CN114492530A - 基于生成式对抗网络的主动声呐探测波形识别方法及装置 - Google Patents

基于生成式对抗网络的主动声呐探测波形识别方法及装置 Download PDF

Info

Publication number
CN114492530A
CN114492530A CN202210103193.8A CN202210103193A CN114492530A CN 114492530 A CN114492530 A CN 114492530A CN 202210103193 A CN202210103193 A CN 202210103193A CN 114492530 A CN114492530 A CN 114492530A
Authority
CN
China
Prior art keywords
sonar
signals
detection
signal
signal sample
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
CN202210103193.8A
Other languages
English (en)
Inventor
许彦伟
刘明刚
郝程鹏
赵莉
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.)
Institute of Acoustics CAS
Original Assignee
Institute of Acoustics CAS
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 Institute of Acoustics CAS filed Critical Institute of Acoustics CAS
Priority to CN202210103193.8A priority Critical patent/CN114492530A/zh
Publication of CN114492530A publication Critical patent/CN114492530A/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
    • G06F18/2415—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
    • 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)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本申请提供了一种基于生成式对抗网络的主动声呐探测波形识别方法及装置。该方法包括：获取声呐探测器在发出探测信号之后，接收到的声呐信号；在利用GAN网络中的判别器确定声呐信号中包含探测信号对应的回波信号的情况下，利用GAN网络中的生成器对声呐信号进行畸变补偿，获得补偿后的声呐信号；利用匹配滤波器对所述补偿后的声呐信号进行匹配检波。该方法使用预先训练的生成器对声呐信号进行畸变补偿，可以解决由于水声信道发生时空频变，导致使用匹配滤波器对声呐信号进行检波时，匹配滤波器性能下降的问题。

