[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

说明书

本发明属于水下声信号处理技术领域，具体涉及一种基于深度学习的水下声信号目标分类识别方法。本发明包括以下步骤：(1)原始水下声信号通过Gammatone滤波倒谱系数GFCC算法进行特征提取；(2)提出利用改进经验模态分解MEMD算法提取瞬时能量以及瞬时频率，并与GFCC算法提取的特征值进行融合，构建特征矩阵；(3)建立高斯混合模型GMM，保留水下声信号目标的个性特征；(4)利用深度神经网络DNN完成水下目标分类识别。本发明可以解决传统水下声信号目标分类识别方法特征提取单一，抗噪能力差的问题，并且能有效的提高水下声信号目标分类识别的准确率，在目标声信号较弱、距离较远等情况下仍然具有一定的适应性。

技术领域

本发明属于水下声信号处理技术领域，具体涉及一种基于深度学习的水下声信号目标分类识别方法。

背景技术

海洋资源的开发和利用是实现可持续发展重要的途径，水下目标分类识别技术可以帮助更好的进行海洋生物调查和海洋勘探等。海洋环境复杂多变，电磁波在水中有很大衰减，而绝大部分水下目标都具有自己特定的声学特征，因此选择声波这种信号形式对水下目标进行研究是更为合适的。在军事领域，水下声信号目标分类识别技术能准确、及时、隐蔽地检测出水中目标，为各个系统和指挥部门提供准确的信息，对协同作战和抢占作战先机意义重大；在非军事领域，水下声信号目标分类识别技术能用于监测海上交通情况，进行海上交通管理，同时能得到海洋生物类别及生活习性等相关信息，对海洋生物保护也有非常重要的意义。

水下目标的分类识别属于模式识别的范畴。模式识别又称作模式分类，模式是某一类客观事物或者现象的类别总称，而模式中具体的一个对象可以看作一个样本。对于水下目标而言，船舶、海洋动物等都可以作为模式，而通过被动声纳获取的某一艘船舶或者某一个海洋动物的声音就是一个样本信号。分类识别的目的就是利用计算机实现对能够发出声音信号的不同类别水下目标的自动辨识。目前，国内外对于水下目标分类识别的主要研究方法是基于现代信号与信息处理理论的统计模式识别方法。基于这类方法的水下目标分类识别系统一般由数据采集、预处理、特征提取和分类决策组成。其中特征提取和分类决策在水下目标分类识别中起到至关重要的作用。

特征提取是从水下声信号中提取出能代表各类声源特征的过程。国内外学者对水下目标的特征提取进行了深入研究，并取得了重要的成果。其中在已有的文献中最著名和效果最好的分类方法主要包括：1.基于时域波形分析：Meng Qingxin,Yang Shie.A wavestructure based method for recognition of marine acoustic targetsignals.Journal of the Acoustical Society of America,2015,137(4):2242-2242.提出提取螺旋桨旋转的零相交特征和峰间幅值特征方法，有效的应用在噪声相对较小的水下目标分类识别中；2.基于时频分析的特征提取方法：Wang Wenbo,Li Sichun,YangJianshe,Liu Zhao.Feature extraction of underwater target in auditorysensation area based on MFCC.2016IEEE/OES China Ocean Acoustics(COA),Harbin,China,2016:1-6.提出利用梅尔频率倒谱系数Mel Frequency Cepstrum Coefficent即MFCC方法所提取的特征对水下目标分类识别是有效的；3.基于Gammatone滤波器的特征提取方法：Shameer K Mohammed,Supriya M Hariharan,Suraj Kamal.A GTCC-BasedUnderwater HMM Target Classifier with Fading Channel Compensation.Journal ofSensors,2018,2018(3):1-14.提出改进的GFCC方法提取目标音频信号的频谱特征，在噪声条件下，能取得较好的分类识别结果。