数据矩阵
Figure BDA0003057032740000073
按划分的顺序组成重构后的
Figure BDA0003057032740000074
作为舰船辐射噪声x提取线谱后的Lofar图数据矩阵；将数据矩阵
Figure BDA0003057032740000075
中非线谱处数据重置为零，即当
Figure BDA00030570327400000710
时
Figure BDA00030570327400000711
得到新的数据矩阵
Figure BDA0003057032740000076
并依据新的数据矩阵
Figure BDA0003057032740000077
绘制出舰船辐射噪声x的线谱图。
基于上述过程，下面给出具体实施例：
本例样本介绍：利用舰船辐射噪声x总时长为111s。
1、训练样本的预处理。将x分74段数据时长为1.5s的xi，对xi依次进行均值归一化处理、短时傅里叶变换和最大最小归一化处理后得Lofar图的数据矩阵Xi，Xi的维度为10×980，时间跨度为1.5s，即时间分辨率为0.15s，频率跨度为10-500Hz，带宽为490Hz，即时间分辨为0.5Hz。
2、将Xi按每20列(10Hz等频带)划分为{Xij,i＝1,…,74；j＝1,…,49}，Xij维数为10×20，将j相等的Xij组成训练样本集TRj：TRj＝{Xij|i＝1,2,…,74}。
3、利用GRU模块构建GRU编码器，其网络节点分别为20，10，1；同理利用GRU模块构建GRU解码器，其网络节点分别为10，20。构建GRU-AE网络模型，将构建的编码器解码器组合，如图1所示。GRU编码器和解码器层构成的5层深度自编码网络，网络节点数分别为20，10，1，10，20。设置GRU-AE网路模型学习率r＝0.01。
4、利用每个样本集，分别对GRU-AE网络模型进行训练：
步骤4.1：设置迭代总次数S为100，批大小α＝10，设置网络第1层到第4层激活函数为relu函数，第5层激活函数为softmax函数。设置GRU-AE网络模型的误差计算方法，使用带惩罚项的二次损失函数：
Figure BDA0003057032740000078
其中
Figure BDA0003057032740000079
为训练数据Xij对应的相关任务的重构数据。
步骤4.2：设置迭代次数s＝1；将训练样本集TRj分为8个批大小为10的小批量数据，每个小批量数据表示为：{X'ij|i＝1,2,…,10}。
步骤4.3：对于每组小批量数据X'ij，将其作为GRU-AE网络模型
Figure BDA0003057032740000081
的输入，在模型参数Θ作用下，计算出重构输出
Figure BDA0003057032740000082
利用设置的GRU-AE网络模型误差计算方法更新GRU-AE网络模型的损失：
Figure BDA0003057032740000083
为训练数据X'ij对应的重构数据；然后更新GRU-AE网络模型的参数Θ：Θ＝Θ-(0.01/(sqrt(a)+δ))·g，其中，a＝0.9·α+(1-0.9)·g·g，δ＝1e-7，
Figure BDA0003057032740000084
步骤4.4：当满足s＞S时，则停止迭代，得到训练好的GRU多任务学习模型
Figure BDA0003057032740000085
并得到该小批量数据对应的重构输出
Figure BDA0003057032740000086
然后返回步骤4.3进行下一组小批量数据重构过程，直至所有组的小批量数据重构完成，然后进入步骤4.5；否则取s＝s+1，返回步骤4.3继续迭代。
步骤4.5：将当前样本集中所有小批量数据的重构输出
Figure BDA0003057032740000087
排列形成重构后数据矩阵
Figure BDA0003057032740000088
步骤5：将各个样本集重构后的数据矩阵
Figure BDA0003057032740000089
按划分的顺序组成重构后的
Figure BDA00030570327400000810
作为舰船辐射噪声x提取线谱后的Lofar图数据矩阵；将数据矩阵
Figure BDA00030570327400000811
中非线谱处数据重置为零，即当
Figure BDA00030570327400000812
时
Figure BDA00030570327400000813
得到新的数据矩阵
Figure BDA00030570327400000814
并依据新的数据矩阵
Figure BDA00030570327400000815
绘制出舰船辐射噪声x的线谱图。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (9)

