CN114897023B - 一种基于水声目标敏感差异特征提取的水声目标辨识方法 - Google Patents
一种基于水声目标敏感差异特征提取的水声目标辨识方法 Download PDFInfo
- Publication number
- CN114897023B CN114897023B CN202210545726.8A CN202210545726A CN114897023B CN 114897023 B CN114897023 B CN 114897023B CN 202210545726 A CN202210545726 A CN 202210545726A CN 114897023 B CN114897023 B CN 114897023B
- Authority
- CN
- China
- Prior art keywords
- underwater sound
- feature
- value
- entropy
- characteristic
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000000605 extraction Methods 0.000 title claims abstract description 26
- 230000005855 radiation Effects 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 230000035945 sensitivity Effects 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 20
- 238000007637 random forest analysis Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 12
- 239000006185 dispersion Substances 0.000 claims description 11
- 241000282461 Canis lupus Species 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 8
- 238000003672 processing method Methods 0.000 abstract description 3
- 238000012216 screening Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于水声目标敏感差异特征提取的水声目标辨识方法，通过采用提升小波算法完成对辐射噪声原始信号的去噪预处理，解决了强海洋背景干扰下辐射噪声能量微弱问题；通过采用基于GWO的参数优化VMD方法对水声目标辐射噪声原始信号进行特征提取，克服了传统信号处理方法特征提取困难等问题，并解决了人为随机设定VMD算法参数不可靠问题；本方法综合考虑了每个IMF的有用信息，并采用了特征距离评估技术对各特征集进行特征筛选构建了辐射噪声信号敏感多域特征集，在表征水声目标特性方面更有优势，进而可以实现对水声目标更为准确且高效的分类辨识，因此该方法在水声目标辐射噪声差异特征提取与智能分类辨识方面具有良好的应用前景。
Description
技术领域
本发明属于水声信号处理领域，具体涉及一种基于水声目标敏感差异特征提取的水声目标辨识方法。
背景技术
水声目标的辐射噪声主要是由机械噪声、螺旋桨噪声以及水动力噪声组成，辐射噪声中包含了较多水声目标信息，例如动力系统特征信息、航行状态、航行速度以及水声目标类别信息等。因此，若能从水声目标辐射噪声原始信号中有效地提取水声目标的差异特征信息并据此构建出敏感特征集，对于水声目标检测以及水声目标分类辨识具有重大意义。
然而，由海洋湍流以及海水静压力效应等引起的海洋环境噪声,其频谱成分覆盖整个频带并随各类因素而不断变化，使得水声信道十分复杂，海洋背景噪声形成较大干扰；并且辐射噪声组成、产生机理以及传递路径较为复杂，使其呈现非线性以及非平稳的特点。因此，传统的信号处理方法无法有效、准确地从水听器采集到的辐射噪声中提取出水声目标的特征信息；此外，水声目标辐射噪声特征多样，并且不同的特征对于目标特性反映敏感度不一，这也增加了水声目标信息提取以及水声目标分类辨识的难度。综合以上分析，如何克服强干扰下辐射噪声原始信号特征提取困难以及如何结合各域特征的互补特性优选出能综合表征水声目标差异特性的敏感特征集是实现水声目标准确、高效智能辨识的关键。
