CN115510898A - 一种基于卷积神经网络的舰船声尾流检测方法 - Google Patents

一种基于卷积神经网络的舰船声尾流检测方法 Download PDF

Info

Publication number
CN115510898A
CN115510898A CN202211087636.5A CN202211087636A CN115510898A CN 115510898 A CN115510898 A CN 115510898A CN 202211087636 A CN202211087636 A CN 202211087636A CN 115510898 A CN115510898 A CN 115510898A
Authority
CN
China
Prior art keywords
neural network
convolutional
wake flow
convolutional neural
detection
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
CN202211087636.5A
Other languages
English (en)
Inventor
杨长生
苟文博
梁红
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 CN202211087636.5A priority Critical patent/CN115510898A/zh
Publication of CN115510898A publication Critical patent/CN115510898A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明涉及一种基于卷积神经网络的舰船声尾流检测方法，属于目标检测领域。包括采集有尾流和无尾流时散射回波信号，对采集到的散射回波信号进行预处理，对预处理后的散射回波信号做小波变化得到小波系数矩阵，将时频特征图像集按照一定的比例划分为测试集和训练集，搭建卷积神经网络进行训练，利用训练好的模型进行测试，实现舰船尾流目标检测。本发明方法利用卷积神经网路挖掘更深层次的信息，提高了低信噪比下的检测准确率。

