基于微多普勒特征的水下目标识别方法.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CN112836674A(43)申请公布日2021.05.25(21)申请号202110222287.2(22)申请日2021.02.28(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)发明人张群飞胡亚寒崔晓东(74)专利代理机构西北工业大学专利中心61204代理人陈星(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书6页附图6页(54)发明名称基于微多普勒特征的水下目标识别方法(57)摘要本发明提出一种基于微多普勒特征的水下目标识别方法，主要包括水下目标回波高分辨率微多普勒时频图的获取、采用深度卷积生成对抗网络对时频图样本进行数据增强、选择深度神经网络对样本数据集进行学习、通过计算机仿真生成水下目标的声纳回波信号对所提出的方法进行评估，验证其在水下目标识别中的有效性。本发明通过基于压缩感知的高分辨率时频分析，提高时频图的分辨率，能够更有效地提取出水下目标的微多普勒特征，并对时频图样本进行数据增强后用于神经网络的训练，实现对水下目标识别的目的。CN112836674ACN112836674A权利要求书1/2页1.一种基于微多普勒特征的水下目标识别方法，其特征在于，包括以下步骤：步骤1：构建用于训练的样本数据集；所述样本数据集包括只包含微多普勒频移的水下目标回波信号的时频图和不包含微多普勒频移的水下回波信号的时频图；其中，通过对从只包含微多普勒频移的水下目标回波信号中提取的微多普勒复包络信号进行基于压缩感知的时频分析，得到所述只包含微多普勒频移的水下目标回波信号的时频图；步骤2：建立深度神经网络模型，利用步骤1得到的样本数据集进行训练；深度神经网络模型的输入是信号时频图，输出是信号为水下目标回波信号的置信度；步骤3：对于实际采集的水下回波信号，获取该信号的时频图，再将时频图输入步骤2训练完成的深度神经网络模型，得到实际采集的水下回波信号为水下目标回波信号的置信度。2.根据权利要求1所述一种基于微多普勒特征的水下目标识别方法，其特征在于，步骤1构建样本数据集时，只包含微多普勒频移的水下目标回波信号通过以下方式得到：通过声纳探测设备接收经过水下目标频率调制后的回波信号，并经过多普勒估计和降采样的方式去除回波信号中的多普勒频移，得到只包含微多普勒频移的水下目标回波信号。3.根据权利要求1所述一种基于微多普勒特征的水下目标识别方法，其特征在于，步骤1构建样本数据集时，对所述只包含微多普勒频移的水下目标回波信号的时频图，采用深度卷积生成对抗网络进行数据增强：通过深度卷积生成对抗网络学习已获得的所述只包含微多普勒频移的水下目标回波信号的时频图的数据分布，生成相应的时频图数据，用于扩充样本数据集。4.根据权利要求1所述一种基于微多普勒特征的水下目标识别方法，其特征在于，步骤1中，采用正交解调方法从只包含微多普勒频移的水下目标回波信号中提取微多普勒复包络信号。5.根据权利要求1所述一种基于微多普勒特征的水下目标识别方法，其特征在于，步骤1中，对微多普勒复包络信号进行基于压缩感知的时频分析的过程为：对于微多普勒复包络信号sD(t)，利用窗函数进行窗处理，得到当前的观测信号f；对于观测信号f，寻找正交变换基矩阵Ψ，使得该非稀疏的观测信号f在变换域Ψ下具有稀疏表示：f＝Ψx；则压缩感知过程的数学表达式为y＝ΦΨx＝Ax，y为测量向量，A＝ΦΨ为传感矩阵，x为K‑稀疏向量；此时，通过求解l0范数最小优化问题min||x||0s.t.y＝Ax，实现由测量向量y高概率的精确重建信号x，信号x即为对应时间窗内信号的高分辨率频域信息；通过沿着微多普勒复包络信号移动窗函数并依次处理，得到微多普勒复包络信号频率随时间变化的时频图。6.根据权利要求5所述一种基于微多普勒特征的水下目标识别方法，其特征在于，所述正交变换基矩阵采用离散傅里叶逆变换矩阵。7.根据权利要求1所述一种基于微多普勒特征的水下目标识别方法，其特征在于，步骤2中，深度神经网络模型采用类VGGNet的结构，每个卷积层卷积核的大小为3×3，激活函数2CN112836674A权利要求书2/2页采用ReLU，并且采用批标准化处理加速训练。8.根据权利要求7所述一种基于微多普勒特征的水下目标识别方法，其特征在于，步骤2中，深度神经网络模型分为三个卷积层，每个卷积层中卷积核的数目依次为32、64和128，在每个卷积层后接一个最大池化层，最大池化层的池化核大小为2×2，并且采用Dropout方法防止过拟合，网络最后接两个全连接层以及一个softmax层用来进行分类。3CN1128366