发明内容
本发明的目的在于提供一种基于水声目标敏感差异特征提取的水声目标辨识方法，以克服现有技术的不足。
为达到上述目的，本发明采用如下技术方案：
一种基于水声目标敏感差异特征提取的水声目标辨识方法，包括以下步骤：
步骤1)、采集水声目标辐射噪声原始信号；
步骤2)、利用提升小波算法对采集的辐射噪声原始信号进行去噪预处理；
步骤3)、利用基于灰狼优化算法的参数优化变分模态分解方法将去噪预处理后的辐射噪声原始信号分解为若干个本征模式函数；
步骤4)、计算每个本征模式函数的包络熵，选取其中拥有最小包络熵的为最小包络熵本征模式函数，并对最小包络熵本征模式函数进行包络解调分析得到其包络信号；
步骤5)、计算除最小包络熵本征模式函数的其余本征模式函数的能量值，并按照能量值大小排序，选取具有能量值最大的3个本征模式函数；
步骤6)、对最小包络熵本征模式函数及最小包络熵本征模式函数的包络信号，其余本征模式函数中具有能量值最大的前3个本征模式函数分别进行特征信息提取分别得到特征集Foptimal_IMF与Foptimal_IMFs,并利用Foptimal_IMF与Foptimal_IMFs构建样本多域特征集Fmulti_domain；
步骤7)、利用特征距离评估技术对特征集Fmulti_domain进行特征优选得到样本敏感多域特征集FS；
步骤8)、对辐射噪声原始信号敏感多域特征集的各维特征参数进行归一化处理；
步骤9)、利用水声目标辐射噪声样本的敏感特征集训练随机森林分类器从而构建基于随机森林算法的水声目标识别模型，实现对水声目标的辨识。
进一步的，步骤3)中具体步骤如下：
(3-1)首先初始化灰狼优化算法中a，和/>参数，选取本征模式函数的包络熵作为适应度函数，以本征模式函数的包络熵值最小化作为寻优目标；
(3-2)将变分模态分解方法中待寻优参数分解层数K与惩罚因子α作为种群中搜寻单位的位置x(K,α)，并且初始化种群中各搜索单位的初始位置；
(3-3)当种群中搜寻单位i处于位置li(Ki,αi)时，利用变分模态分解方法解析信号并计算所得各本征模式函数的包络熵，选取其中极小包络熵值Eeimin作为搜寻单位i适应度函数值；
(3-4)计算种群中每个搜索单位的适应度，按照大小进行排序，选取其中具有最小包络熵值的三个最优搜索单位Xα，Xβ以及Xδ；
(3-5)利用Xα，Xβ和Xδ更新当前搜寻单位的位置；
(3-6)更新灰狼优化算法中a，和/>并计算所有搜寻单位的适应度；
(3-7)更新种群中最优搜索单元Xα，Xβ以及Xδ；
(3-8)重复步骤(3-5)～(3-7)迭代求解，直至满足全局极值收敛或达到最大迭代次数得出对应的搜索单元的位置，得到最优分解层数Kbest与惩罚因子αbest参数；
(3-9)利用Kbest与αbest作为变分模态分解方法的输入参数将去噪处理后的辐射噪声原始信号分解为若干个本征模式函数。
进一步的，包络熵具体计算步骤为：
(4-1)对第i个本征模式函数进行Hilbert包络解调得到的包络信号ai(j)；
(4-2)然后计算包络信号ai(j)的散布熵，即为xi的包络熵。
进一步的，能量值具体计算公式如下所示：
式中，xi为参数优化变分模态分解得到的第i个本征模式函数(i＝1,2,...,Kbest)，N为xi的数据长度，E(xi)为xi的能量值。
进一步的，提取的特征信息包括时域统计特征参数、时间序列复杂性度量参数和频域统计特征参数。
进一步的，时域统计特征参数包括均值、标准差值、方差值、均方根值、最大值、偏度指标、峭度指标、峰值指标、裕度指标、波形指标以及脉冲指标；时间序列复杂性度量参数包括样本熵值、排列熵值以及散布熵值；频域统计特征参数包括频域上的均值、方差值、频率标准差值、偏度指标、峭度指标、重心频率值和均方根频率。
进一步的，步骤7)中，特征距离评估技术步骤如下：
设c个分类类别A1，A2，......，Ac的联合特征向量集为：{f(i,l,k),i＝1,2,...,c；l＝1,2,...,m；k＝1,2,...,n}，其中f(i,l,k)为i类别Ai中的第l个样本的第k个特征，c为类别总数，m为每个类别所包含的样本总个数，n为每个样本特征向量包含的特征参数总个数。
进一步的，具体包括以下步骤：
(7-1)利用下式计算Ai的所有样本的特征向量平均距离：
其中，然后对D(i,k)为第i个类别(i＝1,2,...,c)的特征向量平均距离，对其求平均如下所示，得到平均类内距离；
(7-2)利用下式计算平均类内距离偏差因子；
(7-3)利用下式计算c个类别之间的平均距离：
式中，为Ai的所有样本的特征均值，/>为c个类别样本的所有样本特征平均值；
