CN114398925A - 一种基于多特征的舰船辐射噪声样本长度选取方法与系统 - Google Patents

一种基于多特征的舰船辐射噪声样本长度选取方法与系统 Download PDF

Info

Publication number
CN114398925A
CN114398925A CN202111661943.5A CN202111661943A CN114398925A CN 114398925 A CN114398925 A CN 114398925A CN 202111661943 A CN202111661943 A CN 202111661943A CN 114398925 A CN114398925 A CN 114398925A
Authority
CN
China
Prior art keywords
sample
feature
radiation noise
sample length
ship
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.)
Pending
Application number
CN202111661943.5A
Other languages
English (en)
Inventor
齐洁
王凌哲
孙海信
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.)
Xiamen University
Original Assignee
Xiamen 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 Xiamen University filed Critical Xiamen University
Priority to CN202111661943.5A priority Critical patent/CN114398925A/zh
Publication of CN114398925A publication Critical patent/CN114398925A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • 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
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Complex Calculations (AREA)

Abstract

本发明给出了一种基于多特征的舰船辐射噪声样本长度选取方法与系统，包括以不同的样本长度对舰船辐射噪声进行分割，形成不同的舰船辐射噪声样本集；分别对每个所述舰船辐射噪声样本集进行特征提取，所述特征提取包括分别提取多种特征；针对每个所述舰船辐射噪声样本集，将提取出的每种特征分别输入到分类器中进行训练，计算出每种特征对应的识别率；针对每种特征根据其对应的识别率确定样本长度和识别率的关联信息，对每种特征所得到的所述关联信息进行综合判决，从而选取出所需的样本长度。本发明相较于传统的随机选取样本长度的方式，增加了样本携带的信息量，减少后续过程的处理时间。

