[发明专利]基于数据增强和时频分离的CNN水声信号目标识别方法

说明书

本发明公开了基于数据增强和时频分离的CNN水声信号目标识别方法，能够提高识别正确率。方案为：获取不同目标类别的水声信号作为样本，分帧得到原始时域信号样本，据此构建训练集和测试集。对原始时域信号样本进行数据增强和扩充。对扩展后原始时域信号样本提取Mel功率谱，采用随机时域掩蔽和频率掩蔽方式进行谱图数据的扩展。对扩展后的Mel功率谱进行标注，并归一化处理，作为待识别水声信号的频谱特征。采用训练集中样本得到的待识别水声信号的频谱特征，进行目标分类模型训练。采用测试集中样本得到的待识别水声信号的频谱特征，输入至训练好的目标分类模型进行分类识别测试，获得训练好的目标分类模型的分类精度。

技术领域

本发明涉及水下目标识别领域，具体为基于数据增强和时频分离的CNN水声信号目标识别方法。

背景技术

水声信号被动目标识别对于海洋开发、国防安全都有着重大意义，由于海洋环境的时变性和目标特征的复杂性，该问题一直没有得到很好的解决。经过多年的发展，新的理论、技术、方法不断被提出和验证，目前一部分相对有效的技术已从实验室仿真过渡到硬件应用阶段。然而，要想达到依靠识别系统进行自动判断，还有很多新方法和新途径值得人们去探索。

水声信号目标识别受到海洋环境的影响，存在强烈的噪声干扰，且数据采集和标注的难度较大，通常需要在小样本情况下进行识别。此外，水声信号的类内差异性和类间相似性也制约着识别的效果，相同目标在不同的航行状态下可能呈现出不同的特征，而不同目标在吨位、航速、工作状态、环境变化等作用下，可能存在相似的特征。因此，水声目标识别一直是水声探测领域中重要的研究方向。

利用深度学习方法对水声信号进行分类需要大量的数据进行训练，如何在有限的样本下，提取具有更加包容性的特征向量并构建高精度和高效率的目标识别模型，这是水声信号目标识别中最具挑战性的任务。目前大多数水声信号识别系统都是在特定的条件下经过优化，以获得最佳的性能，这会导致识别系统在应用于新环境时存在泛化风险。

发明内容

有鉴于此，本发明提供了基于数据增强和时频分离的CNN水声信号目标识别方法，能够通过数据扩展和时频分类提供一种适用于小样本水声信号的识别方法，提高识别正确率。

为达到上述目的，本发明的技术方案包括如下步骤：

步骤1：获取不同目标类别的水声信号作为样本，对水声信号样本按照预设的时间步长进行分帧，得到原始时域信号样本，据此构建训练集和测试集。

步骤2：对原始时域信号样本进行数据增强和扩充，针对原始时域信号样本，在添加高斯噪声的基础上，采用时域拉伸和音调变换的方式进行扩展，得到第一次扩展后的数据。

针对原始时域信号样本，提取Mel功率谱，再采用随机时域掩蔽和频率掩蔽方式进行谱图数据的扩展，得到第二次扩展后的数据。

步骤3：按照原始时域信号所属目标类别对第一次扩展后的数据和第二次扩展后的数据进行标注，将第一次扩展后的数据提取Mel功率谱后，与第二次扩展后的数据一起进行归一化处理，作为待识别水声信号的频谱特征。

步骤5：利用训练集中样本得到的待识别水声信号的频谱特征，采用如下方式进行目标分类模型训练：

根据预设的频段划分界限将待识别水声信号的频谱特征划分为低频特征和高频特征，将低频特征和高频特征分别输入独立的卷积神经网络即CNN网络；对两个独立的CNN网络的输出特征进行串联，并利用两个全连接层实现目标分类。

步骤6：采用测试集中样本得到的待识别水声信号的频谱特征，输入至训练好的目标分类模型进行分类识别测试，获得训练好的目标分类模型的分类精度。

进一步地，步骤1中，获取不同目标类别的水声信号作为样本，对水声信号样本按照预设的时间步长进行分帧，得到原始时域信号X(n)，据此构建训练集和测试集，具体为：