(7-4)利用下式计算各模式类的类间距离偏差因子；
(7-5)利用下式计算补偿因子；
(7-6)最后利用下式计算距离评估指标；
(7-7)归一化距离评估指标。
进一步的，步骤8)所述的对辐射噪声原始信号敏感多域特征集的各维特征参数进行归一化处理，采用以下公式：
式中，FS(i,j)为辐射噪声原始信号敏感多域特征集中的第i类别(i＝1,2,...,c)中的第j个特征(j＝1,2,...,kb)，c为类别总数，nmg为敏感特征向量包含的特征参数总个数。
进一步的，所述的散布熵计算具体步骤如下：
(9-1)利用下式正态累计分布函数将x映射到y＝{yj,j＝1,2,...,N}；
(9-2)通过线性变换映射到[1,2,...,c]范围：
式中，R表示为取整函数；c为划分的类别个数；
(9-3)利用下式计算嵌入向量
式中，i＝1,2,...,N-(m-1)d，m和d分别表示嵌入维数和时延；
(9-4)计算分散模式若/> 则/>对应的分散模式为/>
(9-5)利用下式计算每种分散模式的概率/>
式中，为/>映射到/>的个数，因此，/>实际上表示为/>映射到/>的个数与/>中元素的比值；
(9-6)最后计算的Shannon熵则可以得到散布熵如下所示：
与现有技术相比，本发明具有以下有益的技术效果：
本发明公开了一种基于水声目标敏感差异特征提取的水声目标辨识方法，通过采用提升小波算法完成对辐射噪声原始信号的去噪预处理，解决了强海洋背景干扰下辐射噪声能量微弱问题；通过采用基于GWO的参数优化VMD方法对水声目标辐射噪声原始信号进行特征提取，一方面VMD克服了传统信号处理方法在处理非线性、非平稳信号时，特征提取困难等问题，另一方面实现VMD算法参数的自适应设定解决了人为随机设定参数不可靠问题；现有的特征提取方法往往只提取单一IMF的多个特征指标或者提取多个IMF的单一特征指标，本方法综合考虑了每个IMF的有用信息，相比于现有方法更有优势，并且本方法特征信息提取内容包含共计21个指标，可以实现对水声目标差异特性在多域的全面表征，解决了现有的算法采用单一特征指标描述水声目标差异特性不全面、不完整等问题；针对各特征敏感度不一的特点，本方法采用了特征距离评估技术对各特征集进行特征筛选构建了辐射噪声原始信号敏感多域特征集，一方面解决了特征冗余性问题，另一方面提高了后续基于随机森林的水声目标识别模型的准确率与效率；随机森林算法具有极高的准确率，并且其能评估各个特征在分类问题上的重要性，因此基于随机森林算法所构建的水声目标识别模型在实现对水声目标的准确辨识同时也能实现对敏感特征集的验证，本发明相比于现有的水声目标差异特征提取与分类辨识方法在克服海洋背景噪声强干扰下非线性、非平稳辐射噪声原始信号特征提取困难问题上更有优势，特征提取能力更强，且解决现有的方法采用单一IMF或单一特征指标描述水声目标差异特性不全面、不完整问题，相比于现有方法，本方法表征水声目标特性方面更有优势，进而可以实现对水声目标更为准确且高效的分类辨识，因此该方法在水声目标辐射噪声差异特征提取与智能分类辨识方面具有良好的应用前景。
附图说明
图1为本发明流程图。
图2为基于灰狼优化算法(GWO)的参数优化变分模态分解(VMD)方法流程图。
图3为某类水声目标原始辐射噪声原始信号时域波形图与频谱图以及基于提升小波去噪后的某类水声目标辐射噪声原始信号时域波形图与频谱图。
图4为利用GWO算法寻优VMD算法参数的结果图。
图5为基于GWO的参数优化VMD算法分解某类水声目标辐射噪声原始信号结果图。
图6为基于特征距离评估技术的特征选取仿真结果图。
图7(a)～(c)为利用原始信号的特征集，未经过特征优选的原始特征集Fmulti_domain以及敏感特征集FS训练随机森林分类器得到的3个水声目标识别模型分别对于5类水声目标分类结果，图7a为利用原始信号的特征集训练随机森林分类器得到的辨识模型对于5类水声目标分类结果，图7b为未经过特征优选的原始特征集训练随机森林分类器得到的辨识模型对于5类水声目标分类结果，图7c为利用敏感特征集训练随机森林分类器得到的辨识模型对于5类水声目标分类结果。
具体实施方式
下面结合附图对本发明做进一步详细描述：
如图1所示，一种水声目标敏感差异特征提取与智能辨识方法，包括以下步骤：
步骤1：利用水听器采集水声目标辐射噪声原始信号；
步骤2：利用提升小波算法(LWT)对辐射噪声原始信号进行去噪预处理；
步骤3：采用基于灰狼优化算法(GWO)的参数优化变分模态分解(VMD)方法将去噪预处理后的辐射噪声原始信号分解为若干个本征模式函数(IMF)；
步骤4：计算每个IMF的包络熵，选取其中拥有最小包络熵的为IMFbest，并对IMFbest进行包络解调分析得到其包络信号；