1.一种基于GRU-AE网络的舰船辐射噪声线谱提取方法，其特征在于：包括以下步骤：
步骤1：获取舰船发出的辐射噪声信号x，将辐射噪声信号x分为k个等时长信号，并经过处理后得到Lofar图的数据矩阵Xi；将Xi按列等分为n个矩阵，记作[Xij|i＝1,…,k；j＝1,…,n]，每个Xij为一个训练样本；
步骤2：将j相等的样本Xij组成一个样本集，共得到n个包含k个训练样本的样本集：TRj＝{Xij|i＝1,…,k}，其中j＝1,…,n；
步骤3：利用GRU模块搭建AE网络模型，得到GRU-AE模型，设置网络结构参数：网络层数q、各层神经元节点数{Q1,Q2,…,Qq}、学习率r、衰减速率ρ；
步骤4：利用每个样本集，分别对GRU-AE网络模型进行训练：
步骤4.1：设置训练参数：迭代总次数S、批大小α；对GRU编码器神经元节点数
Figure FDA0003057032730000011
和GRU编码器的输入数据Xij的列数
Figure FDA0003057032730000012
施加约束使
Figure FDA0003057032730000013
设置GRU-AE网络模型激活函数；设置GRU-AE网络模型的误差计算方法；
步骤4.2：初始化GRU-AE网络模型参数Θ，Θ中包含网络权重矩阵W及偏置矩阵b；设置迭代次数s＝1；将训练样本集TRj分为INT(k/α)组批大小为α的小批量数据，每组小批量数据表示为：{Xi'j|i＝1,…,α}；
步骤4.3：对于每组小批量数据Xi'j，将其作为GRU-AE网络模型的输入，在模型参数Θ作用下，计算出重构输出
Figure FDA0003057032730000014
利用设置的GRU-AE网络模型误差计算方法更新GRU-AE网络模型的损失L；然后更新GRU-AE网络模型的参数Θ；
步骤4.4：当满足s＞S时，则停止迭代，得到训练好的GRU多任务学习模型，并得到该小批量数据对应的重构输出
Figure FDA0003057032730000015
然后返回步骤4.3进行下一组小批量数据重构过程，直至所有组的小批量数据重构完成，然后进入步骤4.5；否则取s＝s+1，返回步骤4.3继续迭代；
步骤4.5：将当前样本集中所有小批量数据的重构输出
Figure FDA0003057032730000021
排列形成重构后数据矩阵
Figure FDA0003057032730000022
步骤5：将各个样本集重构后的数据矩阵
Figure FDA0003057032730000023
按划分的顺序组成重构后的
Figure FDA0003057032730000024
作为舰船辐射噪声x提取线谱后的Lofar图数据矩阵；将数据矩阵
Figure FDA0003057032730000025
中非线谱处数据重置为零，得到新的数据矩阵
Figure FDA0003057032730000026
并依据新的数据矩阵
Figure FDA0003057032730000027
绘制出舰船辐射噪声x的线谱图。
2.根据权利要求1所述一种基于GRU-AE网络的舰船辐射噪声线谱提取方法，其特征在于：步骤1中对等时长信号依次经过均值归一化处理、短时傅里叶变换和最大最小归一化处理后，得到Lofar图的数据矩阵Xi。
3.根据权利要求1所述一种基于GRU-AE网络的舰船辐射噪声线谱提取方法，其特征在于：对于辐射噪声信号x分为的k个等时长信号[xi|i＝1,…,k]，先进行均值归一化处理：xi＝(xi-mean(xi))/max(|xi|)，再对均值归一化处理后的信号xi进行短时傅里叶变换，得到信号Lofar图对应的数据矩阵：Xi＝STFT(xi)，之后对Lofar图的数据矩阵Xi进行最大最小归一化处理：Xi＝[Xi-min(Xi)]/[max(Xi)-min(Xi)]。
4.根据权利要求1所述一种基于GRU-AE网络的舰船辐射噪声线谱提取方法，其特征在于：步骤1中，对均值归一化处理后的信号xi进行短时傅里叶变换得到的信号Lofar图对应的数据矩阵Xi维度为M×N，M表示时间上的维度，N表示频率上的维度；Xi的时间跨度为T，时间分辨率为
Figure FDA0003057032730000028
频率跨度为[f1,f2]，带宽为f＝f2-f1，频率分辨率为
Figure FDA0003057032730000029
5.根据权利要求1所述一种基于GRU-AE网络的舰船辐射噪声线谱提取方法，其特征在于：步骤1中，将Xi按列等分为n个维度为
Figure FDA00030570327300000210
矩阵，记作[Xij|i＝1,…,k；j＝1,…,n]，每个Xij为一个训练样本。
6.根据权利要求1所述一种基于GRU-AE网络的舰船辐射噪声线谱提取方法，其特征在于：步骤4.1中，GRU-AE网络模型第1层到第q-1层激活函数为线性整流函数，第q层激活函数为softmax函数。
7.根据权利要求1所述一种基于GRU-AE网络的舰船辐射噪声线谱提取方法，其特征在于：步骤4.1中，GRU-AE网络模型的误差计算方法使用二次损失函数：
Figure FDA0003057032730000031
其中
Figure FDA0003057032730000032
为训练数据Xij对应的网络输出数据。
8.根据权利要求1所述一种基于GRU-AE网络的舰船辐射噪声线谱提取方法，其特征在于：步骤4.2中，网络权重矩阵W使用Glorot均匀分布初始化方法及生成正交矩阵初始化程序进行初始化，偏置矩阵b初始化为零矩阵。
9.根据权利要求1所述一种基于GRU-AE网络的舰船辐射噪声线谱提取方法，其特征在于：步骤4.3中，GRU-AE网络模型参数Θ的更新公式为：
Θ＝Θ-(r/(sqrt(a)+δ))·g，其中，a＝ρ·α+(1-ρ)·g·g，δ＝1e-7，
Figure FDA0003057032730000033
CN202110502653.XA 2021-05-09 2021-05-09 一种基于gru-ae网络的舰船辐射噪声线谱提取方法 Active CN113205050B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110502653.XA CN113205050B (zh) 2021-05-09 2021-05-09 一种基于gru-ae网络的舰船辐射噪声线谱提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110502653.XA CN113205050B (zh) 2021-05-09 2021-05-09 一种基于gru-ae网络的舰船辐射噪声线谱提取方法

