CN113850013A - 一种舰船辐射噪声分类方法 - Google Patents

一种舰船辐射噪声分类方法 Download PDF

Info

Publication number
CN113850013A
CN113850013A CN202110775874.4A CN202110775874A CN113850013A CN 113850013 A CN113850013 A CN 113850013A CN 202110775874 A CN202110775874 A CN 202110775874A CN 113850013 A CN113850013 A CN 113850013A
Authority
CN
China
Prior art keywords
model
signal
encoder
radiation noise
classification
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
CN202110775874.4A
Other languages
English (en)
Other versions
CN113850013B (zh
Inventor
申晓红
陈创
马石磊
王涵西
杨舸
王海燕
马高悦
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 CN202110775874.4A priority Critical patent/CN113850013B/zh
Publication of CN113850013A publication Critical patent/CN113850013A/zh
Application granted granted Critical
Publication of CN113850013B publication Critical patent/CN113850013B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/10—Noise analysis or noise optimisation
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种舰船辐射噪声分类方法，将舰船辐射噪声信号进行分帧和加窗，并进行归一化处理；搭建变分自编码器模型，优化损失函数生成仿真信号，搭建基于卷积网络的仿真信号分类模型，将网络模型进行优化，将待测的真实舰船辐射噪声片段信号输入到优化并且训练好的网络模型中，即可得到真实信号的分类概率，根据样本判别为3类目标的概率值，得到最终的舰船辐射噪声信号分类结果。本发明有效的应对由于舰船辐射噪声样本数量不足而引起的网络模型分类效果不佳的问题，在一定程度上节约了舰船辐射噪声采集试验的成本，具有很高的实用性。