步骤5：计算除IMFbest的其余IMF的能量值，并按照能量值大小排序，选取具有能量值最大的3个IMF；
步骤6：对IMFbest及其解调后的包络信号，其余IMF中能量由高到低的前3个IMFs分别进行特征信息提取分别得到特征集Foptimal_IMF与Foptimal_IMFs,并利用Foptimal_IMF与Foptimal_IMFs构建样本多域特征集Fmulti_domain；
步骤7：利用特征距离评估技术对特征集Fmulti_domain进行特征优选得到样本敏感多域特征集FS；
步骤8：对辐射噪声原始信号敏感多域特征集的各维特征参数进行归一化处理；
步骤9：利用水声目标辐射噪声样本的敏感特征集训练随机森林分类器构建基于随机森林算法的水声目标识别模型，实现对水声目标的辨识。
步骤3所述的采用基于灰狼优化算法(GWO)的参数优化变分模态分解(VMD)方法将去噪预处理后的辐射噪声原始信号分解为若干个本征模式函数(IMF)具体步骤如下：
(3-1)首先初始化GWO算法中a，和/>等参数，选取IMF的包络熵作为适应度函数，以IMF的包络熵值最小化作为寻优目标；
(3-2)将VMD算法中待寻优参数分解层数K与惩罚因子α作为种群中搜寻单位的位置x(K,α)，并且初始化种群中各搜索单位的初始位置；
(3-3)当种群中搜寻单位i处于位置li(Ki,αi)时，利用VMD算法解析信号并计算所得IMF的包络熵，选取其中极小包络熵值Eeimin作为搜寻单位i适应度函数值；
(3-4)计算种群中每个搜索单位的适应度，按照大小进行排序，选取其中具有最小包络熵值的三个最优搜索单位Xα，Xβ以及Xδ；
(3-5)利用Xα，Xβ和Xδ更新当前搜寻单位的位置；
(3-6)更新GWO算法中a，和/>并计算所有搜寻单位的适应度；
(3-7)更新种群中最优搜索单元Xα，Xβ以及Xδ；
(3-8)重复步骤(3-5)～(3-7)迭代求解，直至满足全局极值收敛或达到最大迭代次数得出对应的搜索单元的位置，输出得到最优分解层数Kbest与惩罚因子αbest参数；
(3-9)利用Kbest与αbest作为VMD算法的输入参数将去噪处理后的辐射噪声原始信号分解为若干个IMF。
步骤4所述的计算每个IMF的包络熵，选取其中拥有最小包络熵的为IMFbest，并对IMFbest进行包络解调分析得到其包络信号，包络熵具体计算步骤为：
(4-1)对第i个IMF进行Hilbert包络解调得到的包络信号ai(j)；
(4-2)然后计算包络信号ai(j)的散布熵，即为xi的包络熵。
步骤5所述的计算除IMFbest之外的其余IMF按照能量值大小排列，筛选出剩余IMF能量值最高的前3个IMF，能量值具体计算公式如下所示：
式中，xi为参数优化变分模态分解得到的第i个本征模式函数(i＝1,2,...,Kbest)，N为xi的数据长度，E(xi)为xi的能量值。
步骤6所述的特征信息提取具体包括：1.均值、标准差值、方差值、均方根值、最大值、偏度指标、峭度指标、峰值指标、裕度指标、波形指标以及脉冲指标共计11个时域统计特征参数；2.样本熵值、排列熵值以及散布熵值共计3个时间序列复杂性度量参数；3.频域上的均值、方差值、频率标准差值、偏度指标、峭度指标、重心频率值、均方根频率共计7个频域统计特征参数。每次提取的特征信息总共包含了21个特征参数。各类特征参数详细说明如下表所示。
表1特征参数信息说明表
步骤7所述的使用特征距离评估技术对样本多域特征集Fmulti_domain进行特征优选，得到样本敏感多域特征集FS，特征距离评估技术步骤如下：
设c个分类类别A1，A2，......，Ac的联合特征向量集为：{f(i,l,k),i＝1,2,...,c；l＝1,2,...,m；k＝1,2,...,n}，其中f(i,l,k)为i类别Ai中的第l个样本的第k个特征，c为类别总数，m为每个类别所包含的样本总个数，n为每个样本特征向量包含的特征参数总个数。具体包括以下步骤：
(7-1)利用下式计算Ai的所有样本的特征向量平均距离：
其中，D(i,k)为第i个类别(i＝1,2,...,c)的特征向量平均距离，然后对其求平均如下所示，得到平均类内距离；
(7-2)利用下式计算平均类内距离偏差因子；
(7-3)利用下式计算c个类别之间的平均距离：
式中，为Ai的所有样本的特征均值，/>为c个类别样本的所有样本特征平均值；
(7-4)利用下式计算各模式类的类间距离偏差因子；
(7-5)利用下式计算补偿因子；
(7-6)最后利用下式计算距离评估指标JA；
(7-7)归一化距离评估指标。