Description

基于生成式对抗网络的主动声呐探测波形识别方法及装置
技术领域
本申请涉及水下探测技术领域，尤其涉及一种基于生成式对抗网络的主动声呐探测波形识别方法及装置。
背景技术
主动声呐是水下探测的一种方式。具体是指，声呐探测器主动向水中发出探测信号，而后接收水中目标反射的回波信号，根据回波信号识别该目标。在识别时，通常需要对回波信号进行波形检测，将目标波形信号从回波信号中检测出来。
由于匹配滤波器在白噪声背景下检测确知信号时可保证输出最大的信噪比，因此，传统的检测方法中，通常采用匹配滤波器对回波信号进行匹配检波。但进行水下探测时，安装声呐探测器的平台和水中目标的运动、以及水面和水底的多次反射等因素的干扰，会导致水声信道发生畸变，使得匹配滤波器的检测性能严重下降。
发明内容
本申请提供了一种基于生成式对抗网络的主动声呐探测波形识别方法及装置，使用生成器对接收到的回波信号进行畸变补偿，提高匹配滤波性能。
第一方面，本申请提供了一种主动声呐探测波形识别方法，应用于声呐探测器。
该方法包括：获取声呐信号；所述声呐信号包括声呐探测器在发出探测信号之后，接收到的信号；在利用GAN网络中的判别器确定所述声呐信号中包含探测信号对应的回波信号的情况下，利用所述GAN网络中的生成器对所述声呐信号进行畸变补偿，获得补偿后的声呐信号；所述GAN网络根据理想信号样本、畸变信号样本和混响信号样本训练获得；利用匹配滤波器对所述补偿后的声呐信号进行匹配相关检波。
上述方案中，通过预先训练的判别器进行波形识别，当确定声呐信号中包含回波信号时进行畸变补偿和匹配相关检波，可以提高信号处理效率。并且，使用预先训练的生成器进行畸变补偿，可以解决声呐信号由于水声信道发生时空频变引起的畸变问题，提高匹配滤波器的检波性能，以获得更加准确的波形信号。
在一种可能的实施方式中，所述GAN网络的训练过程包括：将所述混响信号样本输入所述生成器，获得所述生成器的输出；分别将波形信号样本和所述生成器的输出输入所述判别器，获得所述判别器的输出；所述波形信号样本包括所述理想信号样本和所述畸变信号样本。
在一种可能的实施方式中，所述理想信号样本通过探测信号样本卷积理想信道的传输函数获得。
在一种可能的实施方式中，所述畸变信号样本通过下述步骤获得：将探测信号样本卷积理想信道对应的畸变信道的传输函数，获得初始畸变信号样本；按照预设信号混比，将所述初始畸变信号样本和所述混响信号样本相加，获得所述畸变信号样本。
在一种可能的实施方式中，所述混响信号样本通过探测信号样本卷积混响响应函数获得。
在一种可能的实施方式中，所述畸变信道包括：平坦衰落信道、时间选择性衰落信道、频率选择性衰落信道和时间频率两维选择性衰落信道中的一种或多种。
在一种可能的实施方式中，所述利用GAN网络中的判别器确定所述声呐信号中包含探测信号对应的回波信号包括：将所述声呐信号输入所述判别器，获得所述判别器输出的概率值；根据所述概率值，确定所述声呐信号中包含探测信号对应的回波信号。
第二方面，本申请提供一种主动声呐探测波形识别装置，该装置应用于声呐探测器。该装置包括：获取模块、补偿模块和检波模块。
其中，获取模块用于获取声呐信号；所述声呐信号包括声呐探测器在发出探测信号之后，接收到的回波信号；
其中，补偿模块用于在利用GAN网络中的判别器确定所述声呐信号中包含探测信号对应的回波信号的情况下，利用所述GAN网络中的生成器对所述声呐信号进行畸变补偿，获得补偿后的声呐信号；所述GAN网络根据理想信号样本、畸变信号样本和混响信号样本训练获得；
其中，检波模块用于利用匹配滤波器对所述补偿后的声呐信号进行匹配相关检波。
在一种可能的实施方式中，所述补偿模块还用于：将所述混响信号样本输入所述生成器，获得所述生成器的输出；分别将波形信号样本和所述生成器的输出输入所述判别器，获得所述判别器的输出；所述波形信号样本包括所述理想信号样本和所述畸变信号样本。
在一种可能的实施方式中，所述补偿模块还用于通过探测信号样本卷积理想信道的传输函数获得理想信号样本。
在一种可能的实施方式中，所述补偿模块还用于通过下述步骤获得畸变信号样本：将探测信号样本卷积理想信道对应的畸变信道的传输函数，获得初始畸变信号样本；按照预设信号混比，将所述初始畸变信号样本和所述混响信号样本相加，获得所述畸变信号样本。
在一种可能的实施方式中，所述混响信号样本通过探测信号样本卷积混响响应函数获得。
在一种可能的实施方式中，所述畸变信道包括：平坦衰落信道、时间选择性衰落信道、频率选择性衰落信道和时间频率两维选择性衰落信道中的一种或多种。
在一种可能的实施方式中，所述检波模块还用于：将所述声呐信号输入所述判别器，获得所述判别器输出的概率值；根据所述概率值，确定所述声呐信号中包含探测信号对应的回波信号。
第三方面，本申请还提供一种声呐探测器。声呐探测器包括：处理器和存储器，所述处理器用于执行存储于所述存储器内的计算机指令，以实现第一方面及其可选实施方式中所述的主动声呐探测波形识别方法。
