一种基于半监督协同学习的舰船辐射噪声识别方法

本发明属于目标分类，具体涉及一种基于半监督协同学习的舰船辐射噪声识别方法。

背景技术：

1、舰船辐射噪声srn（ship radiated noise）的分类识别是水声信号处理领域的核心技术之一，通过分析舰船在水中辐射噪声的特征实现舰船的自动识别分类。srn主要由机械噪声、螺旋桨噪声和水动力噪声三部分构成，其中蕴含着丰富的特征信息。然而实际较为复杂的海洋环境使得高精度分类识别面临诸多的挑战。随着技术的不断突破，机器学习算法被广泛应用于srn的识别领域中。该方法的应用进一步推动了该领域的技术变革，实现了srn的高精度分类识别的智能化。

2、srn的分类识别经历了从简单的特征分析到复杂智能化的深度特征提取的发展历程。相对早期的研究方法主要依赖于人工实现辐射噪声的表层特征提取，但该方法难以全面反映舰船噪声的复杂特征结构。随着科技的进步，机器学习算法的引入提升了识别的自动化水平。近期，深度学习算法的兴起在实际意义上推动了srn识别分类的智能化发展。总体来说，舰船辐射噪声的分类识别主要有以下两类主流研究方法：（1）基于传统信号处理并结合经典分类器。（2）基于智能化特征提取处理并结合深度学习。

3、传统的机器学习方法舰船识别分类主要分为以下三个流程，对目标信号进行预处理，利用信号处理技术进行人工特征提取，最后传入分类器完成对srn的识别分类任务。

4、i．预处理；

5、当前，对信号的主流预处理方法主要包括以下几个方面：传统时域降噪算法与基于信号统计特征或者概率模型来抑制噪声等。1.关于传统降噪方法，主要有小波分析和变分模态分解（variational mode decomposition，vmd）等。小波分析方法由于其原理简单易于实现的特点，成为了信号降噪领域的重要方法。但由于软阈值和硬阈值的固定阈值的选择问题存在偏差，导致重构信号容易产生边缘模糊等失真问题。对于vmd方法，相比于传统的经验模态分解（empirical mode decomposition，emd）方法，vmd具有分解速度快，精度高等特点，得以较为成熟的被应用于信号降噪处理中。但是vmd在进行信号分解时需要确定分解模态数和惩罚因子，因此参数的选择成为了降噪的难题，仅凭经验的选取会导致信号降噪效果变差。可见，参数的选择问题普遍存在于上述两种方法，这是制约信号降噪的一个主要原因。2.关于统计与信号估计类算法主要有维纳滤波和卡尔曼滤波。维纳滤波具有计算量低、易于实现和平滑性较好的优势，但是难以使用于复杂且非平稳的噪声环境中。卡尔曼滤波适合于实时的对动态信号进行估计，但是其本身计算复杂度较高，计算开销相对较大。综上所述，传统的预处理方法在一定程度上可以有效的抑制噪声，但是仍然存在一定的技术瓶颈。

6、ii．特征提取；

7、当前，主要特征提取方法主要分为以下几类：时域、频域和时频域结合特征提取。1.关于时域的特征提取方法，主要基于原始的时间序列进行分析或者通过包络分析获取特征。该类方法主要是计算简单、实现方便和对较为平稳的信号有较好的表现。但这也说明了该类方法对非平稳信号的适应性不足和对噪声信号较为敏感。2.频域的特征提取方法主要有快速傅里叶变换（fast fourier transform，fft）、功率谱分析等方法。该类方法可以提取到功率谱密度、频谱质心等参数，但这也进一步表明了其缺失了时域上的相关特征。3.时频域的结合主要包括短时傅里叶变换、emd和vmd等。短时傅里叶变换实现简单并且计算效率高，可以同时直观的展示两个维度的信号特征，但是对突变信号的敏感性不足，难以描述瞬态特征。emd和vmd方法同样可以应用于特征提取。emd方法无需预设基函数就能够自适应地分解为本征模态函数，对非线性和非平稳信号具有良好的适应性，但是emd容易出现模态混叠和端点效应。vmd方法有效地克服了emd的模态混叠问题，分解的稳定性更高，但是需要预设模态数和惩罚因子，需要设计者具有成熟的经验，同时，算法的复杂度较高会拉长计算时间。综上所述，时频域特征提取方法在水声信号处理中已相对成熟，但也存在一定的局限性。