进一步的，步骤8所述的对辐射噪声原始信号敏感多域特征集的各维特征参数进行归一化处理，采用以下公式：
式中，FS(i,j)为辐射噪声原始信号敏感多域特征集中的第i类别(i＝1,2,...,c)中的第j个特征(j＝1,2,...,kb)，c为类别总数，kb为敏感特征向量包含的特征参数总个数。
所述的散布熵计算具体步骤如下：
(9-1)利用下式正态累计分布函数将x映射到y＝{yj,j＝1,2,...,N}；
(9-2)通过线性变换映射到[1,2,...,c]范围：
式中，R表示为取整函数；c为划分的类别个数；
(9-3)利用下式计算嵌入向量
式中，i＝1,2,...,N-(m-1)d，m和d分别表示嵌入维数和时延。
(9-4)计算分散模式若/> 则/>对应的分散模式为/>
(9-5)利用下式计算每种分散模式的概率/>
式中，为/>映射到/>的个数，因此，/>实际上表示为/>映射到/>的个数与/>中元素的比值；
(9-6)最后计算的Shannon熵则可以得到散布熵如下所示。
图3为某类水声目标原始辐射噪声信号时域波形图与频谱图以及基于提升小波去噪后的某类水声目标辐射噪声信号时域波形图与频谱图，从图3中可以看出，经过去噪后的辐射噪声信号高频噪声分量得到了有效地去除，低频线谱分量更为突出。
由图4可知，GWO算法在第4次迭代之后收敛，对应得到VMD算法最优参数组合(Kbest,αbest)为(6,5995)；图5为将GWO算法所得最优参数作为VMD算法的输入参数解析辐射噪声信号结果，由图5可知信号被分解为6个IMF，分别计算6个IMF的包络熵可得到下表，由表可知IMF1具有最小包络熵。
表1 VMD算法分解信号所得各IMF的包络熵值
图6为基于特征距离评估技术的特征选取仿真结果，图中高于特征优选阈值的特征指标为筛选得到的敏感特征指标，特征优选的阈值设定为0.3，从图中可以看出共计筛选了44个敏感特征指标，因此，利用优选的敏感特征指标所构建的敏感多域特征集FS共计包含44个特征指标。
为了验证本发明采用特征优选的优势，利用原始信号的特征集，未经过特征优选的原始特征集Fmulti_domain以及敏感特征集FS分别训练随机森林分类器，并利用测试集对各自得到的智能辨识模型性能进行验证。图7a为利用原始信号的特征集训练随机森林分类器得到的智能辨识模型对于5类水声目标分类结果，模型训练时间为0.728s，其对于5类水声目标的识别率为95.6％；图7b为利用原始特征集Fmulti_domain训练随机森林分类器得到的智能辨识模型对于5类水声目标分类结果，模型训练时间为1.09s，其对于5类水声目标的识别率为94.4％；图7c为利用敏感特征集训练随机森林分类器得到的智能辨识模型对于5类水声目标分类结果，模型训练时间为0.9s，其对于测试集的识别率为97.8％。结果表明，利用敏感特征集训练得到的水声目标智能辨识模型对于5类水声目标具有更高的识别准确率，较快的运算速度，兼顾识别精度与效率，本发明方法相对于采用原始信号的特征集与未经特征选取方法更有优势。
Claims (9)
1.一种基于水声目标敏感差异特征提取的水声目标辨识方法，其特征在于，包括以下步骤：
步骤1)、采集水声目标辐射噪声原始信号；
步骤2)、利用提升小波算法对采集的辐射噪声原始信号进行去噪预处理；
步骤3)、利用基于灰狼优化算法的参数优化变分模态分解方法将去噪预处理后的辐射噪声原始信号分解为若干个本征模式函数；
具体步骤如下：
(3-1)首先初始化灰狼优化算法中a，和/>参数，选取本征模式函数的包络熵作为适应度函数，以本征模式函数的包络熵值最小化作为寻优目标；
(3-2)将变分模态分解方法中待寻优参数分解层数K与惩罚因子α作为种群中搜寻单位的位置x(K,α)，并且初始化种群中各搜索单位的初始位置；
(3-3)当种群中搜寻单位i处于位置li(Ki,αi)时，利用变分模态分解方法解析信号并计算所得各本征模式函数的包络熵，选取其中极小包络熵值Eeimin作为搜寻单位i适应度函数值；
(3-4)计算种群中每个搜索单位的适应度，按照大小进行排序，选取其中具有最小包络熵值的三个最优搜索单位Xα，Xβ以及Xδ；
(3-5)利用Xα，Xβ和Xδ更新当前搜寻单位的位置；
(3-6)更新灰狼优化算法中a，和/>并计算所有搜寻单位的适应度；
(3-7)更新种群中最优搜索单元Xα，Xβ以及Xδ；
(3-8)重复步骤(3-5)～(3-7)迭代求解，直至满足全局极值收敛或达到最大迭代次数得出对应的搜索单元的位置，得到最优分解层数Kbest与惩罚因子αbest参数；
(3-9)利用Kbest与αbest作为变分模态分解方法的输入参数将去噪处理后的辐射噪声原始信号分解为若干个本征模式函数；