Description

一种舰船辐射噪声分类方法
技术领域
本发明涉及信号处理领域，尤其是一种噪声分类方法，涉及舰船辐射噪声重构，机器学习，神经网络等理论。
背景技术
在传统的水下目标被动分类任务中十分依赖声呐兵的作用。训练有成、经验丰富的声呐兵能够根据人耳收听到的舰船目标信号的节奏、音调，在谱图的辅助下依靠自 己的经验对目标做出决策。但声呐兵的培养需要长期的投入，即便是身经百战的声呐 兵，其判断的准确程度还会受到声呐员的生理和心理因素影响，难以保证永远有稳定 可靠的发挥。由于舰船辐射噪声信号来之不易，敌国的舰船辐射噪声信号更是无从获 取，因此可靠且有效的舰船辐射噪声数据集少之又少，舰船辐射噪声信号分类方面的 研究一直受到一定程度的阻碍。因此，如何更有效的利用少量的数据集样本对舰船辐 射噪声信号进行分类，是解决当前在该方面研究受阻的重要的突破手段。
近些年来，我国的海域问题频繁出现，再一次从客观角度证明水中目标分类技术对于确保我国领海安全以及国土安全都至关重要。鉴于上述问题，开展可行有效的水 中目标分类方法的研究，对于维护我国海洋合法权益，保障海上安全，占领海上战争 主动权，具有十分重要的军事意义。
发明内容
为了克服现有技术的不足，本发明提供一种舰船辐射噪声分类方法。针对舰船辐射噪声数据集样本数量不足导致的分类器分类效果欠佳的问题，提出了一种基于变分 自编码器仿真信号的舰船辐射噪声分类方法。
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：舰船辐射噪声信号的分帧和加窗
对水听器采集到的声信号y(t)进行分帧和加窗处理，处理后的信号为 X(t)＝{xi(t)|i＝1,2,...,N}：
X(t)＝enframe(y(t))＝{xi(t)|i＝1,2,...,N}
其中，xi(t)是第i帧的片段信号，N代表总的帧长，t代表时间，enframe(·)代表分帧加窗运算，X(t)是片段信号的集合；
步骤二：舰船辐射噪声片段信号的归一化处理；
对步骤一中得到的每一个片段信号xi(t)做归一化处理；
步骤三：搭建变分自编码器模型；
变分自编码器模型VAE包含两个部分：编码器Encoder和解码器Decoder；
自编码器模型VAE表示如下：
fVAE(·)＝{Encoder(·),Decoder(·)}
其中，Encoder(·)代表编码器运算，Decoder(·)代表解码器运算，fVAE(·)代表自编码器 网络运算；
步骤四：优化损失函数生成仿真信号；
VAE模型中的损失函数包括两个部分：重构误差和分布误差；重构误差采用最小均方误差(MSE)计算，分布误差采用KL散度计算；片段信号z(t)最终经过变分自 编码器模型VAE生成仿真信号z′(t)：
Figure BDA0003155245220000021
Figure BDA0003155245220000022
μ,log(σ2)＝Encoder(z(t))
z′(t)＝Decoder(μ,log(σ2))
其中，Z′是解码器Decoder生成的仿真信号z′(t)的集合，Z是步骤二中得到的片段信号z(t)的集合，p(x)和q(x)分别是信号真实的概率分布和想要逼近的概率分布， KL(p|q)即是KL散度误差；μ和log(σ2)分别代表输入VAE的片段信号z(t)的均值和 对数方差；最终整个VAE模型的运算表示为：
z′(t)＝fVAE(z(t))
fVAE(·)代表自编码器网络运算；
步骤五：搭建基于卷积网络的仿真信号分类模型；
将步骤三中搭建的编码器Encoder模型复制一份，复制的模型称为Encoder2，然后将Encoder2模型中的第四层修改为一个全连接层，即可提取输入信号的深度特征， 将此时的Encoder2模型的前四层网络模型定义为模型F；再在Encoder2模型的第四层 之后加一个非线性激活函数，紧接着是第五层分类判别层；经过上述修改后的Encoder2 模型，重新命名为基于卷积神经网络的分类模型C；
Figure BDA0003155245220000031