8、iii．传统分类器；

9、现如今常用的传统分类器有支持向量机、k近邻算法、决策树和高斯混合模型等。支持向量机适用于高维和非线性处理中，具有良好的泛化能力，但是训练时间过长不适用于大规模的数据处理中。k近邻算法易实现，同样适用于非线性分布数据，但是计算量较大分类效率低。决策树可解释性强并且对小样本的数据集效果好，但是容易过拟合、泛化能力弱。高斯混合模型适用于不完全标签的数据、对连续特征分布的表达能力较强，但是容易陷入局部最优。因此，需要根据实际情况合理选择相应的分类器。

10、随着计算能力的提升和大规模数据的不断积累，深度学习技术逐渐成为现代智能化信息处理方法的研究热点。与上述的传统的机器学习算法不同，深度学习算法可以通过原始数据提取更深层次的特征信息，进一步减少了对人工特征设计的依赖性。例如，生成对抗网络的提出就可以高效的处理小样本的情况，通过对抗训练可以在预处理阶段生成大量的样本用于模型训练，是从识别走向生成的关键代表，但是其训练过程不够稳定。另有学者提出transformer与自注意力机制用于深层特征提取，实现了全局依赖关系的并行建模，适用于处理复杂的时序数据，但是该算法的计算与内存开销过大。自编码器的提出在无监督训练下表现出了较好的效果，可用于特征的压缩与重构，但是无法生成新样本并容易陷入过拟合。为了解决自编码器无法生成新样本的缺陷，变分自编码器被提出，但是重构出的结果往往模糊，对高维复杂的数据例如srn的建模仍然有限。还有人基于改进的hht变换并构建混合的神经网络架构进行多尺度的特征提取，可以有效提高识别率，但是该方法完全依赖于有标注的大样本条件，存在一定的局限性。由此可见，深度学习算法虽因其强大的非线性建模能力已成为了信号识别与分类的主流技术，但是也存在计算量需求较大、容易产生过拟合和稳定性较差等问题。

11、深度学习算法的出现使srn分类识别研究迈出了重要的一步。随着科技的不断进步，深度学习算法将日益成熟，为复杂的声学模式识别提供更加广阔的应用前景。

12、现有的解决技术问题的方案：

13、方案1：声信号作为水下环境中远距离信息传输的有效载体，对于目标的识别有重要的意义。与传统的信号处理方法相比，数据驱动方法中的深度学习具有更高的计算复杂性，无法以最少的域变换和专业知识提取更相关的特征向量。另外，声信号采集质量在很大程度上取决于多种因素。

14、缺陷：1.该方法依赖于单一教师模型来生成伪标签，当目标域的噪声差异较大时，会导致伪标签的错误会被持续放大并传播，教师预测系统容易出现偏差。2.训练过程中模型结构保持固定，这种静态结构限制了模型在不同的噪声环境下的适应能力。3.在资源受限的实际平台上，工程量需要进一步压缩。

15、方案2：由于水声通道的时变性以及日益复杂的海洋环境，水声目标的识别变得异常困难。

16、缺陷：该方法依赖大量有标签数据与三维融合的输入，虽然利用了多域的特征使模型获得较高的识别精度，但在实际海洋环境中有标签的数据稀缺，背景噪声复杂，对有标签数据的依赖使得其泛化能力下降，容易出现过拟合的现象。

17、方案3：海上交通安全需要不同特定船舶的细粒度船舶辐射噪声识别方法，现有的基于船舶辐射噪声的识别系统存在一定的不足，船舶辐射噪声的特征提取和识别算法的不完善，导致只能对船舶进行分类而不是识别。

18、缺陷：1.虽然该方案实现了多尺度结构的融合，使各层级的特征得到互补，但是这也导致网络结构复杂，计算量较大，对硬件配置要求较高。2.该方案依旧主要以有监督训练为主，未考虑到舰船辐射噪声样本中有标签样本稀缺的问题。

技术实现思路

1、为了克服现有技术的不足，本发明提供了一种基于半监督协同学习的舰船辐射噪声识别方法，将归一化处理后的音频经过mel滤波器组进行频域变换，得到噪声能量分布的mel谱图，模型的输入即为音频与mel谱图。将各支路的数据划分为无标签训练集、有标签训练集与测试集。将无标签数据打上伪标签并与有标签数据一同参与协同学习，动态调节特征融合参数，通过全连接层完成最终输出分类。该方法有效提升了小样本场景下舰船辐射噪声识别的准确率与泛化能力，降低了分类识别对大规模有标签数据的依赖。

