一种基于动力学和注意力先验耦合的水声弱线谱提取方法
本发明属于水声信号处理与目标探测,具体地涉及一种基于动力学和注意力先验耦合的水声弱线谱提取方法。
背景技术:
1、水下航行机械类目标会持续辐射稳定离散线谱信号,该类线谱是实现水下目标远距离识别、轨迹跟踪、目标类型判别的核心特征。但浅海海域存在海面风浪噪声、海底混响、海洋生物噪声、多途传播损耗等多重干扰,目标辐射声信号经远距离水声信道传播后能量大幅衰减,最终接收端采集到的线谱信号信噪比极低,线谱幅值完全淹没在广谱环境噪声中,传统信号检测手段难以实现有效检出,现有技术方案分为两大独立技术路线,均存在固有技术缺陷:
2、(1)纯物理机理驱动检测方法
3、以duffing混沌振子检测为代表,duffing振子依靠混沌系统临界相变特性对微弱周期信号具备高灵敏检测能力,物理机理清晰、无需海量实测样本支撑,但存在两点核心短板:
4、系统输出仅为二值化判定结果(存在线谱/无线谱),仅能给出离散检测状态,无法输出可量化、连续变化的信号动态响应特征,不能为后端特征提取网络提供细粒度时频先验信息;
5、海洋噪声时变、强弱动态波动,固定参数duffing振子极易脱离混沌临界敏感状态,噪声增强后检测灵敏度急剧下降,对复杂多变浅海环境适配性差,单独使用漏检率、虚警率偏高。
6、(2)纯数据驱动深度学习检测方法
7、以一维时序transformer、cnn时序网络为代表,深度学习模型依靠海量标注样本学习噪声与线谱特征差异,大样本、高信噪比场景下提取效果优异,但存在核心缺陷:
8、网络训练过程无水下声学物理规律约束指导,仅依靠数据统计特征拟合映射关系;当训练样本不足、实测海况与训练数据集环境失配、输入信噪比极低时,网络极易将高强度海洋噪声误判为有效特征,无法自主聚焦真实弱线谱区域,弱线谱漏检问题突出;
9、模型输出候选线谱轨迹包含大量噪声生成的虚假轨迹,缺少物理判据进行真伪筛选,最终输出结果虚警数量高,可靠性无法满足声呐工程使用标准。
10、综上,单一物理机理模型、纯数据驱动深度学习模型均无法独立满足浅海极低信噪比环境下水声弱线谱高检出率、低虚警率的提取需求。行业亟需一种将非线性动力学物理先验知识与深度学习特征学习能力深度耦合融合的一体化提取框架,突破现有两类技术路线单独使用的性能瓶颈。
技术实现思路
1、针对背景技术单一物理模型输出离散特征、纯深度学习低信噪比易漏检、现有融合架构耦合浅层的缺陷,本发明的目的是提出一种基于动力学和注意力先验耦合的水声弱线谱提取方法,通过矢量水听器采集信号经gammatone滤波后经过自适应duffing振子阵列,生成动力学响应序列;将其耦合入1d-vit注意力计算,定向增强弱线谱特征;再通过时间、频率、幅值三重动力学一致性校验剔除虚假轨迹。训练采用二元交叉熵与focalloss复合损失,搭配adamw优化器缓解样本失衡。本发明融合物理机理与深度学习优势,低信噪比下线谱检出率显著提升,虚警大幅降低,环境适应性更强。
2、本发明所采用的技术方案:
3、一种基于动力学和注意力先验耦合的水声弱线谱提取方法,包括信号预处理阶段、物理先验生成阶段、注意力引导特征增强阶段和动力学一致性验证阶段,具体如下:
4、步骤1:信号预处理阶段:通过矢量水听器采集声压时域信号和质点振速时域信号双分量信号,构建gammatone耳蜗仿生滤波器并对双分量信号进行滤波处理,得到声压特征、振速特征;
5、步骤2:物理先验生成阶段:将、并行输入改进型参数自适应duffing振子阵列,基于滑动窗局部噪声能量自适应调节机制动态更新阻尼,再通过四阶龙格-库塔法数值求解duffing动力学方程得到各振子的瞬态响应能量,对多个振子的瞬态响应能量进行加权聚合,得到全局连续型动力学响应序列;
