一种基于谱熵伪标签的水声信号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，尤其涉及一种基于谱熵伪标签的水声信号极低频线谱检测方法。

背景技术：

1、低频线谱信号作为水声目标辐射噪声中最具特征性的组成部分之一，蕴含了目标的机械转动特征、螺旋桨叶数及运行状态等重要信息，对于水下目标的识别、分类与特征提取具有极高的研究与应用价值。特别是在被动声纳系统中，线谱的存在常被视为稳定目标信号的标志，因此高精度、自动化的线谱检测技术在反潜监测、目标识别及水下通信等领域均具有重要意义。

2、在阵列接收的多阵元水声信号中，受海洋环境噪声、阵列运动以及传播路径复杂多变等因素的影响，线谱信号能量分布容易被背景噪声淹没，导致检测难度显著增加。传统的线谱检测方法主要包括基于频谱分析、时频分布以及统计特征的多种技术途径，其中最具代表性的方法包括快速傅里叶变换（fast fourier transform，fft）谱峰检测、小波变换（continuous wavelet transform，cwt）多分辨率分析、capon谱估计、自相关检测以及wigner-ville分布（wigner-ville distribution，wvd）时频聚焦等。这些方法通过在时频域或功率谱域内寻找能量峰值或周期性特征来判定线谱存在，能够在较理想的噪声条件下实现检测，但在复杂海洋环境中仍存在诸多不足。

3、首先，传统方法对参数和阈值的依赖性较强，检测结果受人工经验影响明显，缺乏自适应性与普适性；其次，当背景噪声能量较高或信噪比较低时，线谱特征的能量峰往往被噪声波动掩盖；统计检测类方法通常依赖大量数据积累以提高稳健性，这使得其在实时性要求较高的工程系统中难以直接应用。此外，时频分析类算法如wvd虽具有较高的分辨率，但易出现交叉项干扰，限制了其在复杂多目标场景下的检测精度。

4、近年来，针对水下声学目标的智能检测与识别研究逐渐兴起，部分学者尝试引入机器学习和深度学习方法，通过数据驱动的特征提取来实现谱特征识别。然而，这类方法通常需要大量高质量标注样本，而在实际水声应用中，线谱标注成本极高且人工标注主观性强，限制了深度学习模型的训练与泛化性能。

5、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。

6、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基于谱熵伪标签的水声信号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，提供一种基于谱熵伪标签的水声信号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：对各分段信号中的各阵元信号进行时频变换，分别计算各阵元信号的时频功率谱，并对各阵元信号的时频功率谱进行融合，得到融合时频功率谱；

5、步骤s3：对融合时频功率谱中的各频率点，分别提取包含相应频率点及其相邻频率点的局部谱数据，形成特征块；

6、步骤s4：计算当前时间窗内各频率点的归一化谱熵，并引入基于谱熵中值与谱熵标准差的自适应谱熵阈值方法，生成伪标签；

7、步骤s5：以特征块作为输入样本，以伪标签作为监督信号，训练一维卷积神经网络，得到训练好的线谱检测模型；

8、步骤s6：利用训练好的线谱检测模型，对待检测的信号沿时间方向进行滑动预测，输出各频率点-时间位置处的线谱存在概率，并形成时频概率图。

9、进一步地，步骤s2具体包括：

10、对各分段信号中的各阵元信号进行短时傅里叶变换后，计算对应的时频功率谱；

11、对所有阵元信号的时频功率谱进行取平均融合，得到融合时频功率谱。

12、进一步地，步骤s3具体包括：

13、在预设的频带内，划分频率索引区间，并对每个中心频率构造邻域频率窗口：

14、

15、其中，为频率邻域窗口的半带宽，为频率索引区间的段数；

16、针对每个邻域频率窗口，在该邻域频率窗口内截取融合时频功率谱的片段，形成特征块：

17、

18、其中，表示在时间从融合时频功率谱中提取频率邻域窗口内各频率点的功率值所形成的局部谱向量。

19、进一步地，步骤s4具体包括：

20、对于单个时间窗的归一化功率谱分布：

21、

22、其中，为融合时频功率谱在当前时间窗内频率点处的功率值；

23、基于归一化功率谱分布，定义谱熵：

24、

25、对谱熵进行归一化，得到归一化谱熵：

26、

27、其中，为频率点数；

28、基于归一化谱熵，结合当前时间窗口内的谱熵中值和谱熵标准差，判断每个特征块是否存在稳定线谱的伪标签：

29、

30、其中，为当前时间窗口内的谱熵中值；为谱熵标准差；为阈值调节系数；表示含稳定线谱的伪标签，记为低谱熵样本；表示背景的伪标签，记为高谱熵样本。

31、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。

32、进一步地，一维卷积神经网络的损失函数为：

33、

34、其中，为当前训练批次包含的样本数量；为第个特征块的伪标签；为一维卷积神经网络预测第个特征块含稳定线谱的概率。

35、进一步地，步骤s6具体包括：

36、利用训练好的线谱检测模型对待测信号沿时间方向进行滑动预测，输出各频率点的线谱存在概率：

37、

38、其中，为线谱检测模型针对频率和时间输出的原始预测得分，为sigmoid函数；

39、根据各频率点的线谱存在概率共同形成时频概率图；

40、根据置信度阈值对时频概率图进行二值化，得到线谱检测掩模：

41、

42、其中，为置信度阈值；1表示相应时频点被判定为线谱候选点，0表示相应时频点被判定为背景点；

43、对线谱检测掩模进行形态学膨胀和连通域分析，提取连续线谱轨迹集合。

44、本公开的实施例提供的技术方案可以包括以下有益效果：

45、本公开的实施例中，通过上述方法，一方面，通过建立谱熵伪标签的自监督机制，将线谱检测问题转化为二分类任务（含线谱/不含线谱），实现水下拖曳线列阵信号中稳定线谱的自动化检测与可视化定位。另一方面，自动化程度高，利用谱熵伪标签机制实现无人工标注的训练样本生成；鲁棒性强，一维卷积神经网络具备对复杂噪声环境的自适应学习能力；检测精度高，融合阵元功率与频率邻域信息，有效增强谱特征显著性；实时性好，轻量化网络结构适合嵌入式或实时声纳处理系统部署。