第四方面，本申请还提供一种计算机可读存储介质。包括指令，当所述指令在声呐探测器上运行时，使得所述声呐探测器执行第一方面及其可选实施方式中所述的主动声呐探测波形识别方法。
第五方面，本申请还提供一种计算机程序产品。包括程序代码，当声呐探测器运行所述计算机程序产品时，使得所述声呐探测器执行第一方面及其可选实施方式中所述的主动声呐探测波形识别方法。
上述提供的任一种装置或计算机存储介质或计算机程序产品，均用于执行上文所提供的方法，因此，其所能达到的有益效果可参考上文提供的对应方法中的对应方案的有益效果，此处不再赘述。
附图说明
图1是本申请实施例提供的一种应用场景示意图；
图2是本申请实施例提供的一种基于生成式对抗网络的主动声呐探测波形识别方法流程图；
图3是本申请实施例提供的一种生成式对抗网络的训练方法流程图；
图4是本申请实施例提供的一种生成式对抗网络的数据流向示意图；
图5是本申请实施例提供的一种主动声呐探测波形识别装置的结构示意图；
图6是本申请实施例提供的一种生成式对抗网络的训练装置的结构示意图；
图7是本申请实施例提供的一种计算设备的结构示意图。
具体实施方式
为了使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图，对本申请实施例中的技术方案进行描述。
在本申请实施例的描述中，“示例性的”、“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”、“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”、“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中，术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B这三种情况。另外，除非另有说明，术语“多个”的含义是指两个或两个以上。例如，多个系统是指两个或两个以上的系统，多个屏幕终端是指两个或两个以上的屏幕终端。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
在对声呐探测器进行检波时，匹配滤波器是常用的滤波器。D.O.North建立了匹配滤波理论，他指出，若线性时不变滤波器输入的信号是确知信号，噪声是加性平稳高斯白噪声，则在输入功率信噪比一定的条件下，使输出功率信噪比最大的滤波器为匹配滤波器。在海洋环境中，理想信道的最佳似然比检测器为匹配滤波器，等价形式为副本相关器。但由于水环境中的水声信道容易发生时空频变(具体原因见背景技术中的介绍)，并且无法知道具体水声信道的扩展时间和扩展频率，导致匹配滤波器的性能下降。
在对回波信号进行波形识别时，如果对回波信号在时间和频率的二维空间进行搜索匹配，需要耗费大量的时间，实时性难以保证。
具体地，引起回波信号多普勒频率扩展畸变的信道可建模为时间选择性衰落信道(或者称之为频率扩展信道)。频率扩展信道的最佳似然比检测器为分段副本相关器(segment replica correlator，SRC)。SRC的本质是根据信道的扩展频率(或者相干时间)，将回波信号分段后与发射信号进行副本相关并累加求和，每段内的回波信号可认为信道是无畸变的，与发射信号进行匹配滤波运算。当实际信道的扩展频率对应的相干时间与SRC检测器所采用的相干时间匹配时，SRC的检测性能最优，否则，SRC的检测性能下降严重。但是，在实际应用时，由于实际信道的相干时间很难预知，所以实际信道相干时间与SRC检测器所采用的相干时间很难匹配。
具体地，引起回波信号时间扩展的信道可建模为频率选择性衰落信道(或者称之为时间扩展信道)。时间扩展信道的最佳似然比检测器为副本相关积分器(replicacorrelation integration，RCI)。RCI检验统计量可表示为副本相关器在回波扩展时间上的积分。当实际信道的扩展时间(相干带宽)与RCI检测器所采用的扩展时间匹配时，RCI的检测性能最优，否则，实际信道扩展时间与SRC检测器所采用的扩展积分时间不匹配时，RCI的检测性能下降严重。但实际应用时，由于实际信道的扩展时间很难预知，所以实际信道扩展时间与RCI检测器所采用的扩展时间很难匹配。
对此，本申请实施例提供一种基于生成式对抗网络的主动声呐探测波形识别方法。具体是，利用信号样本预先训练生成式对抗网络(generative adversarial networks，GAN)。如图1所示，在检波时，利用GAN中的生成器对声呐探测器的回波信号进行畸变补偿。下面结合图1进行具体介绍。
图2是本申请实施例提供的一种基于生成式对抗网络的主动声呐探测波形识别方法流程图。如图2所示，该方法包括如下的步骤S201-S203。
在步骤S201中，获取声呐探测器接收的声呐信号。
在进行水下探测时，利用声呐探测器发出探测信号，并使探测器接收水中的信号。其中，探测信号在水环境中传播，经过水中各个物体的反射后，声呐探测器会接收到反射后的回波信号。也就是说，探测器在接收信号时，可能会接收到前述回波信号，也可能接收到来自其他物体发出的信号。其他物理发出的信号可以理解为与探测信号无关的信号，如海豚发出声音信号。
