CN115932808A - 一种基于多特征融合的被动声纳智能探测方法 - Google Patents

Abstract

本发明公开了一种基于多特征融合的被动声纳智能探测方法，涉及水声探测领域，包括：首先基于ASEMD分解算法，对目标辐射噪声信号进行DEMON谱特征提取和对目标辐射噪声信号进行基于人耳听觉特性的MFCC特征提取；然后再基于多特征协同融合网络，将DEMON谱特征和MFCC特征进行融合；最后将融合后的特征送入Ret残差检测网络，进行目标检测；本发明，解决传统DEMON谱检测带通滤波器参数难以确定，且不能随着输入信号的改变而自适应变化的难题；同时实现对多维特征的协同学习和特征融合，突破依靠单一特征检测的局限性，提高水下目标被动检测性能，以及在复杂海洋噪声背景下的泛化性和鲁棒性。

Description

一种基于多特征融合的被动声纳智能探测方法

技术领域

本发明涉及水声探测领域，具体涉及一种基于多特征融合的被动声纳智能探测方法。

背景技术

本节中的陈述仅提供与本公开相关的背景信息，并且可能不构成现有技术。

在未来海战中，水声对抗占据重要地位，而目标探测是水声对抗的基础，只有准确检测出敌方目标，才能完成诸多后续任务；水下目标探测主要通过声学的手段，可分为主、被动两种工作方式，分别针对目标反射回波或者目标辐射噪声，通过换能器基阵实现声电转换，通常采用阵列和时间相关运算来获得空间和时间的增益，达到提高水下目标探测作用距离的目的；其中，被动工作方式具有探测距离远、隐蔽性好、不易遭受敌方攻击等优点，是对各类水下目标进行水声探测的重要手段；但由于目标噪声作为信号，经远距传播后变得十分微弱，因此被动声纳往往工作在低信噪比情况，因此如何采取更多的信号处理措施实现弱目标的检测是被动探测的关键问题。

由于线谱具有相对平稳的能量，传统被动探测主要针对目标的线谱成分进行检测，其中噪声包络调制谱(DEMON)检测法是常用的经典方法；DEMON检测法是通过对接收的宽带高频端信号进行解调，以计算低频调制谱的算法，可获得低频端的强调制特征谱；通过DEMON分析还可以获得诸如目标轴频、叶频等不变的目标物理场特征，为目标的分类识别提供新手段。

但是，传统的DEMON算法在处理时具有一定局限性，接收的辐射噪声在包络分析前需要通过不同带宽的带通滤波处理，而带宽和带通滤波的数量是未知的，滤波器参数难以确定，不能随着输入信号的改变而自适应变化；并且随着降噪技术的发展，水下目标的辐射噪声很容易淹没在环境噪声中，上述传统方法性能会大幅下降，因此只依靠单一特征的检测很难实现低信噪比下的目标探测。

发明内容

本发明的目的在于：针对目前传统的水下目标被动探测DEMON算法在处理时具有一定局限性，接收的辐射噪声在包络分析前需要通过不同带宽的带通滤波处理，而带宽和带通滤波的数量是未知的，滤波器参数难以确定，不能随着输入信号的改变而自适应变化；并且随着降噪技术的发展，水下目标的辐射噪声很容易淹没在环境噪声中的问题，提供了一种基于多特征融合的被动声纳智能探测方法，采用自适应选择经验模态分解算法(ASEMD)获得的模态分量IMF取代DEMON方法中的带通滤波，避免了需靠经验预先设置带通滤波器带宽和带通滤波器数量的不足，可实现频带的自适应划分，解决难以确定滤波器参数的难题；并通过提取辐射噪声的梅尔倒谱系数(MFCC)特征，利用基于协同学习的多特征融合实现水下目标被动检测，提高对辐射噪声级低的弱目标探测能力，提升复杂海洋环境下的目标探测性能，突破水下目标探测“探不准”的瓶颈；从而解决了上述问题。

