[发明专利]一种基于深度学习的Lofar线谱检测方法

说明书

本发明涉及一种基于深度学习的Lofar线谱检测方法，主要针对不规则波动的低信噪比的线谱检测与恢复问题。本发明将深度学习应用于线谱检测问题，使用卷积神经网络对线谱图像和噪声图像进行分类，并利用可视化策略恢复线谱，其效果远远超出传统线谱检测中人类视觉的感知范围，可以检测和恢复更低信噪比的线谱图像。

技术领域

本发明涉及信号检测领域，特别是一种基于深度学习的Lofar线谱检测方法。

背景技术

在被动声纳系统中检测安静的人造目标仍然是海洋监控中最具挑战性的问题之一。通常，由于电动机的旋转部件，发出特定的声波，并构造了一个称为Lofargram(低频分析和记录)的频率随时间变化的图像，以帮助检测这种发出的信号，通常形式为一条频率线。线谱检测传统方法中，统计模型可以用强大的统计先验模型对势能线的波动进行建模，然后对频谱功率进行概率积分。对于低线形变化，信噪比限制在2～4dB的范围内，但需要先知道基频。对于波动变化，使用隐马尔可夫模型可检测的信噪比为-18dB，更低的信噪比则无法检测。

发明内容

要解决的技术问题

针对传统方法的不足，本发明提出了一种基于深度学习的Lofar线谱检测方法。深度学习应用于线谱检测问题，使用卷积神经网络对线谱图像和噪声图像进行分类，并利用可视化策略恢复线谱。本发明不需要知道信号的先验信息，且效果远远超出传统线谱检测中人类视觉的感知范围，可以检测和恢复更低信噪比的线谱图像。

技术方案

一种基于深度学习的Lofar线谱检测方法，其特征在于步骤如下：

步骤1：数据增强

对蒙特卡罗仿真生成的模拟图像，进行裁剪和翻转的数据增强方法，把数据增强后的模拟图像的90％设置为训练集，10％设置为测试集；

步骤2：预训练

使用信噪比为-20dB和-23dB的训练集预训练检测网络，预训练时使用Adam算法进行小批量梯度下降，并加入L2正则化和dropout减小过拟合；所述的检测网络选取Alexnet，包括5个卷积层，并在他们之间进行非线性激活和池化操作，3个全连接层，最后为2分类层；

步骤3：训练

降低学习率，使用信噪比为-24dB的训练集训练步骤2预训练好的检测网络，其他训练细节与步骤2的预训练一致；

步骤4：检测和恢复线谱

对于训练好的检测网络，输入线谱图片或噪声图片，检测网络可以检测出线谱图片，并将其传入恢复网络，恢复网络使用引导的反向传播，可以从被噪声掩盖的原始线谱图像中恢复线谱；所述的恢复网络与检测网络互为镜像关系。

有益效果

本发明提出的一种基于深度学习的Lofar线谱检测方法，提出了一个新的DeepLofargram，它由深度卷积神经网络及其可视化部分组成。Lofargram上的二分类检测和线谱空间位置的恢复可以一起进行。借助这种深层架构，可以实现信噪比低至-24dB的信号的检测和恢复，并且不需要知道信号的先验信息，其效果远远超出传统Lofargram中人类视觉的感知范围，可以检测和恢复更低信噪比的线谱图像。

附图说明

图1为线谱检测和恢复的模型图

具体实施方式

现结合实施例、附图对本发明作进一步描述：