6、步骤3:注意力引导特征增强阶段:基于线性层匹配的维度得到嵌入物理先验特征,构建1d-vit模型的自注意力计算机制进行注意力计算,增强特征;构建含噪训练样本,并将其依次进行步骤1和步骤2的操作后输入1d-vit模型进行训练,采用二元交叉熵与focal loss组合损失、adamw优化器、余弦退火策略完成物理引导监督训练,训练完成后输出候选线谱轨迹;
7、步骤4:动力学一致性验证阶段:对1d-vit模型输出的候选线谱轨迹分窗口批量处理,逐帧完成三重一致性指标校验,判断每条候选轨迹的真实性,若满足两项及以上指标判定为真实线谱轨迹,其余虚假轨迹剔除,完成校验后,汇总所有判定为真实的线谱轨迹,作为最终水声弱线谱提取结果。
8、优选的,所述步骤1中,信号预处理阶段的具体过程为:
9、步骤1.1:采用水下布设的矢量水听器阵列同步采集海洋环境下目标辐射水声原始信号,包括声压时域信号和质点振速时域信号,即为双分量信号;
10、步骤1.2:基于人耳基底膜频域分解特性构建gammatone耳蜗仿生滤波器,其数学表达式为:
11、
12、式中,为脉冲响应函数,为滤波器增益因子,为连续时间变量,为滤波器阶数,为滤波器带宽参数,为单通道滤波器中心频率,为滤波器初始相位;
13、步骤1.3:基于lofar时频图的线谱集中分布核心频段,筛选中心频率落在核心频段内的滤波器通道,保留4~5个有效核心通道,剔除无关频段通道;将采集得到的声压时域信号和质点振速时域信号分别输入gammatone耳蜗仿生滤波器,并行完成滤波计算处理,得到声压特征和振速特征。
14、优选的,所述步骤2中,物理先验生成阶段的具体过程如下:
15、步骤2.1:构建两组并行的改进型参数自适应duffing振子阵列并将声压特征和振速特征输入到duffing振子阵列中,duffing振子阵列的方程表达式:
16、
17、式中,为阻尼参数,和为非线性恢复力固定参数,为振子内置周期驱动力,为振子的滤波后待检测信号,为信号耦合系数,为内置周期驱动力角频率,为振子位移状态变量,为振子位移状态变量的一阶导数,即为振子运动速度,为振子位移状态变量的二阶导数,即为振子运动加速度;
18、步骤2.2基于melnikov解析法临界阈值条件,构建滑动窗局部噪声能量自适应调节机制,设固定长度滑动时间窗为,逐窗口计算窗口内的局部背景噪声能量估计值为,动态更新阻尼,其方程表达式如下:
19、
20、式中,为无噪声理想环境下预设临界阻尼基准值,为阻尼自适应调节步长因子,为海洋环境参考基准能量,用于噪声能量归一化计算,为双曲正切函数,约束噪声能量调节幅度;
21、步骤2.3将动态更新阻尼通过四阶龙格-库塔法数值求解duffing动力学方程,计算每个振子的瞬态响应能量,计算公式如下:
22、
23、式中,为时域位移序列,为时域速度序列;
24、步骤2.4设duffing振子阵列内第个振子权重为,对全部个振子的瞬态能量做指数统计加权聚合计算,得到全局连续型动力学响应序列,计算公式为:
25、
26、优选的,所述步骤3中,注意力引导特征增强阶段的具体过程如下:
27、步骤3.1基于线性层完成维度映射,通过线性层将映射到与注意力分数矩阵相同的维度,得到与注意力分数矩阵维度相同的嵌入物理先验特征;
28、步骤3.2构建1d-vit模型的自注意力计算机制,将维度对齐后的嵌入物理先验特征作为可训练偏置修正项,输入到自注意力计算机制的注意力分数计算过程中,其注意力计算公式为:
29、
30、式中,为查询、键、值矩阵,为归一化计算,为键矩阵的矩阵转置计算,为键矩阵的特征维度,为用于调节物理先验影响强度的可训练权重系数;