本发明的技术方案如下：

一种基于多特征融合的被动声纳智能探测方法，包括：

步骤S1：基于ASEMD分解算法，对目标辐射噪声信号进行DEMON谱特征提取；

步骤S2：对目标辐射噪声信号进行基于人耳听觉特性的MFCC特征提取；

步骤S3：基于多特征协同融合网络，将DEMON谱特征和MFCC特征进行融合；

步骤S4：将融合后的特征送入Ret残差检测网络，进行目标检测。

进一步地，所述步骤S1，包括：

步骤S11：通过ASEMD分解算法，将目标辐射噪声信号分解为n个模态分量；

步骤S12：将n个模态分量分别进行解调，获得各个模态分量对应的DEMON谱；

步骤S13：计算各个DEMON谱对应的加权系数；

步骤S14：将各个DEMON谱与其对应的加权系数进行融合，得到融合后的DEMON谱。

进一步地，所述ASEMD分解算法，包括：

步骤A：对输入的目标辐射噪声信号做EMD模态分解；

步骤B：从分解结果中提取模态分量；

步骤C：判定模态分量是否为一阶模态分量IMF1；若是，跳转至步骤D；若不是，跳转至步骤E；

步骤D：判定模态分量中是否含有高频间隙分量；若不含有，跳转至步骤E；若含有，则进行CEEMD算法；

步骤E：计算剩余分量；当剩余分量满足截止条件时，算法结束；当剩余分量不满足截止条件时，重复步骤A和步骤B，直至剩余分量满足截止条件。

进一步地，所述CEEMD算法，包括：

步骤D1：在目标辐射噪声信号中加入I组极性相反的成对噪声分量，形成2I组加噪信号；

步骤D2：对加噪信号分别做EMD分解，得到2I组模态分量；

步骤D3：将对应的2I组模态分量相加后集总平均，得到第n阶模态分量；

步骤D4：计算剩余分量，当剩余分量满足截止条件时，算法结束；当剩余分量不满足截止条件时，重复步骤D2和步骤D3，直至剩余分量满足截止条件。

进一步地，所述截止条件，包括：

剩余分量为一个常量或一个单调函数。

进一步地，所述步骤S12，包括：

对n个模态分量进行平方检波及低通滤波，得到包络信号，并将包络信号进行FFT处理获得各模态分量的DEMON谱P_IMFi,i＝1,2,…,n。

进一步地，所述步骤S13，包括：

将各个模态分量的DEMON谱经过α双向滤波器，得到各个模态分量的DEMON谱加权系数；

所述步骤S14，包括：

通过DEMON线谱估计式，计算出各个模态分量的线谱；

将各个模态分量的线谱与其对应的DEMON谱加权系数相乘，再进行求和，得到融合后的DEMON谱。

进一步地，所述步骤S2，包括：

将目标辐射噪声信号经过预加重、分帧、加窗处理；

将时域分帧信号经过离散傅里叶变换后得到能量频谱：

将能量频谱通过Mel频率滤波器组滤波得到Mel频谱：

取Mel频谱的对数能量求离散余弦变换，得到MFCC系数。

进一步地，所述多特征协同融合网络，包括：

骨干网络中两个并联的残差网络组成双分支分布式网络，分别作为DEMON谱特征和MFCC特征提取器；

所述提取器包含4个卷积块和一个注意力模块，其中每个卷积块由BN层、卷积层、平均池化层和激活函数组成的，卷积层包含128个卷积核，大小[5×5]，步长设为2；

同时一个1×1卷积层与第四个卷积块并联，完成两个特征的提取；

经过提取的特征向量进入注意力模块，利用softmax激活函数转换成0至1的数作为该特征的权重，两个权重相连组成特征选择矩阵并与特征相乘实现对特征的选择，从而得到融合后的特征。

进一步地，所述Ret残差检测网络，包括：

所述Ret残差检测网络由两个残差模块、一个全连接层及输出层组成；

所述残差模块由BN层、包含256个卷积核；大小[3×3]，步长设为2的卷积层、最大池化层、ReLU激活函数组成。

与现有的技术相比本发明的有益效果是：

1、一种基于多特征融合的被动声纳智能探测方法，解决传统水下目标被动检测存在不足的问题；利用ASEMD算法改进传统的DEMON谱检测，解决传统DEMON谱检测带通滤波器参数难以确定，且不能随着输入信号的改变而自适应变化的难题；并分析水下目标辐射噪声的MFCC特征，利用多特征协同融合网络对DEMON、MFCC特征进行更深层的挖掘，实现对多维特征的协同学习和特征融合，并利用残差网络智能检测目标，突破依靠单一特征检测的局限性，提高水下目标被动检测性能，以及在复杂海洋噪声背景下的泛化性和鲁棒性；可广泛应用于军事及民用领域，为作战及民用应用提供精确的目标探测信息。