Description

一种基于多特征的舰船辐射噪声样本长度选取方法与系统
技术领域
本发明涉及水声通信对抗技术领域，尤其是一种基于多特征的舰船辐射噪声样本长度选取方法与系统。
背景技术
未来的战争是信息战的较量，信息战在现代军事战争中占重要位置。
近年来，在水声通信对抗领域，水下目标特征提取与识别成为了世界各国研究的热点。一般来说，水下环境中，声信号的传播距离要远远大于其余信号的传播距离，并且能够通过声呐设备截获，所以水下目标的特征提取与目标识别往往是基于目标的声信号来进行。
舰船能够搭载大量的武器设备和运送人员，在现代海洋战争中占据重要地位。不同的舰船目标需要不同的打击策略，所以舰船目标的识别分类在军事部署中有着十分重要的作用。舰船辐射噪声是舰船目标在行进过程不可避免产生的噪声信号，也就是说能够通过这种不可避免的声信号对舰船目标进行识别分类是一种行之有效的方式。
船舶辐射噪声通由机械、水动力和螺旋桨噪声组合而成。机械噪声由柴油机、发电机和空调机组产生，主要包括线谱。水动力噪声是具有连续频谱的时间平稳信号，而螺旋桨噪声一般分为非空化噪声和空化噪声。后者是主要成分，包括连续谱和线谱，其叠加导致非正态频率分布。同时，存在环境噪声，以及传播过程中的多径和多普勒效应，使舰船辐射噪声具有非线性、非高斯、非平稳三种特性。
对舰船辐射噪声进行识别时，首先就要考虑在进行样本分割时每个样本的长度。当样本长度过短，就很难提取到舰船辐射噪声的特征；样本长度过长，就会造成提取特征的时间过长，同时也会导致分类时间较长。但在现有的对舰船辐射噪声的研究中，并没有一个具体的舰船辐射噪声长度的选取标准。
发明内容
本发明提出了一种基于多特征的舰船辐射噪声样本长度选取方法与系统，以解决上文提到的现有技术的缺陷。
在一个方面，本发明提出了一种基于多特征的舰船辐射噪声样本长度选取方法，该方法包括以下步骤：
S1：以不同的样本长度对舰船辐射噪声进行分割，形成不同的舰船辐射噪声样本集；
S2：分别对每个所述舰船辐射噪声样本集进行特征提取，所述特征提取包括分别提取多种特征；
S3：针对每个所述舰船辐射噪声样本集，将提取出的每种特征分别输入到分类器中进行训练，计算出每种特征对应的识别率；
S4：针对每种特征根据其对应的识别率确定样本长度和识别率的关联信息，对每种特征所得到的所述关联信息进行综合判决，从而选取出所需的样本长度。
以上方法根据舰船辐射噪声信号的特点，通过梅尔频率倒谱系数(MFCC)、伽玛通频率倒谱系数(GFCC)、样本熵(SE)、色散熵(DE)和多尺度加权排列熵(MWPE)这五种能够反应信号不同方面参数的特征作为分类的依据，并采用支持向量机(SVM)作为分类器观察其在不同样本长度下的识别结果，选取合适的样本长度。利用上述步骤选取的样本长度，既能够保有信号绝大部分的特质，能够保证样本能够提取出有效的特征；同时又在此基础上尽可能减少每个样本的长度来减少在进行特征提取和目标识别过程的处理时间。本方法相较于传统的随机选取样本长度的方式，增加了样本携带的信息量，减少后续过程的处理时间。
在具体的实施例中，每个所述舰船辐射噪声样本集中包含多个具有相同的样本长度的样本，不同的舰船辐射噪声样本集中的样本具有不同的样本长度。
在具体的实施例中，所述特征包括：梅尔频率倒谱系数(MFCC)、伽玛通频率倒谱系数(GFCC)、色散熵(DE)、样本熵(SE)和多尺度加权排列熵(MWPE)。本方法采用了MFCC，GFCC,DE,SE,MWPE五种能够反应信号不同方面性质的特征作为参数。
在具体的实施例中，所述将提取出的每种特征分别输入到分类器中进行训练，计算出每种特征对应的识别率，具体包括：
将提取出的每种特征分别输入到支持向量机(SVM)中进行训练。
在具体的实施例中，所述S3具体包括：
针对每个所述舰船辐射噪声样本集，将提取出的每种特征分别输入到分类器中进行训练，从而根据每个所述舰船辐射噪声样本集基于每种特征进行训练识别出结果，再根据结果计算对应的识别率。
在具体的实施例中，所述S4具体包括：
结合每个所述舰船辐射噪声样本集的不同的样本长度，绘制出每种特征对应的用于表征样本长度和识别率关系的识别率曲线，再根据所述识别率曲线的收敛状态进行决策级的综合判决，从而选取出所需的样本长度。
在具体的实施例中，所述根据所述识别率曲线的收敛状态进行决策级的综合判决，从而选取出所需的样本长度，具体包括：选取每种特征对应的所述识别率曲线中曲线开始收敛时的样本长度，再对选取出的样本长度进行分析，选取使得所有识别率曲线都收敛的样本长度作为所需的样本长度。
根据本发明的第二方面，提出了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机处理器执行时实施上述方法。
根据本发明的第三方面，提出一种基于多特征的舰船辐射噪声样本长度选取系统，该系统包括：
噪声样本分割模块：配置用于以不同的样本长度对舰船辐射噪声进行分割，形成不同的舰船辐射噪声样本集；
特征提取模块：配置用于分别对每个所述舰船辐射噪声样本集进行特征提取，所述特征提取包括分别提取多种特征；
