一种舰船辐射噪声分类方法

技术领域

本发明涉及信号处理领域，尤其是一种噪声分类方法，涉及舰船辐射噪声重构，机器学习，神经网络等理论。

背景技术

在传统的水下目标被动分类任务中十分依赖声呐兵的作用。训练有成、经验丰富的声呐兵能够根据人耳收听到的舰船目标信号的节奏、音调，在谱图的辅助下依靠自 己的经验对目标做出决策。但声呐兵的培养需要长期的投入，即便是身经百战的声呐 兵，其判断的准确程度还会受到声呐员的生理和心理因素影响，难以保证永远有稳定 可靠的发挥。由于舰船辐射噪声信号来之不易，敌国的舰船辐射噪声信号更是无从获 取，因此可靠且有效的舰船辐射噪声数据集少之又少，舰船辐射噪声信号分类方面的 研究一直受到一定程度的阻碍。因此，如何更有效的利用少量的数据集样本对舰船辐 射噪声信号进行分类，是解决当前在该方面研究受阻的重要的突破手段。

近些年来，我国的海域问题频繁出现，再一次从客观角度证明水中目标分类技术对于确保我国领海安全以及国土安全都至关重要。鉴于上述问题，开展可行有效的水 中目标分类方法的研究，对于维护我国海洋合法权益，保障海上安全，占领海上战争 主动权，具有十分重要的军事意义。

发明内容

为了克服现有技术的不足，本发明提供一种舰船辐射噪声分类方法。针对舰船辐射噪声数据集样本数量不足导致的分类器分类效果欠佳的问题，提出了一种基于变分 自编码器仿真信号的舰船辐射噪声分类方法。

本发明解决其技术问题所采用的技术方案的主要步骤如下：

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

X(t)＝enframe(y(t))＝{x

其中，x

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

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

其中，Encoder(·)代表编码器运算，Decoder(·)代表解码器运算，f

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(MSE)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(σ

z′(t)＝Decoder(μ,log(σ

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(σ

z′(t)＝f

f

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′

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

中，即可得到真实信号的分类概率：

其中，f

最后，根据样本z

其中，R

所述步骤二中归一化的方法如下：

其中μ′和σ′分别是片段信号x

所述步骤三中，其中编码器Encoder包含四层：第一层是全连接层，全连接层之 后有非线性激活函数；第二层和第三层是卷积层，卷积层包含卷积、非线性激活和最 大池化；第四层包含两个全连接，分别输出信号的均值和对数方差；解码器Decoder 也有四层：第一层是全连接层，全连接层之后有非线性激活函数；第二层和第三层是 反卷积层，反卷积层包含反卷积函数和非线性激活函数；第四层是全连接层。

所述步骤六中，激活函数选择复杂度最小的ReLU函数，其运算速度最快；梯度 下降优化算法选择Adam算法。

本发明的有益效果在于针对舰船辐射噪声数据集样本数量少导致的分类模型准确 率不高的问题，提出了一种基于变分自编码器仿真信号的舰船辐射噪声分类模型优化方法。本发明中首先将真实的舰船辐射噪声信号做分帧加窗处理，以此将长段的原始 信号处理为时长较短的片段信号；再将这些片段信号经过归一化处理，投入到我所搭 建好的变分自编码器中生成舰船辐射噪声仿真信号；然后利用我所搭建的卷积神经网 络模型提取仿真信号的深层特征实现卷积神经网络模型的优化和训练；最后将真实的 舰船辐射噪声信号投入到优化并训练好的卷积神经网络分类模型中，实现真实舰船辐 射噪声信号的分类判别。应用本发明中的变分自编码器网络可以有效的应对由于舰船 辐射噪声样本数量不足而引起的网络模型分类效果不佳的问题，在一定程度上节约了 舰船辐射噪声采集试验的成本，具有很高的实用性。同时，通过本专利的研究，不但 可以深化人工智能方法在海洋领域的理论基础，而且对于当前军事技术智能化变革发 展具有重要的现实意义，因此本发明具有很高的学术理论与军事应用价值。