2、一种基于多特征融合的被动声纳智能探测方法，通过对信号一阶固有模态函数高频间歇分量的有无判断，自适应选择EMD算法的种类(ASEMD算法)，当无间歇分量时选择EMD算法，有间歇分量选择CEEMD算法，既能有效解决模态混叠问题，又能较少计算量。

3、一种基于多特征融合的被动声纳智能探测方法，采用ASEMD算法对传统的DEMON谱检测算法进行改进，通过ASEMD算法分解得到的IMF分量替换DEMON谱解调的带通滤波器，避免DEMON谱解调前需靠经验预先设置带宽和带通滤波器数量的情况，解决滤波器参数难以确定，且不能随着输入信号的改变而自适应变化的难题。

4、一种基于多特征融合的被动声纳智能探测方法，针对传统依靠单一特征检测难以实现低信噪比下的目标探测问题，采用DEMON谱特征检测的同时，对目标辐射噪声提取基于人耳听觉特性的梅尔倒谱系数特征(MFCC)。

5、一种基于多特征融合的被动声纳智能探测方法，采用多特征协同融合网络实现水下目标探测，通过双分支分布式网络作为辐射噪声的DEMON谱及MFCC特征的提取器，获取模态的特有特征及跨模态共有特征，引入注意力机制，利用该机制对特征进行筛选，融合时增大重要特征的权重，进而达到多维信息互补的效果，提高目标信息的利用率，最后通过残差网络实现目标的智能检测。

附图说明

图1为一种基于多特征融合的被动声纳智能探测方法的流程图；

图2为辐射噪声的功率谱图；

图3为基于ASEMD的DEMON谱检测图；

图4为ASEMD分解算法流程图；

图5为前5阶IMF分量的DEMON谱图；

图6为MFCC特征的提取流程图；

图7为多特征协同融合网络图。

具体实施方式

需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

下面结合实施例对本发明的特征和性能作进一步的详细描述。

实施例一

由于线谱具有相对平稳的能量，传统被动探测主要针对目标的线谱成分进行检测，其中噪声包络调制谱(DEMON)检测法是常用的经典方法；DEMON检测法是通过对接收的宽带高频端信号进行解调，以计算低频调制谱的算法，可获得低频端的强调制特征谱；通过DEMON分析还可以获得诸如目标轴频、叶频等不变的目标物理场特征，为目标的分类识别提供新手段。

但是，传统的DEMON算法在处理时具有一定局限性，接收的辐射噪声在包络分析前需要通过不同带宽的带通滤波处理，而带宽和带通滤波的数量是未知的，滤波器参数难以确定，不能随着输入信号的改变而自适应变化；并且随着降噪技术的发展，水下目标的辐射噪声很容易淹没在环境噪声中，上述传统方法性能会大幅下降，因此只依靠单一特征的检测很难实现低信噪比下的目标探测。

本实施例针对于上述问题，提出了一种基于多特征融合的被动声纳智能探测方法，采用自适应选择经验模态分解算法(ASEMD)获得的模态分量IMF取代DEMON方法中的带通滤波，避免了需靠经验预先设置带通滤波器带宽和带通滤波器数量的不足，可实现频带的自适应划分，解决难以确定滤波器参数的难题；并通过提取辐射噪声的梅尔倒谱系数(MFCC)特征，利用基于协同学习的多特征融合实现水下目标被动检测，提高对辐射噪声级低的弱目标探测能力，提升复杂海洋环境下的目标探测性能，突破水下目标探测“探不准”的瓶颈。

在本实施例中，首先需要说明的是：在复杂的海洋环境中，舰船等水声目标辐射噪声的产生和传播机理十分复杂，成分多样，既有宽带连续谱分量和窄带线谱分量，又有明显的调制成分；因此舰船的辐射噪声可建模为：

x(t)＝(1+m(t))·N(t)+A·L(t)

其中为：

x(t)为船舶噪声；

N(t)为宽带连续谱，对应螺旋桨空化噪声信号；

m(t)为调制谱分量，调制频率及倍数关系对应舰船目标的螺旋桨特征；

L(t)为线谱分量，对应舰船目标的机械噪声；

A可由线谱高出连续谱的分贝数修正得到；

图2给出了辐射噪声的功率谱图。

在实际海洋环境中，水声信道复杂多变，信噪比低，水声目标的单一特征容易弱化、被干扰，导致无法有效地检测出目标，因此本发明采用基于改进的DEMON谱特征与MFCC特征融合的检测方法，流程如图1所示。

