[发明专利]信号处理与深-浅网络多模型融合的水声目标识别方法

说明书

本发明公开了一种信号处理与深‑浅网络多模型融合的水声目标识别方法，属于水声目标被动侦察技术领域。本方法首先用信号处理方法对被动侦察阵列采集的目标信号数据进行预处理，滤除干扰并提取目标特征，然后采用卷积神经网络和残差网络构建多模型识别架构，最后引入投票决策机制，实现对水中机动目标的分类识别。本发明以声纳信号处理为预处理应对复杂海况下干净样本获取困难的问题；采用多个维度的特征作为训练样本提升不同海况和工况下适应能力和识别正确率；基于多神经网路模型的融合识别提升本方法的识别正确率和鲁棒性。

技术领域

本发明属于水声目标被动侦察技术领域，特别是指一种信号处理与深-浅网络多模型融合的水声目标识别方法，可用于分析探测阵列采集的目标辐射噪声信号。

背景技术

水声目标被动分类识别是对声纳设备接收的目标辐射噪声信号进行分析处理，提取目标特征并判别目标类型的信息处理技术。常用的目标分类识别方法主要有统计分类、模型匹配和专家系统等，但是，由于目标种类繁杂、噪声信号产生机理复杂、易受海洋环境影响和高质量样本获取困难等原因，使得不同的方法均存在应用局限性。此外，如果根据噪声信号的节拍、音色、起伏和频谱等信息判断未知目标的属性，则难免受到精神状态、心理因素等影响，使判断结果出现偏差。

随着深度学习技术在相关分类识别问题上取得突破性进展，人工智能在水声信号处理中的应用技术成为研究热点。由此，基于典型信号处理方法与深度学习相结合的水中机动目标被动识别技术不失为一种有效解决途径。但是，目前现有技术中还缺少这样的方案。

发明内容

有鉴于此，本发明的目的在于提供一种信号处理与深-浅网络多模型融合的水声目标识别方法，其具有准确率高，环境适应性强，提取特征鲁棒性好的优点。

为了实现上述目的，本发明采用的技术方案为：

一种信号处理与深-浅网络多模型融合的水声目标识别方法，括以下步骤：

(1)对基阵接收的水声目标辐射噪声信号进行滤波降噪，得到干净和增强后的时域信号数据；

(2)对步骤(1)的时域信号数据做域变换，提取具有类间区分度的时频谱图和梅尔倒谱系数作为特征样本；

(3)搭建三通道深-浅网络，所述三通道深-浅网络包括两个卷积神经网络和一个残差网络；将步骤(2)得到特征样本标注所属类别，使用特征样本中的时频谱图分别对一个卷积神经网络和残差网络进行训练，使用特征样本中的梅尔倒谱系数特征对另一个卷积神经网络进行训练，形成多模型联合识别的处理架构；

其中，使用特征样本中的时频谱图分别对一个卷积神经网络和残差网络进行训练的具体方式为：

(A301)将所有时频谱图按照3:1:1的比例划分为训练集、验证集和测试集，并打乱顺序以确保每个样本集中各类数据均匀分布；

(A302)根据时频谱图的特征搭建卷积神经网络分类模型，卷积神经网络包括1个输入层、4个卷积层、4个极大池化层、1个全连接层和1个Softmax层，卷积层使用ReLU函数作为激活函数；

(A303)对卷积神经网络进行训练，得到具有分类识别能力的卷积神经网络模型；

(A304)根据时频图谱数据搭建残差网络分类模型，所述残差网络包括4层layer，每个layer由不同个数的block构成，4层layer的block个数分别为3、4、6、3，每个block均包括卷积层、批量标准化层和Softmax分类层；根据样本特性，对残差网络分类模型进行适应性迁移，调整输入层维度，加载预训练好的模型参数并进行训练，得到可以分辨不同目标时频谱图的残差网络模型；

使用特征样本中的梅尔倒谱系数特征对另一个卷积神经网络进行训练的具体方式为：