[发明专利]一种深层神经网络和水声目标声纹特征提取方法

说明书

一种深层神经网络和水声目标声纹特征提取方法，深层神经网络包括输入层、隐层和输出层，用于水声目标声纹特征的提取，输入层中的节点数为水声目标信号原始信号谱的频点数、基频取值范围内的所有频率的频点数以及谐波阶次之和，输出层的节点数为原始信号谱的频点数，隐层的节点数小于输入层的节点数；水声目标声纹特征提取方法包括信号获取步骤、基频与谐波获取步骤和重构步骤，该深层神经网络根据水声目标信号特点进行了适应性的修改，可以实现水声目标信号基频、谐波的准确提取以及原始信号谱的重构，削弱原始信号谱中包含的噪声线谱，对原始信号谱产生净化的作用，减小干扰线谱对最终船舶目标个体识别的影响，并能适应频率漂移。

技术领域

本发明涉及一种神经网络和特征提取方法，特别是一种深层神经网络和水声目标声纹特征提取方法，属于目标识别领域。

背景技术

水声信号中存在着如同指纹一样可区分个体的声纹特征。船舶辐射噪声主要由发电机、推进系统和船上辅助设备等声源产生，可以被探测设备所侦测获取。侦测到的水声信号中存在着与其多声源相应的区别与其他型号船舶的声纹特征，声纹特征包含简单特征和复杂特征，声纹特征中的线谱就是简单特征，这些特征线谱可以用频率、幅值和宽度描述，而特征线谱间存在的关联关系则为复杂特征，可以更精细地用重构信号的谱图表示。目前用于目标识别的水声信号特征提取方法均为浅层神经网络，尚无利用深层神经网络进行特征提取，更无利用深层神经网络进行可用于识别目标个体的声纹特征提取。

近些年来，深度学习(Deep Learning)作为机器学习(Machine Leaning)研究中的一个新的领域，以其在各个机器学习任务中所展现出来的优良的性能，得到了广泛的关注。深度学习的引入也在一定程度上使得机器学习更加接近其原始的目标：人工智能(Artificial Intelligent)。在经典机器学习方法中，人工智能系统基于系统输入特征学习得到模型，从而实现分类和识别。在表示学习(Representation Learning)方法中，人工智能系统不仅学习如何从给定特征映射到系统输出，而且学习如何选择输入特征。然而在实际应用中，影响输入观察的因素非常多，如何从中抽取出更具代表性的高层特征，是表示学习所面临的困难。而基于深度学习的人工智能系统则实现了从底层的简单概念中构建得到高层复杂概念的能力。深度学习之所以被称为“深度”，是相对支撑向量机(SupportVector Machine)、提升方法(Boosting)、最大熵方法等“浅层学习”方法而言的。深度学习的概念源于人工神经网络(Artificial Neural Network)的研究，最早由多伦多大学的Hinton等提出，其中在输入层和输出层之间包含超过一个隐层的神经网络，即深层神经网络(Deep Neural Network)，就是一种深度学习结构。在神经网络研究领域，随机梯度下降和误差反传算法作为传统训练多层网络的典型算法，在训练包含多个隐层的神经网络时，难以达到理想的效果。其中，一个主要困难源于深层网络的非凸目标函数的局部最优点普遍存在，从而使得随机初始化的网络在训练中容易陷入一个较差的局部最优点。2006年，预训练(Pretraining)的概念被引入到了神经网络研究领域，很好地解决了DNN的模型优化所面临的问题。随着深层神经网络在许多机器学习任务中取得了良好的性能，神经网络又迎来新一轮的研究热潮。在机器视觉领域，深层神经网络在ImageNet竞赛中带来的显著性能提升。在自然语言处理领域，循环神经网络语言模型被广泛地应用到各个领域，取得了显著优于N元文法的性能。基于神经网络的方法也被应用到了许多自然语言处理任务中，例如机器翻译，命名体识别，词性标注，语义分析等。基于深层神经网络的语音识别声学模型成为了主流的建模方法，并在信息产业上取得了成功。

发明内容

本发明的技术解决问题是：克服现有技术的不足，提供了一种深层神经网络和水声目标声纹特征提取方法，该深层神经网络根据水声目标信号特点进行了适应性的设计，利用该深层神经网络可以实现水声目标信号基频、谐波的准确提取以及原始信号谱的重构，削弱原始信号谱中包含的噪声线谱，对原始信号谱产生净化的作用，减小干扰线谱对最终船舶目标个体识别的影响，并适应频率漂移。