特征识别模块：配置用于针对每个所述舰船辐射噪声样本集，将提取出的每种特征分别输入到分类器中进行训练，计算出每种特征对应的识别率；
样本长度选取模块：配置用于针对每种特征根据其对应的识别率确定样本长度和识别率的关联信息，对每种特征所得到的所述关联信息进行综合判决，从而选取出所需的样本长度。
本发明以不同的样本长度对舰船辐射噪声进行分割，形成不同的舰船辐射噪声样本集；分别对每个所述舰船辐射噪声样本集进行特征提取，所述特征提取包括分别提取多种特征；针对每个所述舰船辐射噪声样本集，将提取出的每种特征分别输入到分类器中进行训练，计算出每种特征对应的识别率；针对每种特征根据其对应的识别率确定样本长度和识别率的关联信息，对每种特征所得到的所述关联信息进行综合判决，从而选取出所需的样本长度。本发明相较于传统的随机选取样本长度的方式，增加了样本携带的信息量，减少后续过程的处理时间。
附图说明
包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点，因为通过引用以下详细描述，它们变得被更好地理解。通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明的一个实施例的一种基于多特征的舰船辐射噪声样本长度选取方法的流程图；
图2是本发明的一个具体的实施例的梅尔频率倒谱系数算法流程图；
图3是本发明的一个具体的实施例的梅尔频率倒谱系数特征图；
图4是本发明的一个具体的实施例的伽玛通频率倒谱系数算法流程图；
图5是本发明的一个具体的实施例的伽玛通频率倒谱系数特征图；
图6是本发明的一个具体的实施例的多特征识别结果图；
图7是本发明的一个实施例的一种基于多特征的舰船辐射噪声样本长度选取系统的框架图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本发明的一个实施例的一种基于多特征的舰船辐射噪声样本长度选取方法，图1示出了根据本发明的实施例的一种基于多特征的舰船辐射噪声样本长度选取方法的流程图。如图1所示，该方法包括以下步骤：
S1：以不同的样本长度对舰船辐射噪声进行分割，形成不同的舰船辐射噪声样本集；
S2：分别对每个所述舰船辐射噪声样本集进行特征提取，所述特征提取包括分别提取多种特征；
S3：针对每个所述舰船辐射噪声样本集，将提取出的每种特征分别输入到分类器中进行训练，计算出每种特征对应的识别率；
S4：针对每种特征根据其对应的识别率确定样本长度和识别率的关联信息，对每种特征所得到的所述关联信息进行综合判决，从而选取出所需的样本长度。
在具体的实施例中，每个所述舰船辐射噪声样本集中包含多个具有相同的样本长度的样本，不同的舰船辐射噪声样本集中的样本具有不同的样本长度。
在具体的实施例中，所述特征包括：梅尔频率倒谱系数(MFCC)、伽玛通频率倒谱系数(GFCC)、色散熵(DE)、样本熵(SE)和多尺度加权排列熵(MWPE)。
在具体的实施例中，所述将提取出的每种特征分别输入到分类器中进行训练，计算出每种特征对应的识别率，具体包括：
将提取出的每种特征分别输入到支持向量机(SVM)中进行训练。
在具体的实施例中，所述S3具体包括：
针对每个所述舰船辐射噪声样本集，将提取出的每种特征分别输入到分类器中进行训练，从而根据每个所述舰船辐射噪声样本集基于每种特征进行训练识别出结果，再根据结果计算对应的识别率。
在具体的实施例中，所述S4具体包括：
结合每个所述舰船辐射噪声样本集的不同的样本长度，绘制出每种特征对应的用于表征样本长度和识别率关系的识别率曲线，再根据所述识别率曲线的收敛状态进行决策级的综合判决，从而选取出所需的样本长度。
在具体的实施例中，所述根据所述识别率曲线的收敛状态进行决策级的综合判决，从而选取出所需的样本长度，具体包括：选取每种特征对应的所述识别率曲线中曲线开始收敛时的样本长度，再对选取出的样本长度进行分析，选取使得所有识别率曲线都收敛的样本长度作为所需的样本长度。
为了详细的介绍本发明的内容，下面对一些概念进行阐述或者规定：
定义一：梅尔频率倒谱系数(MFCC)
MFCC是基于通过耳蜗的模拟声信号的特性的特征参数，其中Mel标度描述了人耳频率的非线性特征，MFCC是在这个频率的非线性特征下提取的倒谱系数。频率和梅尔标度之间的关系可以使用以下等式来近似：
Figure BDA0003450221170000061
其中，f为信号的频率，其余参数是由耳蜗模型得到的参数。信号通过高通滤波器进行预加权，分成长度为256帧的帧，同时对每一帧应用汉明窗，增强两端的连续性。接下来，对这些帧应用快速傅立叶变换，然后基于梅尔尺度通过三角形滤波器组。之后，计算每个滤波器输出的对数能量，并应用离散余弦变换(DCT)最终获得MFCC特征。
定义二：伽玛通频率倒谱系数
伽玛通滤波器模拟人耳的频谱分析和选频特性，具有很强的抗噪能力，在强干扰环境下保持良好的分类性能。它是一个带通滤波器，在时域中定义为：
g(t,fc)＝Atn-1e-2πbtcos(2πfct+φ)
