[发明专利]一种基于深度学习的水下声信号目标分类识别方法

权利要求书

1.一种基于深度学习的水下声信号目标分类识别方法，其特征在于，包括以下步骤：

(1)利用GFCC算法对原始水下声信号进行特征提取，去除水下声信号中大量冗余的噪声信息，并且保留有效的声纹特征；

(2)构建特征矩阵：①采用MEMD算法对原始水下声信号在希尔伯特空间上进行特征提取，提取瞬时能量以及瞬时频率；②以信号帧为量级，对GFCC算法提取的特征值和MEMD算法提取的特征值进行融合，构建特征矩阵；

(3)对特征向量的分布建立GMM模型，将不同的数据点进行高斯分布混合，计算GMM模型中的均值向量，协方差矩阵和混合权重，保留水下声信号目标的个性特征；

(4)通过DNN完成分类决策的任务，实现目标分类识别。

2.根据权利要求1所述的一种基于深度学习的水下声信号目标分类识别方法，其特征在于：在步骤(1)中将原始水下声信号频谱采用Gammatone滤波器组得到初始特征信息，对每个滤波器的输出均进行等响预加重，并采用倒谱分析获得特征值。

3.根据权利要求1所述的一种基于深度学习的水下声信号目标分类识别方法，其特征在于：在步骤(2)中将原始水下声信号进行希尔伯特黄变换即HHT，将信号转换成希尔伯特谱，从而在希尔伯特谱上找到信号的3阶极值点，利用插值法计算上下包络线以及细节信号IMFs，对第5阶IMF提取瞬时能量和瞬时频率。

4.根据权利要求1或3所述的一种基于深度学习的水下声信号目标分类识别方法，其特征在于：在步骤(2)中以相同大小信号帧为量级，对GFCC算法提取的特征值和MEMD算法提取的瞬时能量及瞬时频率进行融合，融合后的特征矩阵维度不变，列数不变，行数变为原来的二倍。

5.根据权利要求1所述的一种基于深度学习的水下声信号目标分类识别方法，其特征在于：在步骤(3)中将水下声信号样本作为多变量高斯概率密度函数的加权和建立GMM模型框架，概率密度函数为其中每个子分布为μ_i为均值向量，Σ_i为协方差矩阵，T为特征向量个数，混合权重w_i,i＝1,2,…,M满足N_i(x)是D维的联合高斯概率分布。

6.根据权利要求1或5所述的一种基于深度学习的水下声信号目标分类识别方法，其特征在于：步骤(3)中每一类水下声信号目标的GMM模型的全参数由各分量的均值向量、协方差矩阵和混合权重的集合构成，参数对应的特征向量表示为λ＝{w_i,μ_i,Σ_i},i＝1,2,…,M，通过k-均值聚类算法完成GMM模型初始化。

7.根据权利要求6所述的一种基于深度学习的水下声信号目标分类识别方法，其特征在于：步骤(3)中模型参数估计的方法是期望最大化EM算法完成模型参数的更新，其中EM算法包括E步骤和M步骤，E步骤是在初始参数的基础上，计算特征向量对GMM模型的后验概率，即GMM模型中各个单独高斯函数的占有率，占有率为M步骤是通过E步骤得到的后验概率计算新的参数θ＝(M,λ,μ,Σ)，M为混合数；通过不断进行E步骤和M步骤，直到模型收敛，得到对应具体水下声信号目标类别的GMM模型。

8.根据权利要求1所述的一种基于深度学习的水下声信号目标分类识别方法，其特征在于：在步骤(4)中根据GMM模型全参数定义DNN的输入参数为μ_i,ubm为初始模型的均值向量，采用线性激活函数ReLU作为隐藏层激活函数，输出层使用交叉熵函数完成水下目标分类识别。