Description

一种基于卷积神经网络的舰船声尾流检测方法
技术领域
本发明属于目标检测领域，具体涉及一种通过对舰船声尾流散射回波信号处理实现舰船目标检测的方法。
背景技术
舰船在航行过程中，其尾部会产生含有大量气泡的湍流。声学探测尾流由于检测概率大、抗干扰能力强、导引距离远等优点，成为探测舰船尾流的有效方式。
国内外学者对尾流声检测开展了大量的研究，并提出相关的检测算法，主要集中在提取特征后进行检测。但人工提取特征需要具备一定的专业知识，并在提取特征的过程中不可避免的丢失掉部分信息，导致基于特征提取的检测方法鲁棒性和泛化性较差。
深度学习使用多个层逐步从原始输入中提取更高级别的特征，并将传统的提取后分类识别的算法整合到一个端对端的分类模型。在图像处理中，深度学习方法已展现出泛化性和鲁棒性的能力。
发明内容
要解决的技术问题
为了克服现有技术的不足，本发明提出一种基于卷积神经网络的舰船尾流检测方法，利用卷积神经网络挖掘舰船尾流目标的更深层次特征，进而提高低信噪比下尾流目标检测的准确率。
技术方案
一种基于卷积神经网络的舰船声尾流检测方法，其特征在于步骤如下：
步骤1：采集有尾流和无尾流时散射回波信号；分别采集检测平台在不同深度、不同速度、不同信号发射角度以及发射不同信号频率和形式下的有尾流和无尾流时散射回波；
步骤2：对采集到的散射回波信号进行预处理，滤除不在频响范围内的噪声；
步骤3：对预处理后的散射回波信号做小波变化得到小波系数矩阵，然后进行可视化得到时频特征图像集；
步骤4：将时频特征图像集按照一定的比例划分为测试集和训练集，并对每一张时频图标注对应的标签；
步骤5：综合考虑网络的检测准确率、计算量和占用内存的大小，搭建卷积神经网络；所述的卷积神经网络为WakeNet检测网络，WakeNet由三个普通卷积层、四个bottleneck结构和一个全局平均池化层构成，输入网络的时频图首先经过卷积核大小为3×3的卷积层捕获宏观特征，之后经过四层bottleneck结构获取更深层次的特征，然后经过卷积核大小为1×1的卷积层提高网络的非线性分类性能，随后采用全局平均池化层对特征矩阵进行降维，最后采用卷积核大小为1×1的卷积层作为全连接层输出分类结果；
步骤6：使用训练集训练和优化卷积神经网络；
步骤7：将待测数据经过预处理、时频特征提取之后，通过优化好的神经网络模型给出检测结果，实现舰船尾流目标检测。
本发明进一步的技术方案：步骤5所述的bottleneck结构为倒残差结构，是由Resnet网络中的残差结构改进而来，bottleneck结构首先经过卷积核大小为1×1的卷积层提高特征维度，然后经过3×3的DW卷积提取特征，最后经过卷积核大小为1×1的卷积层降低特征维度。
本发明进一步的技术方案：步骤6中通过调节网络的超参数以提高网络的学习效果和性能，所述的超参数包括：学习率和批次大小。
一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。
一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现上述的方法。
有益效果
本发明提供的一种基于卷积神经网络的舰船声尾流检测方法，该方法提高了低信噪比下的舰船尾流检测准确率。相对于传统检测算法，该方法利用卷积神经网路挖掘更深层次的信息，提高了低信噪比下的检测准确率。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1是本发明基于卷积神经网络的舰船声尾流检测算法的流程图；
图2是bottleneck结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明解决其技术问题所采用的技术方案是：首先采集散射回波信号并构建的时频特征图像集，然后搭建卷积神经网络，最后训练和优化卷积神经网络实现舰船尾流检测。本方法的总框图如附图1，主要步骤如下：
步骤1：采集有尾流和无尾流时散射回波信号。为了提高舰船尾流检测的泛化性，分别采集检测平台在不同深度、不同速度、不同信号发射角度以及发射不同信号频率和形式下的有尾流和无尾流时散射回波。
步骤2：对采集到的散射回波信号进行预处理，滤除不在频响范围内的噪声。
步骤3：对预处理后的散射回波信号做小波变化得到小波系数矩阵，然后进行可视化得到时频特征图像集。
步骤4：将时频特征图像集按照一定的比例划分为测试集和训练集，并对每一张时频图标注对应的标签。
步骤5：综合考虑网络的检测准确率、计算量和占用内存的大小，搭建卷积神经网络。
步骤6：训练和优化卷积神经网络。
步骤7：实现舰船尾流目标的检测。
为了使本领域技术人员更好地理解本发明，下面结合具体实施例对本发明进行详细说明。
本发明的基本思路是首先构建时频特征图像集，包括采集有/无尾流时散射回波信号、预处理回波信号和提取预处理后信号的时频特征图。然后搭建卷积神经网络。最后训练和优化卷积神经网络实现对时频特征图像集的分类进而实现舰船尾流检测。上述步骤的具体实施方式如下：
步骤一：水听器采集散射回波信号x(t)，包括有尾流时散射回波信号和和无尾流时散射回波信号。为了提高舰船尾流检测的泛化性，分别采集检测平台在不同深度、不同速度、不同信号发射角度以及不同信号发射频率和形式下的有尾流和无尾流时散射回波。
Figure BDA0003835803800000041
其中s1(t)为尾流散射回波，n(t)为干扰包含噪声和混响。
步骤二：对采集到的散射回波信号进行预处理，滤除不在频响范围内的噪声。依据发射信号中心频率和多普勒频移计算带通滤波器的冲击响应函数h(t)。
则散射回波信号经过带通滤波器后为
Figure BDA0003835803800000051
步骤三：对预处理后的散射回波信号y(t)做小波变化：
Figure BDA0003835803800000052
其中，表示a＞0尺度，τ表示位移，
Figure BDA0003835803800000053
为母小波函数，本发明选取db2作为母小波函数。信号做小波变化后得到小波系数矩阵，然后进行可视化得到时频特征图像集。
步骤四：将时频特征图像集按照1:5的比例划分为测试集和训练集，并对每一张时频图标注对应的标签。
步骤五：构建卷积神经网络。传统卷积神经网络内存需求大，运算量大导致无法在嵌入式设备上运行，本发明综合考虑卷积网络的检测准确率、计算量和占用内存的大小，设计了WakeNet检测网络。
WakeNet由三个卷积层、四个bottleneck结构和一个全局平均池化层构成。WakeNet第一层为卷积核大小为3×3的卷积层捕获宏观特征，之后经过四层bottleneck结构获取更深层次的特征，然后经过卷积核大小为1×1的卷积层提高网络的非线性分类性能，随后采用全局平均池化层对特征矩阵进行降维，最后采用卷积核大小为1×1的卷积层作为全连接层输出分类结果，网络结构参数如表1。
表1中conv为普通的卷积层，avgpool为平均池化层。bottleneck为倒残差结构，如下图2。扩展因子是经过bottleneck结构的第一个卷积层后输出特征矩阵的深度相对于输入特征矩阵深度的扩展倍率。
图2中BN层类似于数据预处理操作，主要用于神经网络加速训练和收敛，目前已成为卷积神经网络的必备层。激活函数为Relu6。
Bottleneck
步骤六：训练和优化卷积神经网络。通过调节网络的超参数以提高网络的学习效果和性能。超参数包括：学习率和批次大小，取值如表2。
步骤七：实现舰船尾流目标的检测。将待测数据经过预处理、时频特征提取之后，通过优化好的神经网络模型给出检测结果，实现舰船尾流目标检测。
通过在仿真数据集上对该检测算法进行验证，结果表明，该算法在信噪比为-24dB以上可以实现95％以上的检测准确率，网络的参数量为64386个，处理l幅时频图的平均时间为24.3ms，说明该检测模型具有较好的实时性。
表1 WakeNet网络结构参数
Figure BDA0003835803800000061
表2 WakeNet超参数取值
Figure BDA0003835803800000062
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明公开的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种基于卷积神经网络的舰船声尾流检测方法，其特征在于步骤如下：
步骤1：采集有尾流和无尾流时散射回波信号；分别采集检测平台在不同深度、不同速度、不同信号发射角度以及发射不同信号频率和形式下的有尾流和无尾流时散射回波；
步骤2：对采集到的散射回波信号进行预处理，滤除不在频响范围内的噪声；
步骤3：对预处理后的散射回波信号做小波变化得到小波系数矩阵，然后进行可视化得到时频特征图像集；
步骤4：将时频特征图像集按照一定的比例划分为测试集和训练集，并对每一张时频图标注对应的标签；
步骤5：综合考虑网络的检测准确率、计算量和占用内存的大小，搭建卷积神经网络；所述的卷积神经网络为WakeNet检测网络，WakeNet由三个普通卷积层、四个bottleneck结构和一个全局平均池化层构成，输入网络的时频图首先经过卷积核大小为3×3的卷积层捕获宏观特征，之后经过四层bottleneck结构获取更深层次的特征，然后经过卷积核大小为1×1的卷积层提高网络的非线性分类性能，随后采用全局平均池化层对特征矩阵进行降维，最后采用卷积核大小为1×1的卷积层作为全连接层输出分类结果；
步骤6：使用训练集训练和优化卷积神经网络；
步骤7：将待测数据经过预处理、时频特征提取之后，通过优化好的神经网络模型给出检测结果，实现舰船尾流目标检测。
2.根据权利要求1所述基于卷积神经网络的舰船声尾流检测方法，其特征在于：步骤5所述的bottleneck结构为倒残差结构，是由Resnet网络中的残差结构改进而来，bottleneck结构首先经过卷积核大小为1×1的卷积层提高特征维度，然后经过3×3的DW卷积提取特征，最后经过卷积核大小为1×1的卷积层降低特征维度。
3.根据权利要求1所述基于卷积神经网络的舰船声尾流检测方法，其特征在于：步骤6中通过调节网络的超参数以提高网络的学习效果和性能，所述的超参数包括：学习率和批次大小。
4.一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1所述的方法。
5.一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现权利要求1所述的方法。
CN202211087636.5A 2022-09-07 2022-09-07 一种基于卷积神经网络的舰船声尾流检测方法 Pending CN115510898A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211087636.5A CN115510898A (zh) 2022-09-07 2022-09-07 一种基于卷积神经网络的舰船声尾流检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211087636.5A CN115510898A (zh) 2022-09-07 2022-09-07 一种基于卷积神经网络的舰船声尾流检测方法