其中，探测信号和声呐信号均为声信号。具体地，声呐探测器中包括的换能器可以将预先调制的电信号转换为所述探测信号，并发射该探测信号。
在步骤S202中，在利用GAN中的判别器确定声呐信号中包含所述探测信号对应的回波信号的情况下，利用GAN网络中的生成器对所述声呐信号进行畸变补偿，获得补偿后的声呐信号。
该步骤具体是，将声呐信号输入判别器，获得判别器输出的概率值。当输出的概率值大于预设值的时，可以确定声呐信号中包含所述探测信号对应的回波信号，然后将定声呐信号输入生成器进行畸变补偿，根据生成器的输出获得补偿后的声呐信号。
在畸变补偿之前，利用判别器进行检测以确定是否包含所述探测信号对应的回波信号，可以避免声呐探测器没有接收到回波信号时进行畸变补偿和后续的检波，可以提高信号处理效率。也就是说，在确定声呐信号中不包含探测信号对应的回波信号的情况下，不对其进行畸变补偿和检波。
其中，GAN根据理想信号样本、畸变信号样本和混响信号样本训练获得。具体训练过程将在后文中进行介绍，此处不再赘述。
在步骤S203中，利用匹配滤波器对补偿后的声呐信号进行匹配相关检波。
经过步骤S202的畸变补偿之后，声呐信号的畸变(时间扩展和频率扩展)得到补偿。但由于GAN网络的判别时缺少了与标准信号的比较，所以仍需要使用匹配滤波器对波形信号进行匹配相关检波。其中，匹配滤波器可以根据前述的理想信号样本和畸变信号样本获得。
图3是本申请实施例提供的一种GAN网络的训练方法。该方法可以应用于训练设备，其中训练设备可以包括前述的声呐探测器。该方法包括如下的步骤S301和步骤S302。
在步骤S301中，获取训练样本，训练样本包括理想信号样本、畸变信号样本和混响信号样本。
具体地，可以通过探测信号样本卷积理想信道的传输函数获得理想信号样本。
具体地，可以通过如下步骤获得畸变信号样本：将探测信号样本卷积理想信道对应的畸变信道的传输函数，获得初始畸变信号样本；按照预设信号混比，将所述初始畸变信号样本和所述混响信号样本相加，获得所述畸变信号样本。其中，畸变信道包括：平坦衰落信道、时间选择性衰落信道、频率选择性衰落信道和时间频率两维选择性衰落信道中的一种或多种。
具体地，可以通过探测信号样本卷积混响响应函数获得混响信号样本。
在步骤S302中，根据训练样本更新GAN网络的参数。
GAN的整个训练过程是网络中的判别器D和生成器G相互博弈和交替更新的过程。
在GAN网络的结构确定之后，将混响信号样本z输入GAN网络中的生成器，获得生成器输出的伪造波形信号样本G(z)。分别将波形信号样本x和生成器G的输出输入判别器D，获得判别器的输出D(x)和D(G(z))。所述波形信号样本包括所述理想信号样本和所述畸变信号样本。
GAN的机理是一个优化问题，优化函数如公式(4)所示。生成器会基于输入输出一个伪造波形信号样本欺骗判别器D。判别器D对波形信号做出真假判断，目的是判断波形信号样本x为真，判断生成器G输出的伪造波形信号样本G(z)为假。在训练的过程中，D要最大化真实数据和生成数据之间的差异，即D(x)接近于1，而D(G(z))接近于0。G则要使生成的信号和波形信号样本更加接近，即D(G(z))接近于1。
Figure BDA0003492898840000051
公式(4)中，
Figure BDA0003492898840000052
表示判别器输出的各个波形信号样本对应的概率值的对数的平均值，
Figure BDA0003492898840000053
表示判别器输出的伪造波形信号对应的概率值与第一标签值的差值的对数的平均值，第一标签值取1；P(x)表示x的概率分布，P(z)表示z的概率分布。
在训练网络时，根据D的输出值、样本的标签值和损失函数计算损失值。根据损失值，利用优化器更新生成器和判别器的参数。当损失值为0时，取得最佳的训练效果，生成对抗网络训练完成。其中，损失函数可以是L1损失函数、L2损失函数、SSIM损失函数、MS-SSIM损失函数中的一种。优化器可以是批量梯度下降算法、随机梯度下降算法、Adagrad优化算法和Adam优化算法中的一种。Adam优化算法是对随机梯度下降算法的扩展。
具体地，训练GAN时可以采用如下步骤：
1)固定生成器G，训练判别器D。首次训练时，生成器G尚未被训练过，其权重参数为随机值。因此混响信号样本经过生成器G后，得到的是一个随机的信号，标签为假。将波形信号样本与生成器G生成的信号输入判别器D，对判别器D进行训练；
2)固定判别器D，训练生成器G。经过上一步的训练，判别器D初步具有判断波形真假的能力，此时，对生成器G进行改进，向着优化函数(1)的第二项不断减小的方向更新，直到生成器G生成的波形信号可以骗过判别器D；
3)重复1)和2)，生成器G和判别器D不断优化训练，直到判别器D的输出收敛到1/2，训练完毕。得到训练好的生成器G和判别器D，前者可以判断波形信号真假，后者可以生成与真实的波形信号样本同分布的伪造波形信号。
