[发明专利]一种水下目标的分类方法

说明书

本发明提供了一种提供一种水下目标的分类方法，接收信号预处理并进行时频处理，构建数据集后，搭建并训练深度学习分类模型的搭建，通过深度学习分类模型输出分类结果，获取最终的分类结果。本发明针对水声目标分类的难点，提出了一种将ResNet网络和SqueezeNet网络相结合的分类模型—S‑ResNet，所提出的分类模型与其它分类模型相比，有更高识别准确率，网络参数更少，计算量小，在训练时间上具有一定的优势，能够满足水下目标实时分类的需求。

技术领域

本发明涉及神经网络技术领域，特别是涉及一种深度神经网络分类模型方法。

背景技术

近些年来，人们对海洋资源的需求量不断增加，对海上防御和反潜战的要求也越来越高，因此水下目标探测成为科技发达国家水声领域的研究热点。

目前，被动声纳已被证明是探测和识别自辐射目标的有效工具。水下被动目标识别中，最常用信息源是目标的辐射噪声，基于水下航行器发动机、螺旋桨、机械等噪 声源来自的噪声信息一定程度上能准确反映舰船目标的吨位、类型等聚类特征，这为 目标分类的研究提供了重要的理论依据。军事领域中，通过对特征的提取和有效的分 类识别，实现目标识别功能，从而区分水下航行器目标的种类、大小，并且有效区分 对象是真实的目标还是假的目标，进而实施有效的攻击指令。民用领域中，海上交通 的自动检测与分类和港口交通的监控也需要类似的系统。

迄今为止，水下目标分类还是主要依靠声纳接收的目标辐射噪声作为被动目标的信号源。针对目标辐射噪声特性，传统的目标分类方法主要是先提取舰船辐射噪声频 域、时频域和混沌域特性，再利用浅层的分类判决器进行判定分类。然而，一方面， 海洋环境的复杂性、水声信道的时变和空变性、水下目标的多样性，使得声纳采集到 的目标水声信息复杂多样，目标识别的准确性无法得到保证。另一方面，随着降噪减 震技术的发展，目标辐射噪声的声级不断下探，极易淹没在海洋环境噪声中。人工提 取的不同域特征用在分类判决器中日益困难。综上所述，设计分类准确率高、泛化能 力强的目标分类系统是当务之急。

发明内容

为了克服现有技术的不足，本发明提供一种水下目标的分类方法。传统的目标分类方法主要是先提取舰船辐射噪声频域、时频域和混沌域特性，再利用浅层的分类判 决器进行判定。而真实的海洋声信号具有典型的非平稳性、非线性、非高斯性。导致 传统信号处理方法提取真实的海洋声信号特征时就会出现处理效果差、准确率低、抗 噪能力不强等问题。而深度神经网络将特征学习和分类判别合二为一，与浅层模型相 比，深层网络具有优异的特征学习能力和通用的判决器等特点。针对深度学习做水下 目标分类存在的问题进行改进，有助于在保持分类效果的同时又降低模型复杂度。有 助于水下目标分类的智能化和实时处理，对于深度学习在水下目标分类的工程应用方 面具有重要意义。

本发明解决其技术问题所采用的技术方案的步骤如下：

步骤一：接收信号预处理；

布放在水域中的水听器实时接收当前水域水声信号，接收到的水声信号为y(n)，将接收到的信号经过去直流和低通滤波后，得到预处理后的信号是s(n)；

步骤二：时频处理；

对预处理后得到的信号s(n)进行滑窗切片处理，然后进行短时傅里叶变换，得到每个音频信号的时频特征图；对时频特征图打上标签，不同的目标样本设置不同的标 签；

步骤三：构建数据集；

根据步骤二得到的时频特征图作为数据集S，按照预置比例将数据集S随机进行划分为训练集S₁和测试集S₂，并进行像素值归一化处理；最终得到的时频图样本作为 最终目标分类的数据集；

步骤四：深度学习分类模型的搭建；