一种用于水下目标识别的小波线谱特征提取方法及系统

技术领域

本发明属于水下目标识别和信号处理技术领域，具体涉及一种用于水下目标识别的小波线谱特征提取方法及系统。

背景技术

水下目标信号的特征参数提取是一项备受关注的研究课题，无论在军事还是在民用领域都具有十分重要的理论意义和工程应用价值。过去较长一段时间，人们一直以传统的信号处理理论作为水声信号特征提取的基础，即以平稳性、随机性来刻画水声信号，以时域、频域参数作为特征参数。

目标识别中最为关键的技术是特征提取。特征参数是否有效，在于其中包含的类别信息是否足够多，而干扰信息是否足够少，如果不能采用有效的特征，即便有出色的分类器也无法得到理想的分类识别结果。几十年来，现有的目标识别特征提取方法，主要有以下几种：基于谱分析的特征提取、基于舰船噪声的非线性特征提取、基于小波变换的特征提取法、神经网络特征提取法以及基于人耳听觉特征的特征提取方法。

在水下目标识别任务中，特征提取方法与分类器彼此适应，将深度神经网络作为水下目标识别系统的分类器之后，传统特征提取方法在信噪比较低的情况下，分类结果较差，无法更好表达数据的特征提取。

发明内容

本发明的目的在于，为解决现有的水下目标识别的特征提取方法存在上述缺陷，本发明提出了一种用于水下目标识别的小波线谱特征提取方法，通过改变特征提取方法，提升基于深度学习的水下目标识别在低信噪比条件下的识别效果。

为了实现上述目的，本发明提供了一种用于水下目标识别的小波线谱特征提取方法，该方法包括：

对声呐阵列接收的信号进行频谱分析，获得各个频段内的频谱信息；

基于获得的每个频段内的频谱信息，提取单个频段内线谱特征的最大值，作为当前频段的特征向量，获得各个频段的特征向量；

将各个频段的特征向量进行拼接或平均，获得优化后的特征向量；

将当前频段的特征向量和优化后的特征向量一起作为新的特征向量，并将该新的特征向量输入至预先训练的时延神经网络，输出当前频段对应的目标类别信息，作为分类结果。

作为上述技术方案的改进之一，所述对声呐阵列接收的信号进行频谱分析，获得每个频段内的频谱信息；具体包括：

对声呐阵列接收的信号进行波束形成，获得目标辐射噪声信号；

对获得的目标辐射噪声信号进行预处理；

对预处理后的信号进行分帧，并对每一帧信号进行多尺度的分解，得到各个频段的小波系数；

基于得到的各个频段的小波系数，对目标特征频段的信号进行重构，得到不同频段的小波系数对应的重构信号；

利用快速傅里叶变换对得到的各个频段的小波系数对应的重构信号进行频谱分析，得到各个频段内的频谱信息。

作为上述技术方案的改进之一，所述对预处理后的信号进行分帧，并对每一帧信号进行多尺度的分解，得到各个频段的小波系数；具体为：

利用小波包变换分解算法：

其中，f(t)是预处理的信号进行分帧后的每一帧信号；Ψ(t)是满足容许条件的小波函数；a是与伸缩尺度相关的尺度因子；b是与时间相关的平移因子；W

对预处理后的信号进行分帧，并对每一帧信号进行多尺度的分解，得到各个频段的小波系数。

作为上述技术方案的改进之一，所述基于得到的各个频段的小波系数，对目标特征频段的信号进行重构，得到不同频段的小波系数对应的重构信号；具体为：

根据公式(2)，基于得到的每个频段的小波系数，对目标特征频段的信号进行重构，得到不同频段的小波系数对应的重构信号；

所述公式(2)具体为：

其中，

作为上述技术方案的改进之一，所述对得到的各个频段的小波系数对应的重构信号，利用快速傅里叶变换对其进行频谱分析，得到各个频段内的频谱信息；具体为：

根据公式(3)，对得到的各个频段的小波系数对应的重构信号，利用快速傅里叶变换对其进行频谱分析，得到各个频段内的频谱信息

其中，S

作为上述技术方案的改进之一，所述基于获得的每个频段内的频谱信息，提取单个频段内线谱特征的最大值，作为当前频段的特征向量，获得各个频段的特征向量；具体为：

基于获得的每个频段内的频谱信息

将P

作为上述技术方案的改进之一，所述将各个频段的特征向量进行拼接或平均，获得优化后的特征向量；具体为：

将各个频段的特征向量进行拼接，获得优化后的特征向量T'