Figure BDA0003155245220000032
其中k是深度特征的维度，z′Fea是片段信号z′的深度特征，Featurek是第k维的深度特征；Prob是输入分类模型C的仿真信号z′判别为每一类样本的概率，p1、p2、p3 是片段信号z′判别为样本1、样本2和样本3的概率值，fF(·)和fC(·)分别代表深度特 征提取运算和卷积神经网络分类运算；
步骤六：网络模型的优化
调整卷积神经网络模型C中的超参数，并选取不同的激活函数和梯度下降优化算法提升该卷积神经网络的表现，得到最终优化好的网络模型为C′；
优化的标准为提升网络模型C在验证集上的准确率，当无论是增大或者缩小模型的学习率都会使验证集准确率下降时，此时的模型C′为优化好的模型，最终优化好的 模型C′的分类准确率在90％以上；
步骤七：真实舰船辐射噪声数据的分类判别；
将待测的真实舰船辐射噪声片段信号ztest输入到优化并且训练好的网络模型C′
中，即可得到真实信号的分类概率：
Figure BDA0003155245220000033
其中，fC′(·)代表已经优化好的卷积神经网络分类运算，p1true,p2true,p3true分别是片 段信号ztest判别为样本1、样本2和样本3的概率值；
最后，根据样本ztest判别为3类目标的概率值，得到最终的舰船辐射噪声信号分类结果，判别依据如下：
Figure BDA0003155245220000041
其中，RJudgment代表最终的分类结果，fmax(·)输出概率值最大的类别名，如P1true最大时，
Figure BDA0003155245220000042
所述步骤二中归一化的方法如下：
Figure BDA0003155245220000043
其中μ′和σ′分别是片段信号xi(t)的均值和标准差，z(t)是做归一化处理后的片段 信号。
所述步骤三中，其中编码器Encoder包含四层：第一层是全连接层，全连接层之 后有非线性激活函数；第二层和第三层是卷积层，卷积层包含卷积、非线性激活和最 大池化；第四层包含两个全连接，分别输出信号的均值和对数方差；解码器Decoder 也有四层：第一层是全连接层，全连接层之后有非线性激活函数；第二层和第三层是 反卷积层，反卷积层包含反卷积函数和非线性激活函数；第四层是全连接层。
所述步骤六中，激活函数选择复杂度最小的ReLU函数，其运算速度最快；梯度 下降优化算法选择Adam算法。
本发明的有益效果在于针对舰船辐射噪声数据集样本数量少导致的分类模型准确 率不高的问题，提出了一种基于变分自编码器仿真信号的舰船辐射噪声分类模型优化方法。本发明中首先将真实的舰船辐射噪声信号做分帧加窗处理，以此将长段的原始 信号处理为时长较短的片段信号；再将这些片段信号经过归一化处理，投入到我所搭 建好的变分自编码器中生成舰船辐射噪声仿真信号；然后利用我所搭建的卷积神经网 络模型提取仿真信号的深层特征实现卷积神经网络模型的优化和训练；最后将真实的 舰船辐射噪声信号投入到优化并训练好的卷积神经网络分类模型中，实现真实舰船辐 射噪声信号的分类判别。应用本发明中的变分自编码器网络可以有效的应对由于舰船 辐射噪声样本数量不足而引起的网络模型分类效果不佳的问题，在一定程度上节约了 舰船辐射噪声采集试验的成本，具有很高的实用性。同时，通过本专利的研究，不但 可以深化人工智能方法在海洋领域的理论基础，而且对于当前军事技术智能化变革发 展具有重要的现实意义，因此本发明具有很高的学术理论与军事应用价值。
附图说明
图1是本发明一种基于变分自编码器仿真信号的舰船辐射噪声分类模型优化算法框图。
图2是本发明变分自编码器VAE的模型结构。
图3是本发明卷积神经网络判别器C的模型结构。
图4是本发明变分自编码器VAE生成的仿真信号与真实信号时域图像的对比，其中图4(a)为真实信号目标1的时域图像，图4(b)为VAE信号目标1的时域图像，图4(c)为真 实信号目标2的时域图像，图4(d)为VAE信号目标2的时域图像，图4(e)为真实信号目 标3的时域图像，图4(f)为VAE信号目标3的时域图像。