Publications (2)

Publication Number Publication Date
CN113205050A true CN113205050A (zh) 2021-08-03
CN113205050B CN113205050B (zh) 2023-05-26

Family

ID=77030831

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110502653.XA Active CN113205050B (zh) 2021-05-09 2021-05-09 一种基于gru-ae网络的舰船辐射噪声线谱提取方法

Country Status (1)

Country Link
CN (1) CN113205050B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114764579A (zh) * 2022-05-12 2022-07-19 西北工业大学 一种舰船辐射噪声信号的去噪特征提取方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529428A (zh) * 2016-10-31 2017-03-22 西北工业大学 基于深度学习的水下目标识别方法
CN111048071A (zh) * 2019-11-11 2020-04-21 北京海益同展信息科技有限公司 语音数据处理方法、装置、计算机设备和存储介质
CN111401236A (zh) * 2020-03-16 2020-07-10 西北工业大学 基于自编码神经网络的水声信号去噪方法
CN111553207A (zh) * 2020-04-14 2020-08-18 哈尔滨工程大学 一种基于统计分布的舰船辐射噪声特征重组方法
CN111832216A (zh) * 2020-04-14 2020-10-27 新疆大学 基于eemd-mcnn-gru的滚动轴承剩余使用寿命预测方法
CN111931820A (zh) * 2020-07-15 2020-11-13 中国船舶重工集团公司第七一五研究所 一种基于卷积残差网络的水中目标辐射噪声lofar谱图线谱提取方法
CN112016598A (zh) * 2020-08-13 2020-12-01 广东电网有限责任公司 基于sdae的局部放电模式识别方法、计算机设备和存储介质
CN112035672A (zh) * 2020-07-23 2020-12-04 深圳技术大学 一种知识图谱补全方法、装置、设备以及存储介质
CN112562702A (zh) * 2020-11-30 2021-03-26 哈尔滨工程大学 基于循环帧序列门控循环单元网络的语音超分辨率方法
JP2021056667A (ja) * 2019-09-27 2021-04-08 Kddi株式会社 未来の潜在表現を予測するエンコーダのプログラム、装置及び方法
US20210117796A1 (en) * 2020-12-01 2021-04-22 Harbin Engineering University Ship Motion Prediction Method Based on Long Short-Term Memory Network and Gaussian Process Regression