步骤4)、计算每个本征模式函数的包络熵，选取其中拥有最小包络熵的为最小包络熵本征模式函数，并对最小包络熵本征模式函数进行包络解调分析得到其包络信号；
步骤5)、计算除最小包络熵本征模式函数的其余本征模式函数的能量值，并按照能量值大小排序，选取具有能量值最大的前3个本征模式函数；
步骤6)、对最小包络熵本征模式函数及最小包络熵本征模式函数的包络信号，其余本征模式函数中具有能量值最大的前3个本征模式函数分别进行特征信息提取分别得到特征集Foptimal_IMF与Foptimal_IMFs,并利用Foptimal_IMF与Foptimal_IMFs构建样本多域特征集Fmulti_domain；
步骤7)、利用特征距离评估技术对特征集Fmulti_domain进行特征优选得到样本敏感多域特征集；
步骤8)、对样本敏感多域特征集的各维特征参数进行归一化处理；
步骤9)、利用水声目标辐射噪声样本的敏感特征集训练随机森林分类器从而构建基于随机森林算法的水声目标识别模型，实现对水声目标的辨识。
2.根据权利要求1所述的一种基于水声目标敏感差异特征提取的水声目标辨识方法，其特征在于，包络熵具体计算步骤为：
(4-1)对第i个本征模式函数进行Hilbert包络解调得到的包络信号ai(j)；
(4-2)然后计算包络信号ai(j)的散布熵，即为xi的包络熵。
3.根据权利要求1所述的一种基于水声目标敏感差异特征提取的水声目标辨识方法，其特征在于，能量值具体计算公式如下所示：
式中，xi为参数优化变分模态分解得到的第i个本征模式函数(i＝1,2,…,Kbest)，N为xi的数据长度，E(xi)为xi的能量值。
4.根据权利要求1所述的一种基于水声目标敏感差异特征提取的水声目标辨识方法，其特征在于，提取的特征信息包括时域统计特征参数、时间序列复杂性度量参数和频域统计特征参数。
5.根据权利要求4所述的一种基于水声目标敏感差异特征提取的水声目标辨识方法，其特征在于，时域统计特征参数包括均值、标准差值、方差值、均方根值、最大值、偏度指标、峭度指标、峰值指标、裕度指标、波形指标以及脉冲指标；时间序列复杂性度量参数包括样本熵值、排列熵值以及散布熵值；频域统计特征参数包括频域上的均值、方差值、频率标准差值、偏度指标、峭度指标、重心频率值和均方根频率；提取最小包络熵本征模式函数的时域、频域与时间序列复杂性特征与最小包络熵本征模式函数的包络信号的频域特征构成特征集Foptimal_IMF，其余本征模式函数中具有能量值最大的前3个本征模式函数的时域、频域与时间序列复杂性特征构成特征集样本多域特征集Fmulti_domain。
6.根据权利要求1所述的一种基于水声目标敏感差异特征提取的水声目标辨识方法，其特征在于，步骤7)中，设c个分类类别A1，A2，……，Ac的联合特征向量集为：{f(i,l,k),i＝1,2,…,c；l＝1,2,...,m；k＝1,2,…,n}，其中f(i,l,k)为i类别Ai中的第l个样本的第k个特征，c为类别总数，m为每个类别所包含的样本数，n为每个样本特征向量包含的特征参数总数。
7.根据权利要求6所述的一种基于水声目标敏感差异特征提取的水声目标辨识方法，其特征在于，具体包括以下步骤：
(7-1)利用下式计算Ai的所有样本的特征向量平均距离：
其中，j≠l，D(i,k)为第i个类别(i＝1,2,…,c)的平均距离，然后对其求平均如下所示，得到平均类内距离；
(7-2)利用下式计算平均类内距离偏差因子；
(7-3)利用下式计算c个类别之间的平均距离：
式中，为Ai的所有样本的特征均值，/>为c个类别样本的所有样本特征平均值；
(7-4)利用下式计算各模式类的类间距离偏差因子；
(7-5)利用下式计算补偿因子；
(7-6)最后利用下式计算距离评估指标；
(7-7)归一化距离评估指标：
8.根据权利要求1所述的一种基于水声目标敏感差异特征提取的水声目标辨识方法，其特征在于，步骤8)所述的对辐射噪声原始信号敏感多域特征集的各维特征参数进行归一化处理，采用以下公式：
式中，FS(i,j)为辐射噪声原始信号敏感多域特征集中的第i类别(i＝1,2,…,c)中的第j个特征(j＝1,2,…,kb)，c为类别总数，kb为敏感特征向量包含的特征参数总个数。
9.根据权利要求2所述的一种基于水声目标敏感差异特征提取的水声目标辨识方法，其特征在于，所述的散布熵计算具体步骤如下：
(9-1)利用下式正态累计分布函数将x映射到y＝{yj,j＝1,2,...,N}；
(9-2)通过线性变换映射到[1,2,…,c]范围：
式中，R表示为取整函数；c为划分的类别个数；
(9-3)利用下式计算嵌入向量