其中，T'

或者将各个频段的特征向量进行平均，获得优化后的特征向量 T'

其中，T'

作为上述技术方案的改进之一，所述时延神经网络作为后端的分类器，所述时延神经网络共7层结构，其具体包括：

一个输入层、一个输出层和5个隐层；其中，每个隐层包括1024个节点；其中，第3层的隐层前、后各扩展2帧，第6层的隐层前、后各扩展4帧；

采用线性整流函数作为激活函数，输入层输入新的特征向量，输出层借助softmax函数，输出当前频段对应的目标类别信息，作为分类结果。

本发明还提供了一种基于小波线谱特征提取的水下目标识别系统，该系统包括：

频谱分析模块，用于对声呐阵列接收的信号进行频谱分析，获得各个频段内的频谱信息；

特征向量获取模块，用于基于获得的每个频段内的频谱信息，提取单个频段内线谱特征的最大值，作为当前频段的特征向量，获得各个频段的特征向量；

特征向量优化模块，用于将各个频段的特征向量进行拼接或平均，获得优化后的特征向量；和

分类模块，用于将当前频段的特征向量和优化后的特征向量一起作为新的特征向量，并将该新的特征向量输入至预先训练的时延神经网络，输出当前频段对应的目标类别信息，作为分类结果。

作为上述技术方案的改进之一，所述预处理模块具体包括：

信号获取单元，用于对声呐阵列接收的信号进行波束形成，获得目标辐射噪声信号；

预处理单元，用于对获得的目标辐射噪声信号进行预处理；

分解单元，用于对预处理后的信号进行分帧，并对每一帧信号进行多尺度的分解，得到各个频段的小波系数；

重构单元，用于基于得到的各个频段的小波系数，对目标特征频段的信号进行重构，得到不同频段的小波系数对应的重构信号；和

利用快速傅里叶变换对得到的各个频段的小波系数对应的重构信号进行频谱分析，得到各个频段内的频谱信息。

本发明与现有技术相比的有益效果是：

本发明的用于水下目标识别的小波线谱特征提取方法，可以使基于深度学习的水下目标识别在实际低信噪比环境下，实现更准确的分类效果。

附图说明

图1是本发明的一种用于水下目标识别的小波线谱特征提取方法的流程图；

图2是图1的本发明的一种用于水下目标识别的小波线谱特征提取方法中的利用小波包变换分解算法进行多尺度分解的一个具体实施例的示意图。

具体实施方式

现结合附图对本发明作进一步的描述。

本发明提供了一种用于水下目标识别的小波线谱特征提取方法，该方法在阵列波束形成信号的基础上，利用小波变换，对目标信号进行多分辨角度下的时频分解，之后利用目标频段的小波系数对信号进行重构，并进行线谱分析，可以有效的避免噪声干扰，使得目标的线谱特征被更好的表达，并提出相应的优化算法。

如图1所示，该方法包括：

对声呐阵列接收的信号进行频谱分析，获得各个频段内的频谱信息；

具体地，对声呐阵列接收的信号进行波束形成，获得目标辐射噪声信号，降低噪声干扰；

其中，基于信号的短时平稳性，对获得的目标辐射噪声信号进行分帧，获得多帧数字信号，并依据目标辐射噪声频谱分布的先验信息，利用带通滤波器，对每一帧数字信号进行带通滤波，去除噪声干扰，再通过分层采样将数据集进行划分，获得测试集与训练集；其中，训练集用于训练时延神经网络，测试集作为预处理的信号。

对获得的目标辐射噪声信号进行预处理，获得预处理后的信号；

以16秒帧长，8秒帧移对预处理后的信号进行分帧，并对每一帧信号进行多尺度的分解，得到各个频段的小波系数；

具体地，如图2所示，以小波包三层分解为例，来阐释小波包分解算法：若S表示预处理的信号，A表示低频部分，D表示高频部分，末尾的数字表示小波分解的层数，则分解具有关系：S＝AAA3+AAD3+ADA3+ADD3+DAA3+DAD3+DDA3+DDD3。

