一种极低频线谱检测方法

本公开实施例涉及水声信号处理与检测，尤其涉及一种极低频线谱检测方法。

背景技术：

1、低频线谱是水下声场中反映周期性声源辐射特性的主要表现形式之一，通常由舰船螺旋桨、机械振动、减速齿轮等旋转部件产生。这类信号在频域上表现为若干稳定的离散谱线，其频率位置和能量分布与声源类型、旋转速度及工作状态密切相关。因此，低频线谱检测在舰船辐射噪声分析、目标识别、被动探测和目标分类等水声工程应用中具有重要意义。然而，由于复杂的海洋声道、多途传播、流噪和机械噪声等干扰，接收到的信号往往具有低信噪比及多源叠加等特点，使得线谱检测面临较大挑战。传统线谱检测方法多采用谱峰提取、功率谱阈值判定或基于统计特征的人工规则识别。这类方法依赖人工设定阈值或经验特征，对噪声敏感，且在复杂环境中易出现谱峰丢失、虚警率高等问题，难以实现稳定的自动检测。

2、为提升检测鲁棒性，研究者开始引入机器学习与深度学习方法，将线谱检测问题转化为谱图图像的分类或分割任务。典型做法包括基于卷积神经网络（convolutionalneural network，cnn）的谱图二分类模型、谱熵阈值结合弱监督学习的检测框架等。这类方法在结构上能够自动提取时频特征，提高了检测效率。但由于水声信号数据标注困难，真实样本量有限，现有方法普遍依赖谱熵或能量特征生成伪标签进行训练。伪标签存在准确性不足、噪声累积等问题，使得模型学习受到误导，检测结果稳定性差。

3、另一方面，针对多阵元信号的融合，目前多数方法采用简单能量平均或固定权重叠加。这种线性融合方式在阵元信噪比差异较大时会引入“谱峰拉平”效应，导致线谱特征被削弱。部分改进方案尝试引入阵元功率加权或相干加权，但仍基于欧氏空间加权平均，未考虑谱的非线性分布特征，难以在几何意义上保持谱形态一致性。此外，现有深度模型训练往往依赖固定数据集，缺乏针对性增强机制，对不同噪声条件和阵列构型的泛化能力有限。

4、因此，有必要改善上述相关技术方案中存在的一个或者多个问题。

5、需要注意的是，本部分旨在为权利要求书中陈述的本公开的技术方案提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

技术实现思路

1、本公开实施例的目的在于提供一种极低频线谱检测方法，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

2、根据本公开实施例，提供一种极低频线谱检测方法，包括：

3、步骤s1：获取拖曳线列阵采集的原始信号矩阵，并将原始信号矩阵划分成若干个分段信号；

4、步骤s2：对各分段信号进行时频变换，以得到各分段信号的功率谱；

5、步骤s3：基于信息几何的加权谱融合方法，将功率谱映射至球流形，在球流形上计算加权karcher均值，并根据加权karcher均值重构得到融合谱；

6、步骤s4：基于融合谱进行谱熵计算，并根据谱熵生成初始伪标签；

7、步骤s5：构建一维卷积神经网络，利用初始伪标签对一维卷积神经网络进行训练，以得到训练好的一维卷积神经网络；

8、步骤s6：利用训练好的一维卷积神经网络对待检测信号进行线谱检测，输出线谱存在概率，并根据线谱存在概率提取线谱频率轨迹集合。

9、进一步地，步骤s2具体包括：

10、对各分段信号进行短时傅里叶变换，以得到各分段信号的时频谱：

11、

12、其中，表示第个阵元的分段信号在频率点和时间帧处的时频谱；表示第个阵元在当前时间帧内的分段信号的第个采样点；为窗函数；为自然常数；为虚数单位；为当前分析窗内的采样点索引；为窗长；