Publications (1)

Publication Number Publication Date
CN115510898A true CN115510898A (zh) 2022-12-23

Family

ID=84503884

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211087636.5A Pending CN115510898A (zh) 2022-09-07 2022-09-07 一种基于卷积神经网络的舰船声尾流检测方法

Country Status (1)

Country Link
CN (1) CN115510898A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115825854A (zh) * 2023-02-22 2023-03-21 西北工业大学青岛研究院 一种基于深度学习的水下目标方位估计方法、介质及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115825854A (zh) * 2023-02-22 2023-03-21 西北工业大学青岛研究院 一种基于深度学习的水下目标方位估计方法、介质及系统

Similar Documents

Publication Publication Date Title
CN108613802B (zh) 一种基于深度混合网络结构的机械故障诊断方法
CN110163108B (zh) 基于双路径特征融合网络的鲁棒声呐目标检测方法
CN106682574A (zh) 一维深度卷积网络的水下多目标识别方法
CN110136745A (zh) 一种基于卷积神经网络的汽车鸣笛识别方法
CN109655815B (zh) 基于ssd的声呐目标检测方法
CN112949387B (zh) 基于迁移学习的智能抗干扰目标检测方法
CN104180891B (zh) 一种基于声阵的海洋声传播损失实时测量方法
CN104634872A (zh) 高铁钢轨伤损在线监测方法
CN115510898A (zh) 一种基于卷积神经网络的舰船声尾流检测方法
CN112528775A (zh) 一种水下目标的分类方法
CN114167423A (zh) 基于深度回归网络的雷达海浪参数测量方法
CN115114949A (zh) 一种基于水声信号的舰船目标智能识别方法及系统
CN116343045A (zh) 基于YOLO v5的轻量化SAR图像舰船目标检测方法
CN113591733B (zh) 基于集成神经网络模型的水声通信调制模式分类识别方法
CN113436125B (zh) 基于风格迁移的侧扫声呐仿真图像生成方法、装置及设备
CN111624586B (zh) 基于特征提取和神经网络的水声目标测距方法
CN112307926A (zh) 一种基于生成对抗网络的声学被动式舰船目标分类方法
CN113570041B (zh) 一种神经网络以及利用该神经网络压制海上光纤拖缆地震数据噪声的方法
CN117075091A (zh) 基于一维卷积单向循环神经网络的舰船声尾流检测方法
CN114492540A (zh) 目标检测模型的训练方法、装置、计算机设备及存储介质
Xiufen et al. Deep generative network and regression network for fishing nets detection in real-time
CN113627310B (zh) 一种背景与尺度感知的sar舰船目标检测方法
CN117407663B (zh) 一种基于卷积神经网络的全波形数据去噪方法
CN116405127B (zh) 水声通信前导信号检测模型的压缩方法和装置
CN117574056B (zh) 基于混合神经网络模型的广域电磁数据去噪方法及系统

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