上述训练过程中，输入判别器的波形信号样本中包括畸变信号样本，可以使得判别器可以用于对探测器接收的信号进行判断，确定其中是否包含与探测信号对应的回波信号。此外，GAN网络中的生成器在应用时，是用于对信号进行畸变补偿的。因此，为了提高畸变补偿效果，在训练样本中，输入判别器的理想信号样本的数量应高于畸变信号样本的数量。
基于图2所述的识别方法，本申请实施例还提供一种识别装置，应用于上述声呐探测器。
图5是本申请实施例提供一种识别装置500的结构示意图。如图5所示，该识别装置500包括：获取模块501、补偿模块502和检波模块503。
其中，获取模块501用于获取声呐信号；所述声呐信号包括声呐探测器在发出探测信号之后，接收到的回波信号。
其中，补偿模块502用于在利用GAN网络中的判别器确定所述声呐信号中包含探测信号对应的回波信号的情况下，利用所述GAN网络中的生成器对所述声呐信号进行畸变补偿，获得补偿后的声呐信号；所述GAN网络根据理想信号样本、畸变信号样本和混响信号样本训练获得。
其中，检波模块503用于利用匹配滤波器对所述补偿后的声呐信号进行匹配相关检波。
上述识别装置500中各个模块的具体实施过程可以参见前述发明内容或者前述方法实施例中的介绍，此处不再赘述。
基于图2所述的训练方法，本申请实施例还提供一种训练装置，应用于上述训练设备。
图6是本申请实施例提供一种训练装置600的结构示意图。如图6所示，该训练装置600包括：获取模块601和更新模块602。
其中，获取模块601用于获取训练样本，训练样本包括理想信号样本、畸变信号样本和混响信号样本。
其中，更新模块602用于根据训练样本更新GAN网络的参数。
上述训练装置600中各个模块的具体实施过程可以参见前述方法实施例中的介绍，此处不再赘述。
图7是本申请实施例提供一种计算设备700的硬件结构示意图。
该计算设备700可以为上述声呐探测器或者上述训练设备。参见图7，该计算设备700包括处理器701、存储器702、通信接口703和总线704，处理器701、存储器702和通信接口703通过总线704彼此连接。处理器701、存储器702和通信接口703也可以采用除了总线704之外的其他连接方式连接。
其中，存储器702可以是各种类型的存储介质，例如随机存取存储器(randomaccess memory，RAM)、只读存储器(read-only memory，ROM)、非易失性RAM(non-volatileRAM，NVRAM)、可编程ROM(programmable ROM，PROM)、可擦除PROM(erasable PROM，EPROM)、电可擦除PROM(electrically erasable PROM，EEPROM)、闪存、光存储器、硬盘等。
其中，处理器701可以是通用处理器，通用处理器可以是通过读取并执行存储器(例如存储器702)中存储的内容来执行特定步骤和/或操作的处理器。例如，通用处理器可以是中央处理器(central processing unit，CPU)。处理器701可以包括至少一个电路，以执行图2所示实施例提供的识别方法的全部或部分步骤、或者图3所示训练方法的全部或部分步骤。
其中，通信接口703包括输入/输出(input/output，I/O)接口、物理接口和逻辑接口等用于实现计算设备700内部的器件互连的接口，以及用于实现计算设备700与其他设备(例如其他计算设备或用户设备)互连的接口。物理接口可以是以太网接口，光纤接口，ATM接口等。
其中，总线704可以是任何类型的，用于实现处理器701、存储器702和通信接口703互连的通信总线，例如系统总线。
上述器件可以分别设置在彼此独立的芯片上，也可以至少部分的或者全部的设置在同一块芯片上。将各个器件独立设置在不同的芯片上，还是整合设置在一个或者多个芯片上，往往取决于产品设计的需要。本申请实施例对上述器件的具体实现形式不做限定。
图7所示的计算设备700仅仅是示例性的，在实现过程中，计算设备700还可以包括其他组件，本文不再一一列举。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如，固态硬盘(solid state disk,SSD))等。
可以理解的是，在本申请的实施例中涉及的各种数字编号仅为描述方便进行的区分，并不用来限制本申请的实施例的范围。应理解，在本申请实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，不应对本申请实施例的实施过程构成任何限定。
以上所述的具体实施方式，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本申请的保护范围，凡在本申请的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本申请的保护范围之内。