附图说明

图1是本发明一种基于变分自编码器仿真信号的舰船辐射噪声分类模型优化算法框图。

图2是本发明变分自编码器VAE的模型结构。

图3是本发明卷积神经网络判别器C的模型结构。

图4是本发明变分自编码器VAE生成的仿真信号与真实信号时域图像的对比，其中图4(a)为真实信号目标1的时域图像，图4(b)为VAE信号目标1的时域图像，图4(c)为真 实信号目标2的时域图像，图4(d)为VAE信号目标2的时域图像，图4(e)为真实信号目 标3的时域图像，图4(f)为VAE信号目标3的时域图像。

图5是本发明变分自编码器VAE生成的仿真信号与真实信号频域图像的对比，图 5(a)为真实信号目标1的频域图像，图5(b)为VAE信号目标1的频域图像，图5(c)为真实 信号目标2的频域图像，图5(d)为VAE信号目标2的频域图像，图5(e)为真实信号目标3 的频域图像，图5(f)为VAE信号目标3的频域图像。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

针对舰船辐射噪声数据集样本数量不足导致的分类器分类效果欠佳的问题，提出了一种基于变分自编码器仿真信号的舰船辐射噪声分类模型优化算法。

本发明的具体实施步骤如下：

步骤一：舰船辐射噪声信号的分帧和加窗

水听器采集到的原始音频数据为y(t)，对y(t)进行分帧和加窗处理。窗长为1s，滑动步长为0.5s，即每个原始音频将产生119个长度为1s的片段信号x(t)，片段信号 的集合为X(t)＝{x

X(t)＝enframe(y(t))＝{x

其中，x

步骤二：舰船辐射噪声片段信号的归一化处理

因为切割后的片段信号x

其中μ′和σ′分别是片段信号x

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。输入 编码器Encoder的数据形状为(4096,1)。其中编码器Encoder包含四层：第一层是全连 接层，全连接层之后有非线性激活函数；第二层和第三层是卷积层，卷积层包含卷积、 非线性激活和最大池化；第四层包含两个全连接，分别输出信号的均值和对数方差。 编码器Encoder输出的数据形状为(16,1)，因此输入解码器Decoder也同样是(16,1)，同 时输入解码器Decoder的数据要满足标准正态分布。解码器Decoder也有四层：第一 层是全连接层，全连接层之后有非线性激活函数；第二层和第三层是反卷积层，反卷 积层包含反卷积函数和非线性激活函数；第四层是全连接层：

f

其中，Encoder(·),Decoder(·)代表编码器运算和解码器运算，f

步骤四：优化损失函数生成仿真信号

变分自编码器模型VAE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(MSE)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(σ

z′(t)＝Decoder(μ,log(σ

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(σ

本发明中要解决的是由于真实信号的数据集样本数量过少的问题，因此利用训练好的变分自编码器模型VAE生成每一类目标10000个，它们的形状都和输入VAE的 形状相同，是(4096,1)。最终整个VAE模型的运算表示为：

z′(t)＝f

f

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，将这里的前四层网络模型定义为模型F；再在第四层之后加 一个非线性激活函数，紧接着是第五层：分类判别层，这样就可以得到基于卷积神经 网络的分类模型C：

其中k是深度特征的维数，Feature

搭建的基于卷积神经网络的分类模型C一共有5层：第一、第四和第五层均是全 连接层，其中第一层和第四层全连接层中还包含有非线性激活；第二层和第三层是卷 积层(包含卷积、非线性激活和最大池化)。在训练网络模型C的过程中每一次训练 的批大小为64，即每次输入模型C的样本z

步骤六：网络模型的优化

通过调整卷积神经网络模型C中的超参数以改善该网络的学习能力和性能表现，可调整的超参数包括网络的学习率α、每次学习的批次大小batch_size、卷积核的尺寸kernel_size和数量num等，此外还可以通过选取不同的激活函数和梯度下降优化算法 来提升该卷积神经网络的表现。

最终优化好的网络模型为C′。其中主要的超参数及优化算法如表1所示：

表1卷积神经网络超参数设置

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

其中，f

最后，根据样本z

其中，R

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均 应包含在本发明的保护范围之内。