其中，n为滤波器阶数，A为滤波器增益，b为滤波器的衰减因子，fc为中心频率，φ为滤波器的相位。
伽玛通滤波器组是使用一系列具有不同中心频率的伽玛通滤波器组合形成的。中心频率首先通过将等效带宽标度等分得到，然后映射到线性标度以确定每个伽玛通滤波器的中心频率。之后，可以使用对数运算和离散余弦变换(DCT)获得特征GFCC参数。
定义三：样本熵
样本熵是通过度量信号中产生新模式的概率大小来衡量时间序列复杂性，新模式产生的概率越大，序列的复杂性就越大。样本熵的计算不依赖数据长度；样本熵具有更好的一致性，即参数m和r的变化对样本熵的影响程度是相同的。样本熵的值越低，序列自我相似性就越高；样本熵的值越大，样本序列就越复杂。
对N个数据组成的时间序列{x(n)}＝x(1),x(2),...,x(N)，样本熵的计算方法如下：
(1)按序号组成一组维数为m的向量序列，Xm(1),...,Xm(N-m+1)，其中， Xm(i)＝{x(i),x(i+1),...,x(i+m-1)},1≤i≤N-m+1，这些向量代表从第i个点开始的m的连续的x的值。
(2)定义向量Xm(i)与Xm(j)之间的距离d[Xm(i),Xm(j)]为两者对应元素中最大差值的绝对值。即：
d[Xm(i),Xm(j)]＝maxk＝0,...,m-1(|x(i+k)-x(j+k)|)
(3)对于给定的Xm(i)，统计Xm(i)与Xm(j)之间的距离小于等于r的 j(1≤j≤N-m,j≠i)的数目，并记作Bi。对于1≤j≤N-m，定义：
Figure BDA0003450221170000071
(4)定义B(m)(r)为：
Figure BDA0003450221170000081
(5)重复(1)～(4)中的步骤，得到Bm+1(r)。
(6)得到样本熵：
Figure BDA0003450221170000082
定义四：色散熵
色散熵是用于衡量时间序列复杂性和不规则性的度量，它对频率、幅度和时间序列带宽的变化很敏感，不需要对每个嵌入向量的幅度值进行排序。色散熵的计算效率很高。计算方法如下：
(1)用正态分布函数把x映射到y＝{yj,j＝1,2,...,N},yj∈(0,1)，正态分布为：
Figure BDA0003450221170000083
其中，μ和σ表示为时间序列x的期望和标准差。
(2)使用线性映射将y映射到[1,2,...,c]范围内：
Figure BDA0003450221170000084
c为种类数量。
(3)计算嵌入向量
Figure BDA0003450221170000085
Figure BDA0003450221170000086
其中，m和d为嵌入维数和时间延迟。
(4)计算色散模式：
Figure BDA0003450221170000087
如果
Figure BDA0003450221170000088
Figure BDA0003450221170000089
Figure BDA00034502211700000810
的色散模式为
Figure BDA00034502211700000811
(5)计算每个色散模式的概率：
Figure BDA00034502211700000812
(6)得出色散熵：
Figure BDA00034502211700000813
定义五：多尺度加权排列熵
排列熵适用于时间序列，因为它测量它们的随机性并检测它们的动态变化。它可以通过相邻值的比较快速获得。加权排列熵是一种基于PE的改进算法，它充分考虑了同阶相邻向量的幅度可能不同。多尺度分析可用于估计不同尺度原始数据的复杂度。基于多尺度分析和加权排列熵，多尺度加权排列熵可以更好的分析信号多个尺度的加权排列熵，更加适合三非信号的分析。计算方法如下：
(1)对时间序列进行重构：
Xi＝{x(i),x(i+τ),...,x(i+(m-1)τ),i＝1,2,...,N-(m-1)τ}
其中，m为嵌入维度，τ为时间延迟。
(2)对序列按增序，x(i+(j1-1)τ)≤x(i+(j2-1)τ)≤…≤x(i+(jm-1)τ)，进行重排，若两个重排的元素相等，排序可写为： x(i+(j1-1)τ)≤x(i+(j2-1)τ)(j1≤j2)，然后可得到一组符号为：
S(g)＝(j1,j2,...,jm)
(3)若符号序列的概率为P1,P2,...,Pk，可得到排列熵：
Figure BDA0003450221170000091
(4)加权排列熵中的权重可以计算为：
Figure BDA0003450221170000092
(5)计算相对加权频率：
Figure BDA0003450221170000093
(6)得到加权排列熵：
Figure BDA0003450221170000094
(7)多尺度加权排列熵则是在此基础上将时间序列进行粗粒化，并求取每个粗粒度序列的加权排列熵。进行粗粒化的时间序列为：
Figure BDA0003450221170000095
(8)得出多尺度加权排列熵：
Figure BDA0003450221170000096