Claims (10)

1.一种主动声呐探测波形识别方法，其特征在于，包括：
获取声呐信号；所述声呐信号包括声呐探测器在发出探测信号之后，接收到的信号；
在利用GAN网络中的判别器确定所述声呐信号中包含所述探测信号对应的回波信号的情况下，利用所述GAN网络中的生成器对所述声呐信号进行畸变补偿，获得补偿后的声呐信号；所述GAN网络根据理想信号样本、畸变信号样本和混响信号样本训练获得；
利用匹配滤波器对所述补偿后的声呐信号进行匹配相关检波。
2.根据权利要求1所述的方法，其特征在于，所述GAN网络的训练过程包括：
将所述混响信号样本输入所述生成器，获得所述生成器的输出；
分别将波形信号样本和所述生成器的输出输入到所述判别器，获得所述判别器的输出；所述波形信号样本包括所述理想信号样本和所述畸变信号样本；
根据所述判别器的输出和损失函数，更新所述生成器和所述判别器中的参数。
3.根据权利要求1所述的方法,其特征在于，所述理想信号样本通过探测信号样本卷积理想信道的传输函数获得。
4.根据权利要求1所述的方法,其特征在于，所述畸变信号样本通过下述步骤获得：
将探测信号样本卷积理想信道对应的畸变信道的传输函数，获得初始畸变信号样本；
按照预设信号混比，将所述初始畸变信号样本和所述混响信号样本相加，获得所述畸变信号样本。
5.根据权利要求1所述的方法,其特征在于，所述混响信号样本通过探测信号样本卷积混响响应函数获得。
6.根据权利要求4所述的方法,其特征在于，所述畸变信道包括：平坦衰落信道、时间选择性衰落信道、频率选择性衰落信道和时间频率两维选择性衰落信道中的一种或多种。
7.根据权利要求1所述的方法,其特征在于，所述利用GAN网络中的判别器确定所述声呐信号中包含所述探测信号对应的回波信号包括：
将所述声呐信号输入所述判别器，获得所述判别器输出的概率值；
根据所述概率值，确定所述声呐信号中包含探测信号对应的回波信号。
8.一种主动声呐探测波形识别装置，其特征在于，包括：
获取模块，用于获取声呐信号；所述声呐信号包括声呐探测器在发出探测信号之后，接收到的信号；
补偿模块，用于在利用GAN网络中的判别器确定所述声呐信号中包含所述探测信号对应的回波信号的情况下，利用所述GAN网络中的生成器对所述声呐信号进行畸变补偿，获得补偿后的声呐信号；所述GAN网络根据理想信号样本、畸变信号样本和混响信号样本训练获得；
检波模块，用于利用匹配滤波器对所述补偿后的声呐信号进行匹配相关检波。
9.一种声呐探测器，其特征在于，包括：处理器和存储器，所述处理器用于执行存储于所述存储器内的计算机指令，以实现权利要求1至7任一项所述的主动声呐探测波形识别方法。
10.一种计算机可读存储介质，其特征在于，包括指令，当所述指令在声呐探测器上运行时，使得所述声呐探测器执行如实现权利要求1至7任一项所述的主动声呐探测波形识别方法。
CN202210103193.8A 2022-01-27 2022-01-27 基于生成式对抗网络的主动声呐探测波形识别方法及装置 Pending CN114492530A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210103193.8A CN114492530A (zh) 2022-01-27 2022-01-27 基于生成式对抗网络的主动声呐探测波形识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210103193.8A CN114492530A (zh) 2022-01-27 2022-01-27 基于生成式对抗网络的主动声呐探测波形识别方法及装置