利用小波包变换分解算法，对预处理后的信号进行分帧，并对每一帧信号进行多尺度的分解；其中，小波包变换分解算法具体为：

f(t)∈L

其中，f(t)是预处理的信号进行分帧后的每一帧信号作为待处理信号，该待处理信号进行小波分解的小波分解函数；Ψ(t)是满足容许条件的小波函数；a是与伸缩尺度相关的尺度因子；b是与时间相关的平移因子；W

其中，f(t)∈L

基于得到的各个频段的小波系数，对目标特征频段的信号进行重构，得到不同频段的小波系数对应的重构信号；

依据目标辐射噪声频谱分布的先验信息，选择目标频段的小波系数，根据公式(2)，对目标特征频段的信号进行重构，得到不同频段的小波系数对应的重构信号；

所述公式(2)具体为：

其中，

对得到的各个频段的小波系数对应的重构信号，利用快速傅里叶变换或短时傅里叶变换对其进行频谱分析，得到各个频段内的频谱信息。

具体地，根据公式(3)，对得到的各个频段的小波系数对应的重构信号，利用快速傅里叶变换对其进行频谱分析，得到各个频段内的频谱信息

其中，

基于获得的每个频段内的频谱信息，提取单个频段内线谱特征的最大值，作为当前频段的特征向量，获得各个频段的特征向量；

具体地，根据公式(4)，基于获得的每个频段内的频谱信息

所述公式(4)具体为：

将各个频段的特征向量进行拼接或平均，以达到优化，获得优化后的特征向量，提高特征的表达能力；

具体地，将各个频段的特征向量进行拼接，获得优化后的特征向量 T'

例如，5个频段的特征向量的拼接可表示为：

T'

其中，T'

或者由于目标辐射噪声信号是稳定的而环境噪声是随机的，因此，将各个频段的特征向量进行平均，获得优化后的特征向量T'

例如，5个频段的特征向量的平均可以表示为：

T'

其中，T'

将当前频段的特征向量和优化后的特征向量一起作为新的特征向量，并将该新的特征向量输入至预先训练的时延神经网络，输出当前频段对应的目标类别信息。

所述时延神经网络具体地包括：一个输入层，一个输出层和5个隐层，每个隐层包括1024个节点，其中第3层前后各有2帧时延，第6层前后各有4帧时延，采用线性整流函数(ReLU)作为激活函数，输入层输入新的特征向量，输出层借助 softmax函数，输出当前频段对应的目标类别信息，作为分类输出，解决多分类问题；

其中，所述时延神经网络的训练具体为：

将原始特征及优化后的特征作为时延神经网络的输入。利用测试集对网络进行训练，该时延神经网络以最小化实际的分类输出与期望的分类输出之间的交叉熵为准则进行迭代，并通过随机梯度下降的反向传播算法，更新神经网络的权重。

分类器训练完成后，将测试集作为输入，分析其分类的准确率，比较所提出的特征提取方法的优越性及其优化方法的有效性。

通过不断迭代训练出一个多目标分类器，统计不同特征对应的识别正确率验证特征提取及其优化方法的有效性。

本发明还提供了一种基于小波线谱特征提取的水下目标识别系统，该系统包括：

频谱分析模块，用于对声呐阵列接收的信号进行频谱分析，获得各个频段内的频谱信息；

特征向量获取模块，用于基于获得的每个频段内的频谱信息，提取单个频段内线谱特征的最大值，作为当前频段的特征向量，获得各个频段的特征向量；

特征向量优化模块，用于将各个频段的特征向量进行拼接或平均，获得优化后的特征向量；和

分类模块，用于将当前频段的特征向量和优化后的特征向量一起作为新的特征向量，并将该新的特征向量输入至预先训练的时延神经网络，输出当前频段对应的目标类别信息，作为分类结果。

所述预处理模块具体包括：

信号获取单元，用于对声呐阵列接收的信号进行波束形成，获得目标辐射噪声信号；

预处理单元，用于对获得的目标辐射噪声信号进行预处理；

分解单元，用于对预处理后的信号进行分帧，并对每一帧信号进行多尺度的分解，得到各个频段的小波系数；

重构单元，用于基于得到的各个频段的小波系数，对目标特征频段的信号进行重构，得到不同频段的小波系数对应的重构信号；和

利用快速傅里叶变换或短时傅里叶变换对得到的各个频段的小波系数对应的重构信号进行频谱分析，得到各个频段内的频谱信息。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。