图5是本发明变分自编码器VAE生成的仿真信号与真实信号频域图像的对比，图 5(a)为真实信号目标1的频域图像，图5(b)为VAE信号目标1的频域图像，图5(c)为真实 信号目标2的频域图像，图5(d)为VAE信号目标2的频域图像，图5(e)为真实信号目标3 的频域图像，图5(f)为VAE信号目标3的频域图像。
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。
针对舰船辐射噪声数据集样本数量不足导致的分类器分类效果欠佳的问题，提出了一种基于变分自编码器仿真信号的舰船辐射噪声分类模型优化算法。
本发明的具体实施步骤如下：
步骤一：舰船辐射噪声信号的分帧和加窗
水听器采集到的原始音频数据为y(t)，对y(t)进行分帧和加窗处理。窗长为1s，滑动步长为0.5s，即每个原始音频将产生119个长度为1s的片段信号x(t)，片段信号 的集合为X(t)＝{xi(t)|i＝1,2,...,119}：
X(t)＝enframe(y(t))＝{xi(t)|i＝1,2,...,119}
其中，xi(t)是第i帧的片段信号；N代表总的帧长，在这里是119；t代表时间；enframe(·)代表分帧加窗运算，X(t)是处理后信号的集合。
步骤二：舰船辐射噪声片段信号的归一化处理
因为切割后的片段信号xi(t)的幅值可能会很大或是很小，这对于神经网络来说会 很难训练并收敛，因此要对这些片段信号做归一化处理，将它们的幅度缩放到0-1之间，归一化的方法如下：
Figure BDA0003155245220000061
其中μ′和σ′分别是片段信号xi(t)的均值和标准差，z(t)是做归一化处理后的片段 信号。
步骤三：搭建变分自编码器模型
变分自编码器模型VAE包含两个部分：编码器Encoder和解码器Decoder。输入 编码器Encoder的数据形状为(4096,1)。其中编码器Encoder包含四层：第一层是全连 接层，全连接层之后有非线性激活函数；第二层和第三层是卷积层，卷积层包含卷积、 非线性激活和最大池化；第四层包含两个全连接，分别输出信号的均值和对数方差。 编码器Encoder输出的数据形状为(16,1)，因此输入解码器Decoder也同样是(16,1)，同 时输入解码器Decoder的数据要满足标准正态分布。解码器Decoder也有四层：第一 层是全连接层，全连接层之后有非线性激活函数；第二层和第三层是反卷积层，反卷 积层包含反卷积函数和非线性激活函数；第四层是全连接层：
fVAE(·)＝{Encoder(·),Decoder(·)}
其中，Encoder(·),Decoder(·)代表编码器运算和解码器运算，fVAE(·)代表自编码器网 络运算。
步骤四：优化损失函数生成仿真信号
变分自编码器模型VAE中的损失函数包括两个部分：重构误差和分布误差。重构误差采用最小均方误差(MSE)计算，分布误差采用KL散度计算。片段信号z(t)最 终经过变分自编码器模型VAE生成仿真信号z′(t)：
Figure BDA0003155245220000062
Figure BDA0003155245220000063
μ,log(σ2)＝Encoder(z(t))
z′(t)＝Decoder(μ,log(σ2))
其中，Z′是解码器Decoder生成的仿真信号z′(t)的集合，Z是步骤二中得到的片段信号z(t)的集合。p(x)和q(x)分别是信号真实的概率分布和想要逼近的概率分布， KL(p|q)即是KL散度误差。μ和log(σ2)分别代表输入VAE的片段信号z(t)的均值和 对数方差。变分自编码器模型VAE中，需要让编码器Encoder输出的均值μ和对数方 差log(σ2)服从标准正态分布，即μ＝1，log(σ2)＝0，以便于后续生成仿真信号，因此 q(x)就表示标准正态分布的概率分布，所以KL散度表达式简化为：
Figure BDA0003155245220000072