Publications (1)

Publication Number Publication Date
CN114492530A true CN114492530A (zh) 2022-05-13

Family

ID=81476502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210103193.8A Pending CN114492530A (zh) 2022-01-27 2022-01-27 基于生成式对抗网络的主动声呐探测波形识别方法及装置

Country Status (1)

Country Link
CN (1) CN114492530A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117639452A (zh) * 2024-01-23 2024-03-01 深圳市科沃电气技术有限公司 逆变器的电压补偿方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117639452A (zh) * 2024-01-23 2024-03-01 深圳市科沃电气技术有限公司 逆变器的电压补偿方法、装置、设备及存储介质
CN117639452B (zh) * 2024-01-23 2024-04-23 深圳市科沃电气技术有限公司 逆变器的电压补偿方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
US8907929B2 (en) Touchless sensing and gesture recognition using continuous wave ultrasound signals
KR100899472B1 (ko) 위치파악 추정치들의 정확성을 향상시키기 위한 시스템 및 방법
US5373456A (en) Expert system for assessing accuracy of models of physical phenomena and for selecting alternate models in the presence of noise
CN111965632B (zh) 一种基于黎曼流形降维的雷达目标检测方法
CN113376613B (zh) 用于雷达探测的恒虚警检测方法、装置及电子设备
WO2007027839A2 (en) Device and methods for enhanced matched filtering based on correntropy
CN111220960B (zh) 多站雷达下的目标特征提取方法和装置
CN113064147B (zh) 一种低信噪比下新型匹配场被动定位方法
WO2016079656A1 (en) Zero-calibration accurate rf-based localization system for realistic environments
CN114492530A (zh) 基于生成式对抗网络的主动声呐探测波形识别方法及装置
KR101817011B1 (ko) 군집화 특성 기반의 능동소나 클러터 제거 방법 및 장치
CN107271973A (zh) 韦布尔杂波环境下基于偏斜度和均值比的恒虚警检测方法
RU2550576C1 (ru) Способ измерения дистанции до шумящего объекта
CN117010132B (zh) 一种水下多基地声纳系统的空间阵位优化方法及系统
CN113325414A (zh) 目标检测设备及存储器
CN110161479B (zh) 基于信噪比信息的多站雷达信号级融合目标检测方法
CN111830481A (zh) 雷达回波单分量幅度分布模型参数估计方法及装置
CN115932773A (zh) 基于谱形特征的目标角度检测方法、装置、设备及介质
KR20200029646A (ko) 사물인터넷 시스템
CN112986967B (zh) 一种混响边缘的自适应检测方法及装置
CN111123274B (zh) 一种水下声呐成像系统目标检测方法
CN112152959A (zh) 水声通信探测信号处理方法、装置、设备及存储介质
JP5373967B2 (ja) 終了されるまで深さ優先探索を実行するスフィア検出器
CN116794690B (zh) 一种ddm数据质量实时监测方法及系统
CN111628837A (zh) 一种信道建模的方法及设备

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