[发明专利]一种舰船辐射噪声分类方法

权利要求书

1.一种舰船辐射噪声分类方法，其特征在于包括下述步骤：

步骤一：舰船辐射噪声信号的分帧和加窗

对水听器采集到的声信号y(t)进行分帧和加窗处理，处理后的信号为X(t)＝{x_i(t)|i＝1,2,...,N}：

X(t)＝enframe(y(t))＝{x_i(t)|i＝1,2,...,N}

其中，x_i(t)是第i帧的片段信号，N代表总的帧长，t代表时间，enframe(·)代表分帧加窗运算，X(t)是片段信号的集合；

步骤二：舰船辐射噪声片段信号的归一化处理；

对步骤一中得到的每一个片段信号x_i(t)做归一化处理；

步骤三：搭建变分自编码器模型；

变分自编码器模型VAE包含两个部分：编码器Encoder和解码器Decoder；

自编码器模型VAE表示如下：

f_VAE(·)＝{Encoder(·),Decoder(·)}

其中，Encoder(·)代表编码器运算，Decoder(·)代表解码器运算，f_VAE(·)代表自编码器网络运算；

步骤四：优化损失函数生成仿真信号；

VAE模型中的损失函数包括两个部分：重构误差和分布误差；重构误差采用最小均方误差计算，分布误差采用KL散度计算；片段信号z(t)最终经过变分自编码器模型VAE生成仿真信号z′(t)：

μ,log(σ²)＝Encoder(z(t))

z′(t)＝Decoder(μ,log(σ²))

其中，Z′是解码器Decoder生成的仿真信号z′(t)的集合，Z是步骤二中得到的片段信号z(t)的集合，p(x)和q(x)分别是信号真实的概率分布和想要逼近的概率分布，KL(p|q)即是KL散度误差；μ和log(σ²)分别代表输入VAE的片段信号z(t)的均值和对数方差；最终整个VAE模型的运算表示为：

z′(t)＝f_VAE(z(t))

f_VAE(·)代表自编码器网络运算；

步骤五：搭建基于卷积网络的仿真信号分类模型；

将步骤三中搭建的编码器Encoder模型复制一份，复制的模型称为Encoder2，然后将Encoder2模型中的第四层修改为一个全连接层，即可提取输入信号的深度特征，将此时的Encoder2模型的前四层网络模型定义为模型F；再在Encoder2模型的第四层之后加一个非线性激活函数，紧接着是第五层分类判别层；经过上述修改后的Encoder2模型，重新命名为基于卷积神经网络的分类模型C；

其中k是深度特征的维度，z′_Fea是片段信号z′的深度特征，Feature_k是第k维的深度特征；Prob是输入分类模型C的仿真信号z′判别为每一类样本的概率，p1、p2、p3是片段信号z′判别为样本1、样本2和样本3的概率值，f_F(·)和f_C(·)分别代表深度特征提取运算和卷积神经网络分类运算；

步骤六：网络模型的优化

调整卷积神经网络模型C中的超参数，并选取不同的激活函数和梯度下降优化算法提升该卷积神经网络的表现，得到最终优化好的网络模型为C′；

优化的标准为提升网络模型C在验证集上的准确率，当无论是增大或者缩小模型的学习率都会使验证集准确率下降时，此时的模型C′为优化好的模型，最终优化好的模型C′的分类准确率在90％以上；

步骤七：真实舰船辐射噪声数据的分类判别；

将待测的真实舰船辐射噪声片段信号z_test输入到优化并且训练好的网络模型C′中，即可得到真实信号的分类概率：

其中，f_C′(·)代表已经优化好的卷积神经网络分类运算，p1_true,p2_true,p3_true分别是片段信号z_test判别为样本1、样本2和样本3的概率值；

最后，根据样本z_test判别为3类目标的概率值，得到最终的舰船辐射噪声信号分类结果，判别依据如下：

其中，R_Judgment代表最终的分类结果，f_max(·)输出概率值最大的类别名，如P1_true最大时，