CN113420668B - 一种基于二维多尺度排列熵的水下目标识别方法 - Google Patents

Abstract

本发明提供了一种基于二维多尺度排列熵的水下目标识别方法，采用小波包分解和多尺度排列熵结合的方法进行特征提取，再将卷积神经网络应用到水下目标识别中，利用卷积神经网络挖掘水下目标更加深层的信息，能够提高水下目标识别的性能，适用于在复杂的海洋环境噪声中识别水下目标。本发明可以充分利用信号的时频信息，采用多尺度排列熵的方法对信号进行特征提取，使其更加清晰地体现出每个尺度下的排列熵特征，利用卷积神经网络来挖掘信号间更深层的信息。提高水下目标识别性能，以及在复杂海洋噪声背景下的泛化性和鲁棒性。

Description

一种基于二维多尺度排列熵的水下目标识别方法

技术领域

本发明涉及信号处理与人工智能领域，涉及到一种水下目标识别的方法。

背景技术

二十一世纪，许多海洋大国将发展海洋作为下一步的战略目标。在军事活动中，提高水下目标识别性能一直是战胜地方的关键。针对海上作战的特点，特别是舰船的机动性、隐蔽性以及自动化的提高以及水下环境的复杂，为现如今传统的水下目标识别技术带来了极大的挑战。

水下目标识别主要分为三部分工作：特征提取，特征选择，分类器设计。目前传统的舰船辐射噪声特征提取方法主要有：时域波形结构特征、频域谱特征、小波变换、短时傅里叶变换、高阶统计量、LOFAR谱、听觉感知特征以及非线性特征等方法。以上的特征提取方法仍然存在不足，例如：时域波形特征虽然原理简单、易于实现，但是需要先验知识来设定其中的参数，固定的参数设置会导致其在复杂海洋环境条件下的识别泛化性较弱，小波变换存在小波基函数如何有效选择的问题，听觉感知等特征提取方法主要集中在听觉外周模型，很少涉及到听觉中枢系统，而包括排列熵在内的一些熵特征结果都是一个单独的值，特征信息较为单一，多尺度排列熵可以输出一维的特征向量，但其后接的分类器都采用传统机器学习方法或者较为简单的概率神经网络等分类器，不能充分挖掘舰船辐射噪声特征内部的信息。

近年来，深度学习在各个应用领域取得了令人瞩目的成果。因其具有自主学习、高容错率、自适应性等特点，在自然语言处理、计算机视觉、文本处理等方面取得了令人瞩目的成就。除此之外其优点在于不需要模型的先验信息，可以有效的提取数据的内在信息和分布，能够非常精确地提取出更深层的特征。相比较传统的机器学习方法而言，深度学习更具有泛化能力和鲁棒性。

发明内容

为了克服现有技术的不足，本发明提供一种基于二维多尺度排列熵的水下目标识别方法。针对现如今传统的水下目标识别方法存在不足的问题，提出一种基于二维多尺度排列熵的水下目标识别方法。本发明主要考虑充分利用水下目标的多频带非线性特征，采用小波包分解和多尺度排列熵结合的方法进行特征提取，利用卷积神经网络挖掘水下目标信号更加深层的信息，提高水下目标识别性能以及在复杂海洋环境噪声下的鲁棒性和泛化能力。

本发明提出一种基于二维多尺度排列熵的水下目标识别的方法，在对小波包分解后的多子带进行多尺度排列熵特征提取的基础上，再将卷积神经网络应用到水下目标识别中，利用卷积神经网络挖掘水下目标更加深层的信息，能够提高水下目标识别的性能，适用于在复杂的海洋环境噪声中识别水下目标。

本发明解决其技术问题所采用的技术方案的主要步骤如下：

步骤一：接收信号预处理；

将接收到的信号，进行去直流，然后进行分帧加窗预处理，每一帧加窗处理后的数据为x(n)＝y(n)w(n)，其中w(n)为窗函数，y(n)是每帧时间序列信号，x(n)是经过加窗处理的帧信号；

步骤二：小波包分解成多子带；

将分帧加窗后的信号进行小波包分解，计算公式如下所示：

式中，ψ(t)表示小波函数，a表示尺度，τ表示平移量，f(t)表示经过步骤一处理后的原始信号；

步骤三：多子带上进行多尺度排列熵特征提取；

在得到的每个频带上提取信号的多尺度排列熵特征，信号时间序列为

{x(i),i＝1,2,...,N}，多尺度分解计算公式如下：

式中，s为尺度因子，1 j N/s，y^s为尺度s下的子序列，x_i为子带时间序列信号，N为时间序列长度，对尺度s下的子序列计算该子序列的排列熵，得到每帧声信号上多子带的多尺度排列熵特征；

步骤四：划分数据集；

信号经过特征提取之后，将每个频带上的多尺度排列熵作为数据集，特征数据集是一个大小为I×p×q的多维数组，其中I为样本个数，p表示频带数，q表示多尺度排列熵特征长度，按照经验将数据集分成训练集、测试集和验证集；通过人工标注确定每个样本的具体类别，若为二分类任务，标注为0和1，若为多分类任务，标注为0，1，2，…，N；