下面结合具体的特征提取过程来阐述本发明的方案的具体过程：
图2示出了本发明的一个具体的实施例的梅尔频率倒谱系数算法流程图，如图2以及定义一中所示，首先要对信号进行一定的预加重，进行分帧和加窗。之后通过FFT将信号转换到频域，然后再通过梅尔滤波器组：
Figure BDA0003450221170000101
其中f为信号频率，其余参数为耳蜗模型得出的参数。之后对梅尔频率参数取对数并进行离散余弦变换即可得到最终的梅尔频率倒谱系数。
图3是本发明的一个具体的实施例的梅尔频率倒谱系数特征图，如图3 通过求出不同样本长度下的梅尔频率倒谱系数，并将其输入到支持向量机中进行分类，得出识别率，并以此作为综合判决的判据之一。
图4是本发明的一个具体的实施例的伽玛通频率倒谱系数算法流程图，如图4所示，和梅尔频率倒谱系数不同之处在于，直接对信号进行快速傅里叶变换，将信号转化到频域，之后通过伽玛通滤波器组转化到伽玛通频率，再进行取对数和离散余弦变换求取倒谱系数，最终得到伽玛通倒谱系数。
图5是本发明的一个具体的实施例的伽玛通频率倒谱系数特征图，如图 5所示，通过得出不同样本长度下的伽玛通频率倒谱系数，并将其输入到支持向量机中进行分类，得出识别率，并以此作为综合判决的判据之一。
在本实施例中，选取样本长度以100个采样点为基本单位，同时，设置样本长度的范围为：从100个采样点到2500个采样点，以此范围的样本长度分别对舰船辐射噪声样本进行切割。
图6是本发明的一个具体的实施例的多特征识别结果图，从图6中可以看出，在样本长度小于等于500个采样点的时候，MFCC特征的识别率为0。这是因为MFCC算法需要对样本信号进行分帧，而此时样本长度过短，难以获得完整的帧，所以就难以提取到有效的特征，因此识别率0。随着样本长度的不断增大，所有特征下的识别率均有稳定的上升趋势，直到长度1600 个采样点的时候，识别率达到顶峰，之后再次增加样本长度，这些特征下的识别率并没有明显的增长，而是在一定范围内不断波动，我们可以认为此时各个特征的识别率已经达到了收敛状态，因此最终选取的舰船辐射噪声的样本长度为1600个采样点。
应当认识到，以上内容是具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施方式局限于这些说明，本发明以舰船辐射噪声的样本长度选取展开，对于具有非线性，非高斯，非平稳特性，难以确定信号周期等信息的信号的样本长度选取在不脱离分发明构思的前提下，做出若干简单的推演或替换，都应当属于本发明的保护范围。
图7示出了本发明的一个实施例的一种基于多特征的舰船辐射噪声样本长度选取系统的框架图。该系统包括噪声样本分割模块701、特征提取模块 702、特征识别模块703和样本长度选取模块704。
在具体的实施例中，噪声样本分割模块701被配置用于以不同的样本长度对舰船辐射噪声进行分割，形成不同的舰船辐射噪声样本集；
特征提取模块702被配置用于分别对每个所述舰船辐射噪声样本集进行特征提取，所述特征提取包括分别提取多种特征；
特征识别模块703被配置用于针对每个所述舰船辐射噪声样本集，将提取出的每种特征分别输入到分类器中进行训练，计算出每种特征对应的识别率；
样本长度选取模块704被配置用于针对每种特征根据其对应的识别率确定样本长度和识别率的关联信息，对每种特征所得到的所述关联信息进行综合判决，从而选取出所需的样本长度。
本系统以不同的样本长度对舰船辐射噪声进行分割，形成不同的舰船辐射噪声样本集；分别对每个所述舰船辐射噪声样本集进行特征提取，所述特征提取包括分别提取多种特征；针对每个所述舰船辐射噪声样本集，将提取出的每种特征分别输入到分类器中进行训练，计算出每种特征对应的识别率；针对每种特征根据其对应的识别率确定样本长度和识别率的关联信息，对每种特征所得到的所述关联信息进行综合判决，从而选取出所需的样本长度。本发明相较于传统的随机选取样本长度的方式，增加了样本携带的信息量，减少后续过程的处理时间。
本发明的实施例还涉及一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机处理器执行时实施上文中的方法。该计算机程序包含用于执行流程图所示的方法的程序代码。需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。
本发明以不同的样本长度对舰船辐射噪声进行分割，形成不同的舰船辐射噪声样本集；分别对每个所述舰船辐射噪声样本集进行特征提取，所述特征提取包括分别提取多种特征；针对每个所述舰船辐射噪声样本集，将提取出的每种特征分别输入到分类器中进行训练，计算出每种特征对应的识别率；针对每种特征根据其对应的识别率确定样本长度和识别率的关联信息，对每种特征所得到的所述关联信息进行综合判决，从而选取出所需的样本长度。本发明相较于传统的随机选取样本长度的方式，增加了样本携带的信息量，减少后续过程的处理时间。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (9)