13、根据各分段信号的时频谱，计算各分段信号的功率谱：

14、

15、其中，表示第个阵元的分段信号在频率点和时间帧处的功率谱。

16、进一步地，步骤s3具体包括：

17、对各分段信号的功率谱进行能量归一化与平方根概率映射，得到嵌入单位球面的归一化谱概率和对应的平方根谱概率：

18、

19、将第个阵元在时间帧对应的各频率点的平方根谱概率排列为谱密度向量：

20、

21、其中，表示第个阵元在频率点和时间帧处的归一化谱概率；表示对应的平方根谱概率；为参与谱融合的离散频率点总数；表示位于维欧氏空间中的单位球面；

22、根据阵元间相干系数或功率质量确定阵元融合权重：

23、

24、在球流形上，通过对数映射和指数映射迭代求解加权karcher均值：

25、

26、其中，为当前加权karcher均值；为各阵元谱密度向量经对数映射和加权求和后得到的切空间更新向量；为步长因子；为以为基点的对数映射；为以为基点的指数映射；

27、迭代收敛后，将加权karcher均值作为融合平方根谱概率向量：

28、

29、根据融合平方根谱概率向量重构得到融合谱：

30、

31、其中，为在频率点和时间帧处的分量；为融合谱在频率点和时间帧处的功率值；为时间帧对应的能量重标定项。

32、进一步地，步骤s4具体包括：

33、计算融合谱在各时刻的谱熵，并对谱熵进行归一化：

34、

35、

36、其中，表示时间帧处的融合谱在频率点上的归一化谱概率，且满足：

37、,

38、其中，为时间帧处的谱熵；为归一化谱熵；

39、将小于预设阈值的归一化谱熵标记为低谱熵样本，将大于或等于预设阈值的归一化谱熵标记为高谱熵样本，得到初始伪标签：

40、

41、其中，为预设阈值。

42、进一步地，步骤s5中，一维卷积神经网络包括特征提取模块和分类判决模块；特征提取模块包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层和自适应池化层，第一卷积层和第二卷积层后均接有relu激活函数；分类判决模块包括第一全连接层和第二全连接层，第二全连接层输出二分类概率。

43、进一步地，步骤s5中，利用初始伪标签对一维卷积神经网络进行训练包括：

44、将时间帧对应的融合谱特征输入第k轮训练得到的一维卷积神经网络，并以当前伪标签作为监督标签，得到样本属于含线谱类别的预测概率；

45、根据预测概率对当前伪标签进行高置信度更新：

46、

47、其中，为高置信度阈值；

48、根据预测概率以及归一化谱熵确定样本权重：

49、

50、其中，为第轮迭代中时间帧对应样本权重；为预测置信度调节指数；为谱熵调节指数，且；

51、基于样本权重和更新后的伪标签计算交叉熵损失，并以交叉熵损失最小化为目标更新一维卷积神经网络的网络参数；

52、直至收敛，得到训练好的一维卷积神经网络。

53、进一步地，一维卷积神经网络的交叉熵损失为：

54、

55、以交叉熵损失最小化为目标，得到第轮迭代的网络参数：

56、

57、其中，为第轮迭代对应的交叉熵损失；为参与当前轮训练的样本总数；为交叉熵损失函数；为网络参数为的一维卷积神经网络映射函数；为更新后的伪标签；为第轮训练完成后得到的网络参数。

58、进一步地，该方法还包括：

59、对初始伪标签进行时序谱块增强策略；其中，时序谱块增强策略包括以下至少一种操作：时间随机裁剪与平移、频率通道扰动、时间掩蔽、信号幅度扰动与对数压缩和样本混合增强。

60、进一步地，步骤s6具体包括：

61、对待检测信号按照步骤s1至步骤s3的操作进行处理，得到待检测信号的融合谱；

62、以待检测信号的融合谱中的各离散频率点为中心构造频率邻域，并沿时间轴采用滑动窗口截取局部融合谱序列，形成与频率点和时间帧对应的特征块；

63、将特征块输入训练好的一维卷积神经网络，得到二分类概率：

64、

65、将含线谱类别的预测概率作为线谱存在概率：

66、

67、其中，为一维卷积神经网络输出的二分类置信得分向量；为无线谱类别的预测概率；为含线谱类别的预测概率；为频率点和时间帧处的线谱存在概率；

68、将各频率点和各时间帧对应的线谱存在概率按照频率-时间位置排列，得到线谱存在概率图，并根据线谱检测判决阈值对线谱存在概率图进行二值化，得到二值检测掩模：

69、

70、其中，为线谱检测判决阈值，且；表示在频率点和时间帧处检测到线谱，表示未检测到线谱；

71、对二值检测掩模进行形态学处理和连通域分析，提取连续线谱频率轨迹集合。

72、本公开的实施例提供的技术方案可以包括以下有益效果：

73、本公开的实施例中，通过上述方法，谱融合形态保持性强，基于信息几何的球面加权均值保持谱峰结构，提升线谱保真度。伪标签迭代自学习，通过高置信筛选动态优化标签，提升检测精度。谱图增强鲁棒性高，多维谱域增强提升模型抗噪与迁移能力；无需人工标注，全流程弱监督自动完成。适应性强，适用于复杂海洋声场和多阵元系统。