步骤五：构建卷积神经网络；

通过步骤四得到的训练集对卷积神经网络进行训练；

步骤六：训练优化神经网络模型；

通过调节卷积神经网路的超参数，以提高网络的学习性能和效果，超参数包括学习率、批次大小、卷积核尺寸、激活函数、优化函数以及损失函数，完成网络训练；

步骤七：实现水下目标识别任务；

将待测数据经过步骤一至步骤三之后，通过步骤六训练好的神经网络模型给出分类结果，实现水下目标识别任务。

所述计算该子序列的排列熵的步骤如下：

1)嵌入维数选择为2～7，过大会使计算复杂，过小则会不能完整表达时间段信息，选取嵌入维数m与时间延迟τ按下式重构其相空间：

式中：Y^s为重构矩阵，K＝N/s-(m-1)τ；

2)将重构矩阵Y^s的某一行Y_t ^s按升序排列得到：

y^s(t+(j₁-1)τ)y^s(t+(j₂-1)τ)…y^s(t+(j_m-1)τ)

若用π_t＝{j₁,j₂,...,j_m}表示该行各元素的原始位置，显然，Y^s中的任一行均有m！种可能的排列类型，对每一行重复升序排列操作后得到排序后的元素下标索引，下标索引相同的即为相同种排列类型，统计得到每种排列类型出现的频数h_l与概率，概率为p_l＝h_l/K；

3)计算得到尺度s下子序列的排列熵：

式中，PE^s表示尺度s下子序列的排列熵，p_l表示步骤2)中得到的概率，m表示步骤2中选择的嵌入维数；

对每个尺度下重复进行上述步骤1)～步骤3)操作，最后得到每帧声信号上多子带的多尺度排列熵特征；

所述数据集分成训练集、测试集和验证集，划分比例时训练集占整体数据集样本数量的70％～80％，剩下的样本数量再进行划分为验证集和测试集，验证集和测试集的比例采用1：1或者1：2。

所述训练集的准确识别率在90％以上即可认为该网络训练完成。

本发明的有益效果在于针对传统的方法解决水下目标识别存在不足的问题，本发明提出一种基于二维多尺度排列熵的水下目标识别方法。利用小波包分解对获取到的一维信号分解成多频带信号，可以充分利用信号的时频信息，考虑到利用水下目标更多的非线性特征，采用多尺度排列熵的方法对信号进行特征提取，使其更加清晰地体现出每个尺度下的排列熵特征，利用卷积神经网络来挖掘信号间更深层的信息。提高水下目标识别性能，以及在复杂海洋噪声背景下的泛化性和鲁棒性。

附图说明

图1是本发明基于二维多尺度排列熵的水下目标识别方法框图。

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。

针对水下目标识别的问题，提出一种基于二维多尺度排列熵的水下目标识别方法。

本发明的主要步骤如下：

步骤一：接收信号预处理

将接收到的信号，进行去直流，然后进行分帧加窗预处理。每一帧加窗处理后的数据为x(n)＝y(n)w(n)。选择汉明窗作为加窗类型，将获取到的水声信号长度为1秒的声音文件。其中信号的采样频率为f_s＝3200Hz。

步骤二：小波包分解成多子带

将分帧加窗后的信号进行小波包分解，计算公式如下所示：

式中，a表示尺度，τ表示平移量。进行7级小波包分解，分解成128个子带，采用的小波基函数是四阶Symlet小波。

步骤三：多子带上进行多尺度排列熵特征提取

在得到的每个频带上提取信号的多尺度排列熵特征，多尺度分解计算公式如下：

式中，s为尺度因子，1 j N/s，y^s为尺度s下的子序列。对尺度s下的子序列，按如下步骤计算其排列熵：

1)适当选取嵌入维数m与时间延迟τ按下式重构其相空间：

式中：Y^s为重构矩阵，K＝N/s-(m-1)τ。

2)将重构矩阵Y^s的某一行Y_t ^s按升序排列得到：

y^s(t+(j₁-1)τ)y^s(t+(j₂-1)τ)…y^s(t+(j_m-1)τ)

对每一行重复上述操作，统计得到每种排列类型出现的频数h_l与概率p_l＝h_l/K。

3)计算得到尺度s下子序列的排列熵：

对每个尺度下重复进行上述步骤，最后得到每帧声信号上多子带的多尺度排列熵特征。上述步骤分解得到128个子带，选取40个尺度下的排列熵特征，最后得到的特征图谱尺寸为128*40。

步骤五：划分数据集

信号经过特征提取之后，将每个频带上的多尺度排列熵作为数据集，特征数据集为900*128*40，表示总样本数为900，每个样本的特征宽度为128*40。按照7：2：1将数据集分成训练集、测试集和验证集，通过人工标注确定每个样本的具体类别。

