一种基于卷积神经网络的水下目标被动检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111624585A(43)申请公布日2020.09.04(21)申请号202010432897.0(22)申请日2020.05.21(71)申请人西北工业大学地址710072陕西省西安市友谊西路127号(72)发明人申晓红孙琦璇王谋董海涛马石磊锁健王逸平(74)专利代理机构西北工业大学专利中心61204代理人金凤(51)Int.Cl.G01S11/14(2006.01)G06F17/14(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书4页附图1页(54)发明名称一种基于卷积神经网络的水下目标被动检测方法(57)摘要本发明提供了一种基于卷积神经网络的水下目标被动检测方法，采用对数梅尔能量谱的方法进行特征提取，利用卷积神经网络挖掘水下目标信号更加深层的信息，提高水下目标检测性能以及在复杂海洋环境噪声下的鲁棒性和泛化能力。本发明利用时频特征对获取到的一维信息分析，可以体现信号在时域和频域两个方面的特征，考虑到水下目标低频成分较多，采用对数梅尔能量谱的方法对信号进行时频特征提取，使得其在时频图上更加清晰地体现特征，利用卷积神经网络来挖掘信号间更深层的信息。提高水下目标被动检测性能，以及在复杂海洋噪声背景下的泛化性和鲁棒性。CN111624585ACN111624585A权利要求书1/1页1.一种基于卷积神经网络的水下目标被动检测方法，其特征在于包括下述步骤：步骤一：接收信号；水听器接收水下目标的信号y(t)，其中h(t)为海洋信道冲击响应，s(t)表示水下目标信号，n(t)为海洋环境噪声，*为卷积运算，t为时间变量；步骤二：接收信号预处理将接收到的信号y(t)，进行去直流，然后进行分帧加窗，预处理后的信号为x(t)；步骤三：短时傅里叶变换；将分帧加窗后的信号进行傅里叶变换，计算公式如下所示：式中，w(t)为窗函数，τ为时延，f表示信号频率；ω为信号的角频率ω＝2πf，π表示圆周率；步骤四：获得对数梅尔能量谱；获得对数梅尔能量谱的步骤包括：将每一帧的信号经过步骤三之后得到Y(i,t,f)＝[STFT(i,t,f)]2，经过平方处理，得到Y(i,t,f)＝[STFT(i,t,f)]2，其中i表示第i帧；将得到的信号频率转换为梅尔频率，转换公式如下：mel＝2595×log10(1+f/700)最后去对数即可得到每一帧信号的对数梅尔能量谱，计算公式如下：Log-mel(i)＝Y(i,t,mel)步骤五：划分数据集；信号经过特征提取之后，将获得的对数梅尔能量谱作为数据集，将数据集分成训练集、测试集，通过人工标注确定每个图像有无水下目标；步骤六：构建卷积神经网络通过训练样本集对卷积神经网络进行训练；步骤七：训练优化神经网络模型通过调节卷积神经网路的超参数，以提高网络的学习性能和效果，超参数包括学习率、批次大小、卷积核尺寸以及激活函数；步骤八：实现水下目标被动检测；将待测数据经过步骤一至步骤四之后，通过步骤七优化好的神经网络模型给出检测结果，实现水下目标被动检测。2.根据权利要求1所述的一种基于卷积神经网络的水下目标被动检测方法，其特征在于：所述步骤五中，训练集和测试集的比例为7:3。2CN111624585A说明书1/4页一种基于卷积神经网络的水下目标被动检测方法技术领域[0001]本发明涉及信号处理与人工智能领域，涉及到一种水下目标被动检测的方法。背景技术[0002]二十一世纪，许多海洋大国将发展海洋作为下一步的战略目标。在军事活动中，提高水下目标被动检测性能是目标识别、定位的基础，是战胜地方的关键。针对海上作战的特点，特别是舰船的机动性、隐蔽性以及自动化的提高以及水下环境的复杂，为现如今传统的水下目标检测技术带来了极大的挑战。[0003]由于线谱具有相对平稳的能量，目前传统的水下目标被动检测方法主要针对目标的线谱成分进行研究，主要方法有：滤波、小波变换、现代谱分析、循环谱、高阶谱等方法。以上线谱检测方法仍然存在不足，例如：小波变换存在小波基函数如何有效选择的问题，高阶谱等分析方法仅针对于特定的噪声背景下的信号，并且其存在的共同问题在于：线谱只是舰船辐射噪声其中的一部分，忽视了连续谱以及舰船在行驶过程中存在的内在信息。[0004]近年来，深度学习在各个应用领域取得了令人瞩目的成果。因其具有自主学习、高容错率、自适应性等特点，在自然语言处理、计算机视觉、文本处理等方面取得了令人瞩目的成就。除此之外其优点在于不需要模型的先验信息，可以有效的提取数据的内在信息和分布，能够非常精确地提取出更深层的特征。相比较传统的机器学习方法而言，深度学习更具有泛化能力和鲁棒性。[0005]为了克服现有技术的不足，本专利提出一种水