[发明专利]基于深度学习的近地面目标声震信号分类识别系统及方法

权利要求书

1.一种基于深度学习的近地面目标声震信号分类识别系统，其特征在于，包括声震传感器阵列、样本数据库、特征提取模块、特征增强模块、声震信号识别模块、结果输出模块以及模型压缩和移植模块，其中：

声震传感器阵列：用于对待识别目标使用声震信号传感器阵列获取得到声震信号数据，将该声震信号数据进一步定义为原始数据；

样本数据库：用于对原始数据进行简单预处理后得到样本数据，并将样本数据存储在样本数据库中；

特征提取模块：用于提取原始数据的声震信号特征；

特征增强模块：在对由特征提取模块以及声震信号识别模块组成的模型进行训练时，对样本数据库中的声震信号特征进行数据增强；

声震信号识别模块：用于将声震信号特征进行卷积操作和注意力编解码变换后计算得到中待识别目标的信息；

结果输出模块：用于对声震信号识别模块获得的待识别目标的信息进行结果输出；

模型压缩和移植模块：将由特征提取模块以及声震信号识别模块组成的模型部署至嵌入式设备上，实现模型压缩和移植。

2.如权利要求1所述的一种基于深度学习的近地面目标声震信号分类识别系统，其特征在于，所述声震传感器阵列通过MEMS声传感器阵列和MEMS震动传感器获取声震信号数据。

3.如权利要求1所述的一种基于深度学习的近地面目标声震信号分类识别系统，其特征在于，所述结果输出模块连接有显示屏，用于实现待识别目标的信息的屏幕显示。

4.基于权利要求1至3中任意一项近地面目标声震信号分类识别系统实现的基于深度学习的近地面目标声震信号分类识别方法，其特征在于，包括以下步骤：

S100、通过声震传感器阵列获取声震信号数据，将声震信号数据定义为原始数据；原始数据经过预处理之后送至已训练后的所述模型进行待识别目标的信息获取，在对所述模型进行训练时，原始数据经过预处理之后被传输至样本数据库；

S200、利用模型对经过预处理后的原始数据进行进行识别，包括以下步骤：

S201、提取原始数据的MFCC特征以及深度学习特征，进一步包括以下内容：

模型提取样本数据的梅尔频率倒谱系数特征，即MFCC特征。

模型使用预训练的基于混合注意力机制的VggNet16网络提取原始数据的深度学习特征，其中，在VggNet16网络最后一个卷积块后引入混合注意力网络构成基于混合注意力机制的VggNet16网络；在基于混合注意力机制的VggNet16网络中，将VggNet16网络输出的特征图输入混合注意力网络后得到空间注意力谱，再将空间注意力谱与VggNet16网络输出的对应的特征图进行逐元素相乘操作，得到带有空间注意力的特征图特征图输入到通道注意力网络中，最后得到了带有混合注意力谱的特征图，作为深度学习特征；

步骤202、模型将深度学习特征与MFCC特征结合后获得声震信号特征，利用集成学习方法对声震信号特征进行分类，获得分类结果作为待识别目标的信息。

S300、分析结果展示：结果输出模块对模型输出的待识别目标的信息进行输出，通过显示屏显示结果和打印机打印输出报告结果。

5.如权利要求4所述的一种基于深度学习的近地面目标声震信号分类识别方法，其特征在于，步骤S100中，对原始数据的预处理包括对原始数据进行语音活动检测，去除静音部分，以及将所有数据的采样率进行统一。