1.一种基于多特征的舰船辐射噪声样本长度选取方法，其特征在于，包括以下步骤：
S1：以不同的样本长度对舰船辐射噪声进行分割，形成不同的舰船辐射噪声样本集；
S2：分别对每个所述舰船辐射噪声样本集进行特征提取，所述特征提取包括分别提取多种特征；
S3：针对每个所述舰船辐射噪声样本集，将提取出的每种特征分别输入到分类器中进行训练，计算出每种特征对应的识别率；
S4：针对每种特征根据其对应的识别率确定样本长度和识别率的关联信息，对每种特征所得到的所述关联信息进行综合判决，从而选取出所需的样本长度。
2.根据权利要求1所述的方法，其特征在于，每个所述舰船辐射噪声样本集中包含多个具有相同的样本长度的样本，不同的舰船辐射噪声样本集中的样本具有不同的样本长度。
3.根据权利要求1所述的方法，其特征在于，所述特征包括：梅尔频率倒谱系数(MFCC)、伽玛通频率倒谱系数(GFCC)、色散熵(DE)、样本熵(SE)和多尺度加权排列熵(MWPE)。
4.根据权利要求1所述的方法，其特征在于，所述将提取出的每种特征分别输入到分类器中进行训练，计算出每种特征对应的识别率，具体包括：
将提取出的每种特征分别输入到支持向量机(SVM)中进行训练。
5.根据权利要求1所述的方法，其特征在于，所述S3具体包括：
针对每个所述舰船辐射噪声样本集，将提取出的每种特征分别输入到分类器中进行训练，从而根据每个所述舰船辐射噪声样本集基于每种特征进行训练识别出结果，再根据结果计算对应的识别率。
6.根据权利要求1所述的方法，其特征在于，所述S4具体包括：
结合每个所述舰船辐射噪声样本集的不同的样本长度，绘制出每种特征对应的用于表征样本长度和识别率关系的识别率曲线，再根据所述识别率曲线的收敛状态进行决策级的综合判决，从而选取出所需的样本长度。
7.根据权利要求6所述的方法，其特征在于，所述根据所述识别率曲线的收敛状态进行决策级的综合判决，从而选取出所需的样本长度，具体包括：选取每种特征对应的所述识别率曲线中曲线开始收敛时的样本长度，再对选取出的样本长度进行分析，选取使得所有识别率曲线都收敛的样本长度作为所需的样本长度。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被计算机处理器执行时实施权利要求1至7中任一项所述的方法。
9.一种基于多特征的舰船辐射噪声样本长度选取系统，其特征在于，包括：
噪声样本分割模块：配置用于以不同的样本长度对舰船辐射噪声进行分割，形成不同的舰船辐射噪声样本集；
特征提取模块：配置用于分别对每个所述舰船辐射噪声样本集进行特征提取，所述特征提取包括分别提取多种特征；
特征识别模块：配置用于针对每个所述舰船辐射噪声样本集，将提取出的每种特征分别输入到分类器中进行训练，计算出每种特征对应的识别率；
样本长度选取模块：配置用于针对每种特征根据其对应的识别率确定样本长度和识别率的关联信息，对每种特征所得到的所述关联信息进行综合判决，从而选取出所需的样本长度。
CN202111661943.5A 2021-12-31 2021-12-31 一种基于多特征的舰船辐射噪声样本长度选取方法与系统 Pending CN114398925A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111661943.5A CN114398925A (zh) 2021-12-31 2021-12-31 一种基于多特征的舰船辐射噪声样本长度选取方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111661943.5A CN114398925A (zh) 2021-12-31 2021-12-31 一种基于多特征的舰船辐射噪声样本长度选取方法与系统