式中，i＝1,2,...,N-(m-1)d，m和d分别表示嵌入维数和时延；
(9-4)计算分散模式(v＝1,2,...,c)，若/> 则/>对应的分散模式为/>
(9-5)利用下式计算每种分散模式的概率/>
式中，为/>映射到/>的个数，因此，/>实际上表示为映射到/>的个数与/>中元素的比值；
(9-6)最后计算的Shannon熵则可以得到散布熵如下所示：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210545726.8A CN114897023B (zh) | 2022-05-19 | 2022-05-19 | 一种基于水声目标敏感差异特征提取的水声目标辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210545726.8A CN114897023B (zh) | 2022-05-19 | 2022-05-19 | 一种基于水声目标敏感差异特征提取的水声目标辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114897023A CN114897023A (zh) | 2022-08-12 |
| CN114897023B true CN114897023B (zh) | 2024-03-29 |
Family
ID=82724199
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210545726.8A Active CN114897023B (zh) | 2022-05-19 | 2022-05-19 | 一种基于水声目标敏感差异特征提取的水声目标辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114897023B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115514690B (zh) * | 2022-09-01 | 2023-08-22 | 西北工业大学 | 一种非合作水声网络mac协议识别方法 |
| CN115493690B (zh) * | 2022-09-15 | 2024-10-15 | 西安理工大学 | 基于散布Lempel-Ziv熵的水声信号特征提取方法 |
| CN117093899B (zh) * | 2023-08-22 | 2024-08-02 | 山东大学 | 基于相异差和双流扩维图的燃气管网泄漏检测方法及系统 |
| CN117614467B (zh) * | 2024-01-17 | 2024-05-07 | 青岛科技大学 | 基于降噪神经网络的水声信号智能接收方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108692936A (zh) * | 2018-03-27 | 2018-10-23 | 四川大学 | 基于参数自适应vmd的机械故障诊断方法 |
| CN111723701A (zh) * | 2020-06-08 | 2020-09-29 | 西安交通大学 | 一种水中目标识别方法 |
| WO2021128510A1 (zh) * | 2019-12-27 | 2021-07-01 | 江苏科技大学 | 基于sdae和改进gwo-svm的轴承缺陷识别方法 |
| WO2021135630A1 (zh) * | 2019-12-31 | 2021-07-08 | 福州大学 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
| CN114139293A (zh) * | 2021-08-18 | 2022-03-04 | 福州大学 | 一种滚动轴承故障诊断方法及系统 |
-
2022
- 2022-05-19 CN CN202210545726.8A patent/CN114897023B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108692936A (zh) * | 2018-03-27 | 2018-10-23 | 四川大学 | 基于参数自适应vmd的机械故障诊断方法 |
| WO2021128510A1 (zh) * | 2019-12-27 | 2021-07-01 | 江苏科技大学 | 基于sdae和改进gwo-svm的轴承缺陷识别方法 |
