[发明专利]一种基于数据增强的船舶辐射噪声识别方法

权利要求书

1.一种基于数据增强的船舶辐射噪声识别方法，其特征在于，包括如下步骤：

步骤1，构建变分自编码器数据增强模型，该模型由时延卷积编码器和转置时延卷积解码器组成；采集包含船只行驶信息的辐射噪声样本，将发出该辐射噪声的船只类型作为其类别标签，得到原始辐射噪声数据集B1，并按照比例，将数据集B1划分为训练集B2和测试集B3；

步骤2，通过对训练集B2进行加窗操作，从原始辐射噪声信号中分割出若干片段信号，片段信号的船只类别标签和对应的原始辐射噪声信号标签相同，将片段信号的梅尔频率倒谱系数MFCC特征用于变分自编码器数据增强模型训练，得到训练集B4；

步骤3，将训练集B4中的数据I输入时延卷积编码器，得到输入的数据I在深度特征空间的概率分布，该概率分布为正态分布，时延卷积编码器输出该概率分布的均值M和标准差S；

步骤4，利用时延卷积编码器输出的均值M和标准差S，随机采样得到新的特征向量V，将特征向量V输入转置时延卷积解码器，对该特征向量V进行层层解码，得出重构梅尔频率倒谱系数MFCC数据O；

步骤5，计算输入数据I和重构输出数据O之间的重构误差，以及深度特征向量概率分布和标准正态分布之间的偏差，利用这些误差和偏差项计算变分自编码器数据增强模型的参数更新值，利用参数更新值对变分自编码器数据增强模型中的对应参数进行更新；

步骤6，将训练集数据输入训练好的变分自编码器数据增强模型，来产生更多的重构数据，重构数据的类别标签和输入数据一致，然后使用重构数据来扩充训练集B4，得到扩充后的训练集B5；

步骤7，使用扩充后的训练集B5，训练一个ResNet-18分类器，将训练好的分类器结果文件保存为结果文件F；

步骤8，利用结果文件F，对测试集B3中的每条辐射噪声信号进行识别，得到测试辐射噪声所属的船只类别，完成基于数据增强的船舶辐射噪声识别。

2.根据权利要求1所述的一种基于数据增强的船舶辐射噪声识别方法，其特征在于，步骤1中，使用被动声纳设备采集港口中往来船只发出的辐射噪声，获取辐射噪声原始数据，即辐射噪声样本，并将发出该信号的船只类型作为该辐射噪声信号的类别，将采集到的所有辐射噪声样本和该辐射噪声信号的类别数据组成原始辐射噪声数据集B1，并按照比例将数据集B1划分为训练集B2和测试集B3。

3.根据权利要求2所述的一种基于数据增强的船舶辐射噪声识别方法，其特征在于，步骤2中所述加窗操作包括：使用加窗法，规定固定的窗口大小为W，将训练集B2中的原始数据分为若干段长度为W的加窗信号，每一段加窗信号的类别标签为其所属的原始数据的类别标签，从加窗得到的片段信号中提取对应的梅尔频率倒谱系数MFCC特征，该特征是二维的时频特征，利用窗口片段信号的梅尔频率倒谱系数MFCC特征组成训练集B4，用于变分自编码器数据增强模型的训练。

4.根据权利要求3所述的一种基于数据增强的船舶辐射噪声识别方法，其特征在于，步骤3中，从训练集B4中选取梅尔频率倒谱系数I作为变分自编码器数据增强模型的输入，变分自编码器数据增强模型由时延卷积编码器和转置时延卷积解码器两部分组成，输入数据先通过时延卷积编码器结构学习得到输入数据对应的特征空间概率分布，然后通过特征空间采样向量解码得到重构数据，完成数据增强的任务；

所述时延卷积编码器由三个时延卷积单元级联组成，每个时延卷积单元包含了卷积、转置操作、批归一化和残差连接四部分；通过时延卷积编码器提取输入数据I的深度特征，将该深度特征展开为一维特征，输入两个独立的全连接神经网络，得到深度特征随机分布的均值M和标准差S。