本发明中要解决的是由于真实信号的数据集样本数量过少的问题，因此利用训练好的变分自编码器模型VAE生成每一类目标10000个，它们的形状都和输入VAE的 形状相同，是(4096,1)。最终整个VAE模型的运算表示为：
z′(t)＝fVAE(z(t))
fVAE(·)代表自编码器网络运算。
步骤五：搭建基于卷积网络的仿真信号分类模型
将步骤三中搭建的编码器Encoder模型中的第四层修改为一个全连接层，即可提取输入信号的深度特征，将这里的前四层网络模型定义为模型F；再在第四层之后加 一个非线性激活函数，紧接着是第五层：分类判别层，这样就可以得到基于卷积神经 网络的分类模型C：
Figure BDA0003155245220000073
Figure BDA0003155245220000074
其中k是深度特征的维数，Featurek是第k维的深度特征，z′Fea是片段信号z′的深度特征。所搭建的网络模型F中提取的深度特征是32维，因此k是32；Prob是输入 分类模型C的仿真信号z′判别为每一类样本的概率，p1、p2、p3是判别为样本1、样 本2和样本3的概率值，fF(·)和fC(·)分别代表深度特征提取运算和卷积神经网络分类 运算。
搭建的基于卷积神经网络的分类模型C一共有5层：第一、第四和第五层均是全 连接层，其中第一层和第四层全连接层中还包含有非线性激活；第二层和第三层是卷 积层(包含卷积、非线性激活和最大池化)。在训练网络模型C的过程中每一次训练 的批大小为64，即每次输入模型C的样本zbatch形状为(64,4096)。模型C的第一层全连 接层的神经元数量为4096×1024，因此样本zbatch经过第一层之后形状变为(64,1024)。在 zbatch输入第二层之前先将它进行升维，将其形状改变为(64,1,32,32)。第二层卷积层中 卷积核的大小是3×3×1，卷积核的数量是4，采用SAME填充，接着将它的输出经过 ReLU非线性激活函数，再经过一个最大池化，池化滤波器的大小为4×4，步长为4， 所以经过第二层卷积层的zbatch形状为(64,4,8,8)。第三层卷积层中卷积核的大小是 3×3×4，卷积核的数量是8，采用SAME填充，接着将它的输出经过ReLU非线性激 活函数，再经过一个最大池化，池化滤波器的大小为2×2，步长为2，所以经过第三 层卷积层的zbatch形状为(64,8,4,4)。然后将zbatch降维成(64,128)再输入第四层全连接层， 它的神经元数量为128×16，此时zbatch形状变为(64,16)。最后经过第五层全连接层和 Softmax函数即可得到zbatch中的64个样本判别为每一类的概率。
步骤六：网络模型的优化
通过调整卷积神经网络模型C中的超参数以改善该网络的学习能力和性能表现，可调整的超参数包括网络的学习率α、每次学习的批次大小batch_size、卷积核的尺寸kernel_size和数量num等，此外还可以通过选取不同的激活函数和梯度下降优化算法 来提升该卷积神经网络的表现。
最终优化好的网络模型为C′。其中主要的超参数及优化算法如表1所示：
表1卷积神经网络超参数设置
Figure BDA0003155245220000081
步骤七：真实舰船辐射噪声数据的分类判别
将待测的真实舰船辐射噪声片段信号ztest输入到已经优化并且训练好的网络模型 C′中，即可得到真实信号的分类概率：
Figure BDA0003155245220000091
其中，fC′(·)代表已经优化好的卷积神经网络分类运算。p1true,p2true,p3true分别是片 段信号ztest判别为样本1、样本2和样本3的概率值。
最后，根据样本ztest判别为3类目标的概率值，得到最终的舰船辐射噪声信号分类结果，判别依据如下：
Figure BDA0003155245220000092
其中，RJudgment代表最终的分类结果，fmax(·)输出概率值最大的类别名，如P1true最大时，
Figure BDA0003155245220000093
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 (4)