Publications (1)

Publication Number Publication Date
CN114398925A true CN114398925A (zh) 2022-04-26

Family

ID=81228126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111661943.5A Pending CN114398925A (zh) 2021-12-31 2021-12-31 一种基于多特征的舰船辐射噪声样本长度选取方法与系统

Country Status (1)

Country Link
CN (1) CN114398925A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108399420A (zh) * 2018-01-30 2018-08-14 北京理工雷科电子信息技术有限公司 一种基于深度卷积网络的可见光舰船虚警剔除方法
WO2019079972A1 (zh) * 2017-10-24 2019-05-02 深圳和而泰智能控制股份有限公司 特定声音识别方法、设备和存储介质
CN109784410A (zh) * 2019-01-18 2019-05-21 西安邮电大学 一种舰船辐射噪声信号的特征提取和分类方法
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
CN113191178A (zh) * 2020-12-04 2021-07-30 中国船舶重工集团公司第七一五研究所 一种基于听觉感知特征深度学习的水声目标识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019079972A1 (zh) * 2017-10-24 2019-05-02 深圳和而泰智能控制股份有限公司 特定声音识别方法、设备和存储介质
CN108399420A (zh) * 2018-01-30 2018-08-14 北京理工雷科电子信息技术有限公司 一种基于深度卷积网络的可见光舰船虚警剔除方法
CN109784410A (zh) * 2019-01-18 2019-05-21 西安邮电大学 一种舰船辐射噪声信号的特征提取和分类方法
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
CN113191178A (zh) * 2020-12-04 2021-07-30 中国船舶重工集团公司第七一五研究所 一种基于听觉感知特征深度学习的水声目标识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李余兴;李亚安;陈晓;蔚婧;: "一种基于样本熵与EEMD的舰船辐射噪声特征提取方法", 水下无人系统学报, no. 01, 15 February 2018 (2018-02-15), pages 30 - 36 *

Similar Documents

Publication Publication Date Title
CN108711436B (zh) 基于高频和瓶颈特征的说话人验证系统重放攻击检测方法
Liu et al. Deep learning and recognition of radar jamming based on CNN
Wang et al. ia-PNCC: Noise Processing Method for Underwater Target Recognition Convolutional Neural Network.
CN107315996A (zh) 一种基于imf能量熵与pca的水下船舰噪声特征提取方法
Wu et al. Voting for the right answer: Adversarial defense for speaker verification
CN116740387A (zh) 基于连续小波变换及改进残差神经网络的水下噪声识别方法
CN113673312B (zh) 基于深度学习的雷达信号脉内调制识别方法
Wei et al. A method of underwater acoustic signal classification based on deep neural network
Shadlou Jahromi et al. Feature extraction in fractional Fourier domain for classification of passive sonar signals
CN116047427B (zh) 一种小样本雷达有源干扰识别方法
CN114117912A (zh) 一种数据模型双驱动下的海杂波建模与抑制方法
CN110865375B (zh) 一种水中目标检测方法
Chen et al. A texture-based rolling bearing fault diagnosis scheme using adaptive optimal kernel time frequency representation and uniform local binary patterns
CN114168788A (zh) 音频审核的处理方法、装置、设备及存储介质
CN114398925A (zh) 一种基于多特征的舰船辐射噪声样本长度选取方法与系统
Nguyen et al. A parallel neural network-based scheme for radar emitter recognition
CN115932808A (zh) 一种基于多特征融合的被动声纳智能探测方法
CN116665698A (zh) 一种基于希尔伯特-黄变换和Mel谱变换的脉冲声识别方法
Yi et al. Multiresolution convolutional neural network for underwater acoustic target recognition
CN113297969A (zh) 一种雷达波形识别方法及系统
Yang et al. Unsupervised classification of hydrophone signals with an improved Mel-frequency cepstral coefficient based on measured data analysis
CN113391172A (zh) 一种基于时序集成的多源超声检测的局放诊断方法及系统
CN117911852B (zh) 基于部分无监督领域自适应的水下目标距离预测方法
CN114764579B (zh) 一种舰船辐射噪声信号的去噪特征提取方法
CN115081510B (zh) 一种面向水声智能伪装的跨模态高隐蔽对抗样本生成方法及系统

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