其中改进的DEMON谱特征的提取方式是采用ASEMD模态分解算法替换传统DEMON谱解调的带通滤波器，以解决带通滤波器参数不能随着输入信号的改变而自适应变化的难题；

MFCC特征是提取目标辐射噪声的梅尔倒谱系数；

在获得目标噪声的DEMON包络谱、Mel域特征后，通过多特征协同融合网络进行特征融合，并采用残差检测网络训练及测试优化即可实现目标检测。

请参阅图1-3，一种基于多特征融合的被动声纳智能探测方法，具体包括如下步骤：

步骤S1：基于ASEMD分解算法，对目标辐射噪声信号进行DEMON谱特征提取；即获取DEMON线谱数据集S1；

步骤S2：对目标辐射噪声信号进行基于人耳听觉特性的MFCC特征提取；即获取对数Mel能量谱数据集S2；

优选地，可以按照7:3的比例，将DEMON线谱数据集S1和对数Mel能量谱数据集S2分为训练集和测试集，并通过人工标注确定有无水下目标；其中，训练集用于对多特征协同融合网络和Ret残差检测网络进行训练，测试集用于对多特征协同融合网络和Ret残差检测网络进行测试；

步骤S3：基于多特征协同融合网络，将DEMON谱特征和MFCC特征进行融合；

步骤S4：将融合后的特征送入Ret残差检测网络，进行目标检测。

在本实施例中，具体的，所述步骤S1，包括：

步骤S11：通过ASEMD分解算法，将目标辐射噪声信号分解为n个模态分量；优选地，n一般取3～5；

步骤S12：将n个模态分量分别进行解调，获得各个模态分量对应的DEMON谱；

步骤S13：计算各个DEMON谱对应的加权系数；

步骤S14：将各个DEMON谱与其对应的加权系数进行融合，得到融合后的DEMON谱。

在本实施例中，具体的，首先，所述步骤S11中需要说明的是：

传统的DEMON谱融合检测需要将目标辐射噪声信号进行不同频带的带通滤波处理，但带通滤波器的参数及数量是未知的，需要人为靠经验设置，不能随输入信号自适应变化；而EMD分解理论上等效于一个二进滤波器组，相当于将目标辐射噪声信号通过一组带通滤波器进行筛选，因此，传统DEMON方法中的带通滤波器部分可以用EMD提取的IMF代替，并且EMD适合于分析非线性、非平稳信号序列，具有很高的信噪比，因此适合处理信道复杂的水声探测信号；鉴于水下探测时可能存在高频间歇分量的情况，本发明采用改进的ASEMD分解算法，对目标辐射信号进行DEMON谱特征提取，流程图如图3所示。

实际应用中当原始信号存在高频间歇分量时，EMD分解存在模态混叠现象，将会污染后续的分解结果；而互补集总经验模态分解算法(CEEMD)可以有效解决该问题，通过成对添加(一个正数和一个负数)高斯白噪声填充整个时频空间，EMD分解后再做集总平均，既减少模态混叠，又仅用较少的平均次数便可迅速抵消重构信号中掺杂的残余噪声。

在此基础上，本发明提供一种可根据输入信号自适应选择(Adaptive Selective)合适的EMD分解算法ASEMD，通过对信号一阶固有模态函数高频间歇分量的有无判断，自适应选择EMD算法的种类(ASEMD算法)，当无间歇分量时选择常规EMD算法，有间歇分量选择CEEMD算法，既能有效解决模态混叠问题，减少计算量，又能避免信号不存在高频间歇分量时，噪声辅助算法导致的另一种模态混叠(噪声的随机性导致同一时间尺度的信号分量分解到不同的模态中)。

其中高频间歇分量检测是针对第一阶固有模态分量IMF1做处理，经验模式分解的第一阶固有模态分量代表了信号中的高频信号成分，且其极值点与原信号的极值点在时间上相对应；所以可以通过检验IMF1的极值点变化来检验原始信号中是否有高频间歇成分；当存在高频间歇分量时，信号的极值点距离会明显减小，即在间歇分量的起始处，极值点距离有跳变现象；通过检测信号的极值点间距波动情况，采用均值预测的方式可以判断信号中是否含有间歇信号。