31、步骤3.3利用水声传播模型生成带有不同频段、时变多普勒频移及幅值波动的纯净线谱信号,将纯净线谱叠加至实测海洋背景噪声,生成含噪训练样本,同步生成二值化掩码矩阵作为真值标签,其中真实线谱的时频单元被标记为1,背景噪声区域被标记为0;
32、将含噪训练样本依次进行步骤1和步骤2的操作得到声压特征、振速特征和对应的动力学响应序列,将声压特征、振速特征和对应的动力学响应序列输入1d-vit模型进行训练后,采用二元交叉熵损失和focal loss损失的加权组合作为总损失函数,动态增加难分类训练样本的权重,接着,选用adamw优化器更新可训练权重系数,并配合余弦退火策略动态调整学习率以促进模型收敛;通过迭代训练,直至线谱检出率、虚警率达到预设收敛阈值,输出候选线谱轨迹,保存1d-vit模型的最优权重。
33、优选的,所述步骤4中,动力学一致性验证阶段的具体过程如下:
34、设置固定长度滑动窗口,对1d-vit模型输出的候选线谱轨迹分窗口批量处理,逐帧完成三重一致性指标校验,判断每条候选轨迹的真实性,三重一致性指标包括时间一致性验证、频率一致性验证和幅值一致性验证,具体如下:
35、时间一致性验证:候选线谱轨迹峰值时刻与动力学响应序列峰值时刻重合率>70%,重合率=共同峰值时刻数量/轨迹总时长时刻数量;
36、频率一致性验证:候选线谱中心频率与动力学响应峰值对应特征频率偏差<2倍频率分辨率;
37、幅值一致性验证:候选线谱时序幅值与动力学响应序列时序幅值皮尔逊相关系数>0.6;
38、若满足两项及以上指标,判定为真实的线谱轨迹,保留输出;仅满足一项或全部不满足指标:判定为噪声生成的虚假轨迹,直接剔除;完成校验后,汇总所有判定为真实的线谱轨迹,作为最终水声弱线谱提取结果。
39、本发明与现有技术相比,提出了一种基于动力学和注意力先验耦合的水声弱线谱提取方法,该方法的优点是:
40、(1)突破单一物理duffing振子技术局限:传统duffing振子仅输出二值离散检测结果,本发明通过多振子加权聚合生成连续可量化动力学响应序列,将非线性混沌检测的物理敏感性转化为可直接接入深度学习网络的细粒度时频先验信息,物理信息利用率大幅提升;搭配阻尼自适应更新机制,噪声时变环境下始终维持高检测灵敏度,环境适应性显著增强。
41、(2)解决纯深度学习低信噪比漏检缺陷:将动力学物理先验作为偏置项嵌入1d-vit自注意力计算流程,网络训练与推理过程受水下声学物理规律约束,主动将注意力权重分配至潜在线谱区域,极低信噪比噪声背景下可有效抑制噪声特征干扰,大幅降低弱线谱漏检率;同时为可训练参数,模型可自适应平衡物理先验与数据特征权重,无需人工固定调节先验强度。
42、(3)后端动力学一致性校验抑制虚警:依托动力学系统输出的客观物理判据,从时间、频率、幅值三维度量化校验候选轨迹真伪,区别于纯深度学习无物理依据的输出结果,精准滤除噪声诱发的虚假线谱轨迹,显著降低提取结果虚警率,输出可靠性满足声呐工程使用标准。
43、(4)融合框架泛化能力强、样本依赖度低:依靠物理先验弥补训练样本不足、海况环境失配带来的性能衰减,无需海量全海域标注样本即可实现稳定提取;整套动力学+注意力耦合融合范式可迁移至雷达弱目标谱、振动微弱故障特征等其他弱信号检测领域,具备通用拓展价值。
44、(5)完整工程落地可行性高:整体流程模块化拆分,信号预处理、动力学阵列计算、1d-vit推理、一致性校验各模块可独立部署于嵌入式、gpu并行计算硬件,矢量水听器为现有成熟水声采集设备,无需改造硬件采集端,可直接适配现有被动声呐探测系统升级改造。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com