1.一种舰船辐射噪声分类方法，其特征在于包括下述步骤：
步骤一：舰船辐射噪声信号的分帧和加窗
对水听器采集到的声信号y(t)进行分帧和加窗处理，处理后的信号为X(t)＝{xi(t)|i＝1,2,...,N}：
X(t)＝enframe(y(t))＝{xi(t)|i＝1,2,...,N}
其中，xi(t)是第i帧的片段信号，N代表总的帧长，t代表时间，enframe(·)代表分帧加窗运算，X(t)是片段信号的集合；
步骤二：舰船辐射噪声片段信号的归一化处理；
对步骤一中得到的每一个片段信号xi(t)做归一化处理；
步骤三：搭建变分自编码器模型；
变分自编码器模型VAE包含两个部分：编码器Encoder和解码器Decoder；
自编码器模型VAE表示如下：
fVAE(·)＝{Encoder(·),Decoder(·)}
其中，Encoder(·)代表编码器运算，Decoder(·)代表解码器运算，fVAE(·)代表自编码器网络运算；
步骤四：优化损失函数生成仿真信号；
VAE模型中的损失函数包括两个部分：重构误差和分布误差；重构误差采用最小均方误差计算，分布误差采用KL散度计算；片段信号z(t)最终经过变分自编码器模型VAE生成仿真信号z′(t)：
Figure FDA0003155245210000011
Figure FDA0003155245210000012
μ,log(σ2)＝Encoder(z(t))
z′(t)＝Decoder(μ,log(σ2))
其中，Z′是解码器Decoder生成的仿真信号z′(t)的集合，Z是步骤二中得到的片段信号z(t)的集合，p(x)和q(x)分别是信号真实的概率分布和想要逼近的概率分布，KL(p|q)即是KL散度误差；μ和log(σ2)分别代表输入VAE的片段信号z(t)的均值和对数方差；最终整个VAE模型的运算表示为：
z′(t)＝fVAE(z(t))
fVAE(·)代表自编码器网络运算；
步骤五：搭建基于卷积网络的仿真信号分类模型；
将步骤三中搭建的编码器Encoder模型复制一份，复制的模型称为Encoder2，然后将Encoder2模型中的第四层修改为一个全连接层，即可提取输入信号的深度特征，将此时的Encoder2模型的前四层网络模型定义为模型F；再在Encoder2模型的第四层之后加一个非线性激活函数，紧接着是第五层分类判别层；经过上述修改后的Encoder2模型，重新命名为基于卷积神经网络的分类模型C；
Figure FDA0003155245210000021
Figure FDA0003155245210000022
其中k是深度特征的维度，z′Fea是片段信号z′的深度特征，Featurek是第k维的深度特征；Prob是输入分类模型C的仿真信号z′判别为每一类样本的概率，p1、p2、p3是片段信号z′判别为样本1、样本2和样本3的概率值，fF(·)和fC(·)分别代表深度特征提取运算和卷积神经网络分类运算；
步骤六：网络模型的优化
调整卷积神经网络模型C中的超参数，并选取不同的激活函数和梯度下降优化算法提升该卷积神经网络的表现，得到最终优化好的网络模型为C′；
优化的标准为提升网络模型C在验证集上的准确率，当无论是增大或者缩小模型的学习率都会使验证集准确率下降时，此时的模型C′为优化好的模型，最终优化好的模型C′的分类准确率在90％以上；
步骤七：真实舰船辐射噪声数据的分类判别；
将待测的真实舰船辐射噪声片段信号ztest输入到优化并且训练好的网络模型C′中，即可得到真实信号的分类概率：
Figure FDA0003155245210000031
其中，fC′(·)代表已经优化好的卷积神经网络分类运算，p1true,p2true,p3true分别是片段信号ztest判别为样本1、样本2和样本3的概率值；
最后，根据样本ztest判别为3类目标的概率值，得到最终的舰船辐射噪声信号分类结果，判别依据如下：
Figure FDA0003155245210000032
其中，RJudgment代表最终的分类结果，fmax(·)输出概率值最大的类别名，如P1true最大时，
Figure FDA0003155245210000033
2.根据权利要求1所述的舰船辐射噪声分类方法，其特征在于：
所述步骤二中归一化的方法如下：
Figure FDA0003155245210000034
其中μ′和σ′分别是片段信号xi(t)的均值和标准差，z(t)是做归一化处理后的片段信号。
3.根据权利要求1所述的舰船辐射噪声分类方法，其特征在于：
所述步骤三中，其中编码器Encoder包含四层：第一层是全连接层，全连接层之后有非线性激活函数；第二层和第三层是卷积层，卷积层包含卷积、非线性激活和最大池化；第四层包含两个全连接，分别输出信号的均值和对数方差；解码器Decoder也有四层：第一层是全连接层，全连接层之后有非线性激活函数；第二层和第三层是反卷积层，反卷积层包含反卷积函数和非线性激活函数；第四层是全连接层。
4.根据权利要求1所述的舰船辐射噪声分类方法，其特征在于：
所述步骤六中，激活函数选择ReLU函数，梯度下降优化算法选择Adam算法。
CN202110775874.4A 2021-07-09 2021-07-09 一种舰船辐射噪声分类方法 Active CN113850013B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110775874.4A CN113850013B (zh) 2021-07-09 2021-07-09 一种舰船辐射噪声分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110775874.4A CN113850013B (zh) 2021-07-09 2021-07-09 一种舰船辐射噪声分类方法