| WO2021135630A1 (zh) * | 2019-12-31 | 2021-07-08 | 福州大学 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
| CN111723701A (zh) * | 2020-06-08 | 2020-09-29 | 西安交通大学 | 一种水中目标识别方法 |
| CN114139293A (zh) * | 2021-08-18 | 2022-03-04 | 福州大学 | 一种滚动轴承故障诊断方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 一种新的水声目标智能检测模型;胡桥;郝保安;吕林夏;陈亚林;孙起;钱建平;;系统仿真学报;20090420(08);全文 * |
| 基于相关峭度及自适应变分模态分解的滚动轴承故障诊断;张丽坪;刘永强;杨绍普;;轴承;20201005(10);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114897023A (zh) | 2022-08-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114897023B (zh) | 一种基于水声目标敏感差异特征提取的水声目标辨识方法 | |
| CN110826630B (zh) | 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法 | |
| CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
| CN109800700B (zh) | 一种基于深度学习的水下声信号目标分类识别方法 | |
| CN102520341B (zh) | 一种基于Bayes-KFCM算法的模拟电路故障诊断方法 | |
| CN111723701B (zh) | 一种水中目标识别方法 | |
| CN109559758B (zh) | 一种基于深度学习的将纹理图像转换成触觉信号的方法 | |
| CN113642484B (zh) | 一种基于bp神经网络的大地电磁信号噪声压制方法及系统 | |
| CN109407173A (zh) | 基于常规测井曲线的岩性精细化和自动化识别方法 | |
| 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 | |
| CN101470194A (zh) | 一种水雷目标的识别方法 | |
| CN104751000A (zh) | 一种机电复合传动状态监测信号小波降噪方法 | |
| CN111985533A (zh) | 一种基于多尺度信息融合的增量式水声信号识别方法 | |
| CN112861066B (zh) | 基于机器学习和fft的盲源分离信源数目并行估计方法 | |
| CN113657491A (zh) | 一种用于信号调制类型识别的神经网络设计方法 | |
| CN111222442A (zh) | 一种电磁信号分类方法和装置 | |
| CN108108666B (zh) | 一种基于小波分析和时频单源检测的混合矩阵估计方法 | |
| CN111680737A (zh) | 差异性信噪比条件下的雷达辐射源个体识别方法 | |
| CN113111786A (zh) | 基于小样本训练图卷积网络的水下目标识别方法 | |
| CN113378652A (zh) | 一种基于ewt-mpe-pso-bp的扰动分类方法 | |
| CN110458071A (zh) | 一种基于dwt-dfpa-gbdt的光纤振动信号特征提取与分类方法 | |
| CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 | |
| Li et al. | Adaptive DBSCAN Clustering and GASA Optimization for Underdetermined Mixing Matrix Estimation in Fault Diagnosis of Reciprocating Compressors | |
| CN114626412A (zh) | 用于无人值守传感器系统的多类别目标识别方法及系统 | |
| CN114818845A (zh) | 一种噪声稳健的高分辨距离像特征选择方法 |
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 |