在本实施例中，具体的，所述ASEMD分解算法，包括：

首先，ASEMD分解算法需要初始化迭代次数，设n＝0，剩余分量r_n(t)＝x(t)；

步骤A：对输入的目标辐射噪声信号做EMD模态分解；即对r_n(t)做常规EMD模态分解，即获取r_n(t)的极大值、极小值包络曲线m₁₁(t)，并计算候选分量c_n+1,1(t)＝r_n(t)-m_n+1,1(t)；

步骤B：从分解结果中提取模态分量；优选地，若候选分量c_n+1,1(t)不满足IMF的两个条件，即转到步骤A重复k次，即c_n+1,k(t)＝c_n+1,k-1(t)-m_n+1,k(t)，直到c_n+1,k(t)是IMF分量，记作imf_n+1(t)＝c_n+1,k(t)；

步骤C：判定模态分量是否为一阶模态分量IMF1；若是，跳转至步骤D；若不是，跳转至步骤E；

步骤D：判定模态分量中是否含有高频间隙分量；若不含有，跳转至步骤E；若含有，则进行CEEMD算法；即判定imf₁(t)是否含有高频间隙分量；优选地，通过检测imf₁(t)的极值点间距波动情况，判断极值点距离是否有跳变现象；

步骤E：计算剩余分量；当剩余分量满足截止条件时，算法结束；当剩余分量不满足截止条件时，重复步骤A和步骤B，直至剩余分量满足截止条件；优选地，所述截止条件，包括：剩余分量为一个常量或一个单调函数；因此，步骤E详细为：计算剩余分量令n＝n+1，重复步骤A、B，直到剩余分量r_n+1(t)为一个常量或一个单调函数时，算法结束。

在本实施例中，具体的，所述CEEMD算法，包括：

步骤D1：在目标辐射噪声信号中加入I组极性相反的成对噪声分量，形成2I组加噪信号；即在r_n(t)成对加入白噪声分量，

步骤D2：对加噪信号分别做EMD分解，得到2I组模态分量，即得到对应的模态分量；即得到IMF分量和

步骤D3：将对应的2I组模态分量相加后集总平均，得到第n阶模态分量；即对和相加后集总平均，得第n阶IMF分量

步骤D4：计算剩余分量，当剩余分量满足截止条件时，算法结束；当剩余分量不满足截止条件时，重复步骤D2和步骤D3，直至剩余分量满足截止条件；即计算剩余分量重复步骤D2和步骤D3，直到剩余分量r_n+1(t)为一个常量或一个单调函数时，算法结束。

在ASEMD分解算法的筛选过程中需要限制筛选次数，常用的筛选终止准则为类柯西收敛准则：

其中T为信号时间长度；当SD介于0.2和0.3之间时，筛选过程终止。

在本实施例中，具体的，所述步骤S12，包括：

解调：对n个模态分量进行平方检波及低通滤波，得到包络信号，并将包络信号进行FFT处理获得各模态分量的DEMON谱P_IMFi,i＝1,2,...,n。

在本实施例中，具体的，所述步骤S13，包括：

计算加权系数：将各个模态分量的DEMON谱经过α双向滤波器，得到各个模态分量的DEMON谱加权系数；即将第i个IMF分量的DEMON谱经过α双向滤波器，即

其中α选值为0.01，自适应门限c₁为常数，则获得过门限的线谱根数L_i，以L_i ²为此IMF分量的DEMON谱加权系数。

在本实施例中，具体的，所述步骤S14，包括：

DEMON谱加权融合；通过DEMON线谱估计式，计算出各个模态分量的线谱；所述DEMON线谱估计式为：这里c₂为常数，且1≤c₂≤c₁；

将各个模态分量的线谱与其对应的DEMON谱加权系数相乘，再进行求和，得到融合后的DEMON谱；即将线谱与其对应的系数L_i ²相乘，再进行求和就得到了融合后的DEMON谱P。

图5给出了基于ASEMD的改进DEMON谱仿真结果，图中共有6条明显的谱线，对于模拟的舰船目标信号，IMF1、IMF2、IMF3具有较强的调制作用；因此，可以选择IMF1、IMF2、IMF3作为获取DEMON谱的主要来源；与传统DEMON方法相比，不再需要设计解调带宽、解调滤波器的个数以及其它滤波器参数。

在本实施例中，具体的，所述步骤S2中，首先需要说明是的：

随着降噪技术的发展,水下目标的辐射噪声很容易淹没在环境噪声中，只依靠单一特征的检测很难实现低信噪比下的目标探测，本发明在采用DEMON谱特征检测的同时，对目标辐射噪声信号进行基于人耳听觉特性的梅尔倒谱系数特征(MFCC)提取。