2、本发明解决其技术问题所采用的技术方案如下：

3、步骤1：数据处理；

4、步骤1-1：音频处理:；

5、对原始的srn数据进行归一化处理之后作为sscl其中一条支路的输入；归一化公式：

6、

7、其中，是原始信号，为信号均值，为信号方差；

8、步骤1-2：图片处理；

9、将归一化后的音频信号转化为mel谱图，转换公式为：

10、

11、其中，是将音频进行stft处理，为第个mel滤波器的权重系数；

k表示stft处理后得到的频率点总数；表示滤波器的中心频率；表示音频信号经过分帧处理后的第个时间帧；

12、步骤2：特征提取网络构建；

13、步骤2-1：音频特征提取网络；

14、采用sincresnet结构作为特征提取器，通过sinc卷积层进行滤波，形成初步的特征表示；再通过relu激活函数和最大池化；随后经过多层残差模块进行处理，完成输入波形的特征提取；特征提取简化公式为：

15、

16、其中为sinc卷积层，为多层残差模块，表示特征的通道数；表示单个通道下特征的序列长度；

17、步骤2-2：图片特征提取网络；

18、采用resnet18作为特征提取器；通过基础的初步采样获取频域的初步特征；随后，依次通过四个残差层，用于提取从低级到高级的多尺度空间特征；最后，通过展平生成最终特征；特征提取简化公式：

19、

20、其中，为初始特征提取模块，为全局平均池化gap，为四个残差模块；，表示样本的批量大小；表示经过处理后单个样本对应的特征维度；

21、步骤3：自适应伪标签生成与选择机制；

22、步骤3-1：样本选择；

23、对于通过特征训练以及分类器得到的伪标签预测概率向量，选择其中最大概率的作为候选标签；伪标签选择为：

24、

25、其中为设置的置信度阈值；表示第个无标签样本对应第类别的伪标签预测概率；

26、步骤3-2：损失函数；

27、为了利用无标签样本的预测结果提供训练监督，引入伪标签损失函数；伪标签损失函数为：

28、

29、其中为交叉损失函数，表示无标签样本对应的伪标签，表示基于mel频谱特征对无标签样本的预测结果，表示基于波形特征对无标签样本的预测结果；

30、步骤4：协同学习机制；

31、步骤4-1：基于监督学习的损失:；

32、损失函数为：

33、

34、其中和分别为类别总数和样本总数，为对应的预测概率；表示第个样本对应第类的真实标签；表示第个样本的输入特征；

35、步骤4-2：一致性学习损失；

36、损失函数为：

37、

38、其中表示kullback-leibler散度，和分别为两条支路的输出分布，为两个支路分布的均值；kullback-leibler散度定义如下：

39、

40、该公式表示衡量与之间的差异；表示其中一个概率分布；表示另一个待比较的概率分布在变量处的概率取值；

41、步骤4-3：总损失；

42、最终总损失函数形式为：

43、

44、其中，和是权重参数；

45、步骤5：动态特征融合；

46、动态特征权重获取公式为：

47、

48、其中，表示音频的mel频谱特征；表示音频的波形域特征；表示特征映射函数；表示softmax激活函数；

49、进一步特征加权融合：

50、

51、其中、分别为表示mel频谱特征对应的动态权重和波形域特征对应的动态权重；

52、步骤6：训练；

53、输入数据分别传入两条支路模型上进行前向传播，得到经注意力加权融合后的特征融合结果；总损失通过反向传播，动态更新模型相关参数；重复上述步骤，直至触发早停轮次结束。

54、步骤7：最终的输出结果为样本识别准确率。

55、一种电子设备，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行上述舰船辐射噪声识别方法。

56、一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述舰船辐射噪声识别方法。

57、一种芯片，包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片的设备执行上述舰船辐射噪声识别方法。

58、一种计算机程序产品，所述计算机程序产品包括计算机存储介质，所述计算机存储介质存储计算机程序，所述计算机程序包括能够由至少一个处理器执行的指令，当所述指令由所述至少一个处理器执行时实现上述舰船辐射噪声识别方法。

59、本发明的有益效果如下：

60、本发明大限度地利用了srn不同领域的特征信息进行分类识别，从而提高了整体的识别准确率。该跨特征域的联合学习方法还增强了模型的泛化能力。此外，早停机制与损失函数的约束解决了模型的过拟合问题。伪标签的利用解决了srn数据中有标签数据量较少的问题，降低了数据对模型的依赖程度。协同学习保证了模型间的信息共享。总之，该发明不仅对srn数据的分类识别准确率高，同时解决实际应用中可能存在的问题。