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529428A (zh) * 2016-10-31 2017-03-22 西北工业大学 基于深度学习的水下目标识别方法
JP2021056667A (ja) * 2019-09-27 2021-04-08 Kddi株式会社 未来の潜在表現を予測するエンコーダのプログラム、装置及び方法
CN111048071A (zh) * 2019-11-11 2020-04-21 北京海益同展信息科技有限公司 语音数据处理方法、装置、计算机设备和存储介质
CN111401236A (zh) * 2020-03-16 2020-07-10 西北工业大学 基于自编码神经网络的水声信号去噪方法
CN111553207A (zh) * 2020-04-14 2020-08-18 哈尔滨工程大学 一种基于统计分布的舰船辐射噪声特征重组方法
CN111832216A (zh) * 2020-04-14 2020-10-27 新疆大学 基于eemd-mcnn-gru的滚动轴承剩余使用寿命预测方法
CN111931820A (zh) * 2020-07-15 2020-11-13 中国船舶重工集团公司第七一五研究所 一种基于卷积残差网络的水中目标辐射噪声lofar谱图线谱提取方法
CN112035672A (zh) * 2020-07-23 2020-12-04 深圳技术大学 一种知识图谱补全方法、装置、设备以及存储介质
CN112016598A (zh) * 2020-08-13 2020-12-01 广东电网有限责任公司 基于sdae的局部放电模式识别方法、计算机设备和存储介质
CN112562702A (zh) * 2020-11-30 2021-03-26 哈尔滨工程大学 基于循环帧序列门控循环单元网络的语音超分辨率方法
US20210117796A1 (en) * 2020-12-01 2021-04-22 Harbin Engineering University Ship Motion Prediction Method Based on Long Short-Term Memory Network and Gaussian Process Regression

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
XIAOHAN YIN 等: "Underwater Acoustic Target Classification Based on LOFAR Spectrum and Convolutional Neural Network", 《AIAM2020 - 2ND INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE AND ADVANCED MANUFACTURE》 *
YI-WEI LU 等: "An autoencoder gated recurrent unit for remaining useful life prediction", 《PROCESSES》 *
张亚军等: "优化的线谱特征在水下目标识别中的应用", 《计算机仿真》 *
张少康 等: "基于多类别特征融合的水声目标噪声识别分类技术", 《西北工业大学学报》 *
杨宏晖 等: "被动水下目标识别研究进展综述", 《无人系统技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114764579A (zh) * 2022-05-12 2022-07-19 西北工业大学 一种舰船辐射噪声信号的去噪特征提取方法

Also Published As

Publication number Publication date
CN113205050B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN109948647B (zh) 一种基于深度残差网络的心电图分类方法及系统
CN107220606B (zh) 基于一维卷积神经网络的雷达辐射源信号的识别方法
CN110348288B (zh) 一种基于77GHz毫米波雷达信号的手势识别方法
CN110161499B (zh) 改进的稀疏贝叶斯学习isar成像散射系数估计方法
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN110728698B (zh) 一种基于复合循环神经网络系统的多目标跟踪系统
CN113113030B (zh) 一种基于降噪自编码器的高维受损数据无线传输方法
CN113780242A (zh) 一种基于模型迁移学习的跨场景水声目标分类方法
CN116316591A (zh) 基于混合双向门控循环的短期光伏功率预测方法及系统
CN115470827A (zh) 基于自监督学习和孪生网络的对抗性心电信号降噪方法
CN111476272A (zh) 一种基于结构约束对称低秩保留投影的降维方法
CN111010356A (zh) 一种基于支持向量机的水声通信信号调制方式识别方法
CN113128478A (zh) 模型训练方法、行人分析方法、装置、设备及存储介质
CN113205050A (zh) 一种基于gru-ae网络的舰船辐射噪声线谱提取方法
CN110879927A (zh) 一种用于海目标检测的海杂波幅度统计分布现场建模方法
CN106067165A (zh) 基于聚类化稀疏随机场的高光谱图像去噪方法
CN111882057A (zh) 一种面向时空序列数据建模的多阶段深度学习方法及应用
CN115054270A (zh) 基于gcn提取睡眠频谱图特征的睡眠分期方法及系统
CN111104876A (zh) 一种基于神经网络的红外光谱反卷积方法
CN111080555A (zh) 一种基于三维拟递归神经网络的高光谱图像降噪方法
CN116343032A (zh) 结合高斯回归混合模型和mrf高光谱函数数据的分类方法
CN115856811A (zh) 一种基于深度学习的微多普勒特征目标分类方法
CN115470818A (zh) 基于变分模态分解的高阶调制信号样式识别方法及系统
CN108830802A (zh) 一种基于短曝图像梯度导向的图像模糊核估计方法
Xiang et al. Semi-supervised image classification via attention mechanism and generative adversarial 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