步骤六：构建卷积神经网络

通过训练样本集对卷积神经网络进行训练。卷积神经网络共5层。共有4个卷积层，每一个卷积层后进行批标准化处理，起到网络收敛以及提高正确率的作用。每个卷积层之后均连接最大池化层。最后一层为全连接层。使用Adam优化器优化整个网络模型，并且利用Binary cross-entropy作为网络模型的损失函数。

步骤七：训练优化神经网络模型

通过调节卷积神经网路的超参数，以提高网络的学习性能和效果。卷积神经网络框架如表1所示，主要的超参数如表2所示。

表1卷积神经网络框架

900*128*40
	Conv1：3×3@8，BN,ReLU
2×2最大池化层
	Conv2：2×2@16，BN,ReLU
2×2最大池化层
	Conv3：2×2@32，BN,ReLU
2×2最大池化层
	Conv4：2×2@64，BN,ReLU
2×2最大池化层
	全连接层(448,1)

表2卷积神经网络超参数设置

名称	取值
		学习率	0.001
批次大小	30
		卷积核尺寸	3*3，2*2
激活函数	Relu

步骤八：实现水下目标识别任务

将待测数据经过步骤一至步骤三之后，通过优化好的神经网络模型给出分类结果，实现水下目标识别任务。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于二维多尺度排列熵的水下目标识别方法，其特征在于包括下述步骤：步骤一：接收信号预处理；

将接收到的信号，进行去直流，然后进行分帧加窗预处理，每一帧加窗处理后的数据为x(n)＝y(n)w(n)，其中w(n)为窗函数，y(n)是每帧时间序列信号，x(n)是经过加窗处理的帧信号；

步骤二：小波包分解成多子带；

将分帧加窗后的信号进行小波包分解，计算公式如下所示：

式中，ψ(t)表示小波函数，a表示尺度，τ表示平移量，f(t)表示经过步骤一处理后的原始信号；

步骤三：多子带上进行多尺度排列熵特征提取；

在得到的每个频带上提取信号的多尺度排列熵特征，信号时间序列为{x(i),i＝1,2,...,N}，多尺度分解计算公式如下：

式中，s为尺度因子，1≤j≤N/s，y^s为尺度s下的子序列，x_i为子带时间序列信号，N为时间序列长度，对尺度s下的子序列计算该子序列的排列熵，得到每帧声信号上多子带的多尺度排列熵特征；其中，所述计算该子序列的排列熵的步骤如下：

1)选取嵌入维数m与时间延迟τ按下式重构其相空间：

式中：Y^s为重构矩阵，K＝N/s-(m-1)τ；

2)将重构矩阵Y^s的某一行Y_t ^s按升序排列得到：

y^s(t+(j₁-1)τ)y^s(t+(j₂-1)τ)…y^s(t+(j_m-1)τ)

是按升序排列后行向量/>中的元素，表示该元素是行向量/>中的第/>个元素，若用π_t＝{j₁,j₂,...,j_m}表示该行各元素的原始位置，显然，Y^s中的任一行均有m！种可能的排列类型，对每一行重复升序排列操作后得到排序后的元素下标索引，下标索引相同的即为相同种排列类型，统计得到每种排列类型出现的频数h_l与概率，概率为p_l＝h_l/K；

3)计算得到尺度s下子序列的排列熵：

式中，PE^s表示尺度s下子序列的排列熵，p_l表示步骤2)中得到的概率，m表示步骤2中选择的嵌入维数；

对每个尺度下重复进行上述步骤1)～步骤3)操作，最后得到每帧声信号上多子带的多尺度排列熵特征；

所述嵌入维数m选择为2～7；

步骤四：划分数据集；

信号经过特征提取之后，将每个频带上的多尺度排列熵作为数据集，特征数据集是一个大小为I×p×q的多维数组，其中I为样本个数，p表示频带数，q表示多尺度排列熵特征长度，按照经验将数据集分成训练集、测试集和验证集；通过人工标注确定每个样本的具体类别，若为二分类任务，标注为0和1，若为多分类任务，标注为0，1，2，…，N；其中，所述数据集分成训练集、测试集和验证集，划分比例时训练集占整体数据集样本数量的70％～80％，剩下的样本数量再进行划分为验证集和测试集，验证集和测试集的比例采用1：1或者1：2；

所述训练集的准确识别率在90％以上即可认为该网络训练完成；

步骤五：构建卷积神经网络；

通过步骤四得到的训练集对卷积神经网络进行训练；

步骤六：训练优化神经网络模型；

通过调节卷积神经网路的超参数，超参数包括学习率、批次大小、卷积核尺寸、激活函数、优化函数以及损失函数，完成网络训练；其中，通过训练样本集对卷积神经网络进行训练，卷积神经网络共5层，共有4个卷积层，每一个卷积层后进行批标准化处理，起到网络收敛以及提高正确率的作用，每个卷积层之后均连接最大池化层；最后一层为全连接层，使用Adam优化器优化整个网络模型，并且利用Binary cross-entropy作为网络模型的损失函数；

步骤七：实现水下目标识别任务；

将待测数据经过步骤一至步骤三之后，通过步骤六训练好的神经网络模型给出分类结果，实现水下目标识别任务。