[发明专利]一种基于数据增强的船舶辐射噪声识别方法

说明书

本发明公开了一种基于数据增强的船舶辐射噪声识别方法，包括：采集包含船只信息的辐射噪声样本；对该样本进行加窗处理，得到若干小段辐射噪声，对加窗后的辐射噪声样本正则化处理并为不同样本附上相应标签；提取所有样本的MFCC特征，将其输入到变分自编码器数据增强模型的时延卷积编码器，得到对应的特征空间的分布参数；从特征空间分布中进行采样，得到采样特征向量并将其输入变分自编码器数据增强模型的转置时延卷积解码器，得到对应的重构数据；对变分自编码器数据增强模型进行训练，训练结束后生成大量的生成数据，来扩充原有训练样本；使用扩充后的训练样本训练分类器；对测试数据展开预测，得到对应的预测船舶类别。

技术领域

本发明涉及一种船舶辐射噪声识别方法，特别是一种基于数据增强的船舶辐射噪声识别方法。

背景技术

我国具有辽阔的海域面积和丰富的海洋资源，随着近现代航海工业，渔业等行业的快速发展，水声信号的研究越来越受到人们的重视。水下辐射噪声是一种常见的水声信号，此类信号大都是由船只在水中行驶所产生的。因为船只的辐射噪声可以反映船只的运行速度、船只载货量、零部件工作状况等船体信息，所以辐射噪声信号经常被用作分析船只的重要信息源。目前大多数船只辐射噪声分析工作都是由经过训练的专业人员完成的，受到专业人员培训的成本以及人工识别效率的限制，该项技术目前的应用范围仍然非常有限。为了降低辐射噪声识别技术的成本，扩大该项技术的应用范围，越来越多的科研工作者投入到辐射噪声自动化识别的研究中。

然而和在空气中传播的信号相比，水声信号更加容易受到水下信道和变幻莫测的水生环境的影响。因为海面的随机运动、海底的不平整以及随时间变化、水体的不均匀分布等原因，水声信道不仅在空间上不是均匀的，在时域上也是随机可变的。再加上水声信号传播速度慢，码元周期长，复杂的水下信道导致了水声信号时变、非平稳的特点。同时海洋环境也比陆地上更加多样，水下存在各种生物、海水运动以及行船产生的噪声，不同的水域对声波信号的吸收频率也不一致，不同深度的水域中信号传播的速度也不尽相同，这就导致实际在水下传播的信号还会受到多径效应、多普勒效应以及各种噪声信号的干扰。由于问题的多样性和处理的复杂性，水声信号识别一直是一项具有挑战性的课题。

现有的水下辐射噪声识别研究大都是基于经典的信号处理算法来开展的，该类算法通过构造复杂的信号处理模型来完成信号降噪、信号特征提取的工作，然后通过比对不同信号之间特征的相似度来完成分类。此类方法具有较好的可解释性和理论依据，但是容易受到环境因素的影响，当实验场景发生变化时，需要依靠相关领域知识对模型参数进行调整。近年来随着深度学习理论的发展，数据计算设备的更新换代，深度神经网络技术得到了快速的发展，在图像识别、语音识别、自然语言处理等领域取得了巨大的成果。目前越来越多的学者提出了使用深度学习模型来构建辐射噪声信号识别模型。相较于以往的时频分析方法，深度学习模型可以提取到更加有表达力的非线性特征，同时识别性能也有了较大程度的提升。然而深度学习算法大都需要大规模的数据集来支撑模型的训练，辐射噪声信号由于采集成本高、采集方法复杂等原因，实验数据规模非常有限，因此开展数据增强研究，扩充噪声信号数据集，对于提高模型的识别性能至关重要。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于数据增强的船舶辐射噪声识别方法。

为了解决上述技术问题，本发明公开了一种基于数据增强的船舶辐射噪声识别方法，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；