Publications (2)

Publication Number Publication Date
CN113850013A true CN113850013A (zh) 2021-12-28
CN113850013B CN113850013B (zh) 2022-09-13

Family

ID=78975104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110775874.4A Active CN113850013B (zh) 2021-07-09 2021-07-09 一种舰船辐射噪声分类方法

Country Status (1)

Country Link
CN (1) CN113850013B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881120A (zh) * 2022-04-19 2022-08-09 国网江苏省电力有限公司南通供电分公司 基于深度自编码器和聚类的台区户变关系识别方法和系统
CN116499607A (zh) * 2023-06-27 2023-07-28 之江实验室 一种光纤传感信号降噪方法、装置和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027454A (zh) * 2019-12-06 2020-04-17 西安电子科技大学 基于深度密集连接和度量学习的sar舰船目标分类方法
CN112307926A (zh) * 2020-10-26 2021-02-02 西北工业大学 一种基于生成对抗网络的声学被动式舰船目标分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027454A (zh) * 2019-12-06 2020-04-17 西安电子科技大学 基于深度密集连接和度量学习的sar舰船目标分类方法
CN112307926A (zh) * 2020-10-26 2021-02-02 西北工业大学 一种基于生成对抗网络的声学被动式舰船目标分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李海涛等: "融合人耳听觉特性与SAE模型的船舶辐射噪声分类方法", 《舰船科学技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881120A (zh) * 2022-04-19 2022-08-09 国网江苏省电力有限公司南通供电分公司 基于深度自编码器和聚类的台区户变关系识别方法和系统
CN114881120B (zh) * 2022-04-19 2023-12-26 国网江苏省电力有限公司南通供电分公司 基于深度自编码器和聚类的台区户变关系识别方法和系统
CN116499607A (zh) * 2023-06-27 2023-07-28 之江实验室 一种光纤传感信号降噪方法、装置和存储介质
CN116499607B (zh) * 2023-06-27 2023-09-08 之江实验室 一种光纤传感信号降噪方法、装置和存储介质

Also Published As

Publication number Publication date
CN113850013B (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
CN110807365B (zh) 一种基于gru与一维cnn神经网络融合的水下目标识别方法
CN110245608B (zh) 一种基于半张量积神经网络的水下目标识别方法
CN112364779B (zh) 信号处理与深-浅网络多模型融合的水声目标识别方法
CN113850013B (zh) 一种舰船辐射噪声分类方法
CN109559736B (zh) 一种基于对抗网络的电影演员自动配音方法
CN110534132A (zh) 一种基于谱图特征的并行卷积循环神经网络的语音情感识别方法
CN106952649A (zh) 基于卷积神经网络和频谱图的说话人识别方法
CN106782511A (zh) 修正线性深度自编码网络语音识别方法
CN109493874A (zh) 一种基于卷积神经网络的生猪咳嗽声音识别方法
CN105488466B (zh) 一种深层神经网络和水声目标声纹特征提取方法
CN111477247B (zh) 基于gan的语音对抗样本生成方法
CN112215054B (zh) 一种用于水声信号去噪的深度生成对抗方法
CN113191178B (zh) 一种基于听觉感知特征深度学习的水声目标识别方法
CN109616104A (zh) 基于关键点编码和多脉冲学习的环境声音识别方法
CN111951824A (zh) 一种基于声音判别抑郁症的检测方法
CN113707158A (zh) 一种基于VGGish迁移学习网络的电网危害鸟种鸣声识别方法
CN112183582A (zh) 一种多特征融合的水下目标识别方法
CN113109782B (zh) 一种直接应用于雷达辐射源幅度序列的分类方法
CN107731235A (zh) 抹香鲸与长鳍领航鲸叫声脉冲特征提取和分类方法及装置
CN113571095B (zh) 基于嵌套深度神经网络的语音情感识别方法和系统
CN113111786B (zh) 基于小样本训练图卷积网络的水下目标识别方法
CN110598737B (zh) 一种深度学习模型的在线学习方法、装置、设备及介质
CN108538301A (zh) 一种基于神经网络音频技术的智能数码乐器
CN116561533A (zh) 一种教育元宇宙中虚拟化身的情感演化方法及终端
CN116434758A (zh) 声纹识别模型训练方法、装置、电子设备及存储介质

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