MFCC特征是一种经典的人耳听觉感知特征；根据听觉机理的相关研究发现，人耳对不同频率声波的灵敏度不同；Mel频率尺度反映了人耳频率感知的非线性特征，更符合人耳听觉特性，而MFCC是在Mel频率域提取的倒谱参数。

其中，Mel频率与实际频率的具体关系可表示为：

Mel(f)＝2595lg(1+f/700)

式中，f为实际频率，临界频率带宽随频率的变化而变化，并与Mel频率的增长一致，在1000Hz以下大致呈线性分布，带宽为100Hz左右，在1000Hz以上呈对数增长，这就使得人耳对低频信号比高频信号更敏感。

MFCC的计算过程如图6所示，在本实施例中，具体的，所述步骤S2，包括：

将目标辐射噪声信号经过预加重、分帧、加窗处理；

将时域分帧信号经过离散傅里叶变换后得到能量频谱：即将时域分帧信号x(n)经过N点的离散傅里叶变换后得到能量频谱：

p(f)＝|X(f)²|＝|FFT(x(n))|²；

将能量频谱通过Mel频率滤波器组滤波得到Mel频谱；即：

取Mel频谱的对数能量求离散余弦变换，得到MFCC系数；需要说明的是，为了使结果对噪声和谱估计误差有更好的鲁棒性，一般取Mel频谱的对数能量，其公式可表述为：

E′(m)＝lnE(m)

再将上述对数能量谱求离散余弦变换，即可得到MFCC系数，其公式表述如下：

在本实施例中，具体的，所述多特征协同融合网络，如图7所示，包括：

骨干网络中两个并联的残差网络(ResNet)组成双分支分布式网络，分别作为DEMON谱特征和MFCC特征提取器；

所述提取器包含4个卷积块和一个注意力模块，其中每个卷积块由BN层、卷积层、平均池化层和激活函数组成的，卷积层包含128个卷积核，大小[5×5]，步长设为2；

同时一个1×1卷积层与第四个卷积块并联，完成两个特征的提取；

经过提取的特征向量进入注意力模块，利用softmax激活函数转换成0至1的数作为该特征的权重，两个权重相连组成特征选择矩阵并与特征相乘实现对特征的选择，从而得到融合后的特征。

其中关键模块如下：

1)多尺度特征协同

考虑到整体特征和局部特征具有各自优缺点，采用多尺度特征协同学习策略，通过水平多尺度切分的方式来处理跨模态目标特征。采用多尺度分块池化的方式获得目标辐射噪声的多尺度特征向量，可用多尺度特征协同学习的方式获得更有判别力的目标信息。

2)多层次特征协同

本发明采用多层次特征协同学习方法，为了避免增加较大的计算量和特征维度，对于浅层信息仅考虑了Stage3阶段获取的特征图，使用1×1卷积将此特征图的通道数提升，然后将此浅层特征与Stage4阶段的深层特征级联一起送入后面的网络。

3)分布式多维信息协同融合

在双分支神经网络协同特征提取的基础上，引入注意力机制，利用该机制对特征进行筛选，融合时增大重要特征的权重，进而达到多维信息互补的效果，提高目标信息的利用率。

在本实施例中，具体的，所述Ret残差检测网络，包括：

所述Ret残差检测网络由两个残差模块、一个全连接层及输出层组成；

所述残差模块由BN层、包含256个卷积核；大小[3×3]，步长设为2的卷积层、最大池化层、ReLU激活函数组成。

以上所述实施例仅表达了本申请的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请技术方案构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。

提供本背景技术部分是为了大体上呈现本发明的上下文，当前所署名的发明人的工作、在本背景技术部分中所描述的程度上的工作以及本部分描述在申请时尚不构成现有技术的方面，既非明示地也非暗示地被承认是本发明的现有技术。

Claims (10)

