[发明专利]一种基于二维多尺度排列熵的水下目标识别方法

说明书

本发明提供了一种基于二维多尺度排列熵的水下目标识别方法，采用小波包分解和多尺度排列熵结合的方法进行特征提取，再将卷积神经网络应用到水下目标识别中，利用卷积神经网络挖掘水下目标更加深层的信息，能够提高水下目标识别的性能，适用于在复杂的海洋环境噪声中识别水下目标。本发明可以充分利用信号的时频信息，采用多尺度排列熵的方法对信号进行特征提取，使其更加清晰地体现出每个尺度下的排列熵特征，利用卷积神经网络来挖掘信号间更深层的信息。提高水下目标识别性能，以及在复杂海洋噪声背景下的泛化性和鲁棒性。

技术领域

本发明涉及信号处理与人工智能领域，涉及到一种水下目标识别的方法。

背景技术

二十一世纪，许多海洋大国将发展海洋作为下一步的战略目标。在军事活动中，提高水下目标识别性能一直是战胜地方的关键。针对海上作战的特点，特别是舰船的机动性、隐蔽性以及自动化的提高以及水下环境的复杂，为现如今传统的水下目标识别技术带来了极大的挑战。

水下目标识别主要分为三部分工作：特征提取，特征选择，分类器设计。目前传统的舰船辐射噪声特征提取方法主要有：时域波形结构特征、频域谱特征、小波变换、短时傅里叶变换、高阶统计量、LOFAR谱、听觉感知特征以及非线性特征等方法。以上的特征提取方法仍然存在不足，例如：时域波形特征虽然原理简单、易于实现，但是需要先验知识来设定其中的参数，固定的参数设置会导致其在复杂海洋环境条件下的识别泛化性较弱，小波变换存在小波基函数如何有效选择的问题，听觉感知等特征提取方法主要集中在听觉外周模型，很少涉及到听觉中枢系统，而包括排列熵在内的一些熵特征结果都是一个单独的值，特征信息较为单一，多尺度排列熵可以输出一维的特征向量，但其后接的分类器都采用传统机器学习方法或者较为简单的概率神经网络等分类器，不能充分挖掘舰船辐射噪声特征内部的信息。

近年来，深度学习在各个应用领域取得了令人瞩目的成果。因其具有自主学习、高容错率、自适应性等特点，在自然语言处理、计算机视觉、文本处理等方面取得了令人瞩目的成就。除此之外其优点在于不需要模型的先验信息，可以有效的提取数据的内在信息和分布，能够非常精确地提取出更深层的特征。相比较传统的机器学习方法而言，深度学习更具有泛化能力和鲁棒性。

发明内容

为了克服现有技术的不足，本发明提供一种基于二维多尺度排列熵的水下目标识别方法。针对现如今传统的水下目标识别方法存在不足的问题，提出一种基于二维多尺度排列熵的水下目标识别方法。本发明主要考虑充分利用水下目标的多频带非线性特征，采用小波包分解和多尺度排列熵结合的方法进行特征提取，利用卷积神经网络挖掘水下目标信号更加深层的信息，提高水下目标识别性能以及在复杂海洋环境噪声下的鲁棒性和泛化能力。

本发明提出一种基于二维多尺度排列熵的水下目标识别的方法，在对小波包分解后的多子带进行多尺度排列熵特征提取的基础上，再将卷积神经网络应用到水下目标识别中，利用卷积神经网络挖掘水下目标更加深层的信息，能够提高水下目标识别的性能，适用于在复杂的海洋环境噪声中识别水下目标。

本发明解决其技术问题所采用的技术方案的主要步骤如下：

步骤一：接收信号预处理；

将接收到的信号，进行去直流，然后进行分帧加窗预处理，每一帧加窗处理后的数据为x(n)＝y(n)w(n)，其中w(n)为窗函数，y(n)是每帧时间序列信号，x(n)是经过加窗处理的帧信号；

步骤二：小波包分解成多子带；

将分帧加窗后的信号进行小波包分解，计算公式如下所示：

式中，ψ(t)表示小波函数，a表示尺度，τ表示平移量，f(t)表示经过步骤一处理后的原始信号；

步骤三：多子带上进行多尺度排列熵特征提取；

在得到的每个频带上提取信号的多尺度排列熵特征，信号时间序列为