[发明专利]一种水下目标结构化稀疏特征提取方法

摘要

本发明涉及一种基于贝叶斯结构化稀疏的水下目标辐射噪声特征提取方法，本方法首先将水下目标辐射噪声信号进行分帧，采用层次贝叶斯模型对帧信号基于离散傅里叶字典的分解问题进行概率建模。对相邻多帧信号，采用贝叶斯变分算法对模型进行推断，估计出信号的分解系数，最后将能量归一化后的分解系数作为帧信号的多帧联合块结构化稀疏特征。该特征是一种对噪声具有鲁棒性的目标特征。

主权项

1.一种水下目标结构化稀疏特征提取方法，其特征在于步骤如下：步骤1：对水下目标辐射噪声信号y进行分帧、去直流和能量归一化预处理；步骤2：将各帧信号基于离散傅立叶字典D分解展开：y(n)＝Dx(n)式中，x(n)是时域帧信号y(n)基于字典D的分解系数；其中，字典D的各个列向量为字典原子，它们是具有单位长度的傅立叶正交基；字典的行数与各帧样本的长度保持一致，列数根据信号时频谱中线谱成分出现的频率范围以及数量确定；字典中每一列傅立叶基函数应从包含线谱成分的频段中进行选取；步骤3：采用层次贝叶斯模型对帧信号基于离散傅立叶字典的分解过程进行建模，构建的层次贝叶斯模型中假设信号y基于字典D的分解系数x服从多元高斯分布，均值和协方差分别用随机变量μ,∑表示，对于相邻的M帧信号，噪声n_i＝y_i‑Φx_i,i＝1,2,…,M也服从高斯分布，均值都为0，精确度即方差倒数均为α₀，其中α₀和α＝{α₁,α₂,…,α_N}均服从Gamma分布，即α₀～Gamma(a,b)，α～Gamma(c,d)，a，b，c，d均为模型的超参量，字典步骤4：对构建的层次贝叶斯模型，运用贝叶斯变分算法对隐随机变量进行推断，用均值μ作为分解系数x的估计；相邻的M帧信号联合求解得到M组信号稀疏分解系数；设最大迭代次数Nmaxiter，所采用的贝叶斯变分算法推断过程如下：for n＝1,…,Nmaxiterfor i＝1,…,MupdateΣi～p(Σi|α0,α,yi)update ui～p(ui|α0,Σi,yi)update a,b,c,dupdateα0～Gamma(a,b)updateα～Gamma(c,d)步骤5：从相邻M帧信号y1,y2,…,yM的M组分解系数x1,x2,…,xM中，选择最中间的一组分解系数：若M为偶数，取xM/2；若M为奇数，取x(M+1)/2；并作能量归一化处理，作为该组连续M帧信号的多帧联合块结构化稀疏特征。