1.一种基于多特征融合的被动声纳智能探测方法，其特征在于，包括：

步骤S1：基于ASEMD分解算法，对目标辐射噪声信号进行DEMON谱特征提取；

步骤S2：对目标辐射噪声信号进行基于人耳听觉特性的MFCC特征提取；

步骤S3：基于多特征协同融合网络，将DEMON谱特征和MFCC特征进行融合；

步骤S4：将融合后的特征送入Ret残差检测网络，进行目标检测。

2.根据权利要求1所述的一种基于多特征融合的被动声纳智能探测方法，其特征在于，所述步骤S1，包括：

步骤S11：通过ASEMD分解算法，将目标辐射噪声信号分解为n个模态分量；

步骤S12：将n个模态分量分别进行解调，获得各个模态分量对应的DEMON谱；

步骤S13：计算各个DEMON谱对应的加权系数；

步骤S14：将各个DEMON谱与其对应的加权系数进行融合，得到融合后的DEMON谱。

3.根据权利要求2所述的一种基于多特征融合的被动声纳智能探测方法，其特征在于，所述ASEMD分解算法，包括：

步骤A：对输入的目标辐射噪声信号做EMD模态分解；

步骤B：从分解结果中提取模态分量；

步骤C：判定模态分量是否为一阶模态分量IMF1；若是，跳转至步骤D；若不是，跳转至步骤E；

步骤D：判定模态分量中是否含有高频间隙分量；若不含有，跳转至步骤E；若含有，则进行CEEMD算法；

步骤E：计算剩余分量；当剩余分量满足截止条件时，算法结束；当剩余分量不满足截止条件时，重复步骤A和步骤B，直至剩余分量满足截止条件。

4.根据权利要求3所述的一种基于多特征融合的被动声纳智能探测方法，其特征在于，所述CEEMD算法，包括：

步骤D1：在目标辐射噪声信号中加入I组极性相反的成对噪声分量，形成2I组加噪信号；

步骤D2：对加噪信号分别做EMD分解，得到2I组模态分量；

步骤D3：将对应的2I组模态分量相加后集总平均，得到第n阶模态分量；

步骤D4：计算剩余分量，当剩余分量满足截止条件时，算法结束；当剩余分量不满足截止条件时，重复步骤D2和步骤D3，直至剩余分量满足截止条件。

5.根据权利要求4所述的一种基于多特征融合的被动声纳智能探测方法，其特征在于，所述截止条件，包括：

剩余分量为一个常量或一个单调函数。

6.根据权利要求2所述的一种基于多特征融合的被动声纳智能探测方法，其特征在于，所述步骤S12，包括：

对n个模态分量进行平方检波及低通滤波，得到包络信号，并将包络信号进行FFT处理获得各模态分量的DEMON谱P_IMFi,i＝1,2,...,n。

7.根据权利要求2所述的一种基于多特征融合的被动声纳智能探测方法，其特征在于，所述步骤S13，包括：

将各个模态分量的DEMON谱经过α双向滤波器，得到各个模态分量的DEMON谱加权系数；

所述步骤S14，包括：

通过DEMON线谱估计式，计算出各个模态分量的线谱；

将各个模态分量的线谱与其对应的DEMON谱加权系数相乘，再进行求和，得到融合后的DEMON谱。

8.根据权利要求1所述的一种基于多特征融合的被动声纳智能探测方法，其特征在于，所述步骤S2，包括：

将目标辐射噪声信号经过预加重、分帧、加窗处理；

将时域分帧信号经过离散傅里叶变换后得到能量频谱：

将能量频谱通过Mel频率滤波器组滤波得到Mel频谱：

取Mel频谱的对数能量求离散余弦变换，得到MFCC系数。

9.根据权利要求1所述的一种基于多特征融合的被动声纳智能探测方法，其特征在于，所述多特征协同融合网络，包括：

骨干网络中两个并联的残差网络组成双分支分布式网络，分别作为DEMON谱特征和MFCC特征提取器；

所述提取器包含4个卷积块和一个注意力模块，其中每个卷积块由BN层、卷积层、平均池化层和激活函数组成的，卷积层包含128个卷积核，大小[5×5]，步长设为2；

同时一个1×1卷积层与第四个卷积块并联，完成两个特征的提取；

经过提取的特征向量进入注意力模块，利用softmax激活函数转换成0至1的数作为该特征的权重，两个权重相连组成特征选择矩阵并与特征相乘实现对特征的选择，从而得到融合后的特征。

10.根据权利要求1所述的一种基于多特征融合的被动声纳智能探测方法，其特征在于，所述Ret残差检测网络，包括：

所述Ret残差检测网络由两个残差模块、一个全连接层及输出层组成；

所述残差模块由BN层、包含256个卷积核；大小[3×3]，步长设为2的卷积层、最大池化层、ReLU激活函数组成。

Images