一种基于全息谱和深度学习的舰船噪声识别方法与流程

技术特征：

1.一种基于全息谱和深度学习的船舶噪声识别方法，其特征在于所述方法的步骤如下：

第一步，提取总长度为t的一段噪声信号s，执行标准化操作得到标准化的噪声信号st；标准化操作的步骤为首先统一采样频率，通过升采样或者降采样将不同数据样本的采样频率统一为fsstd，其中fsstd应大于20khz；然后去掉噪声信号的直流分量：st1＝s-mean(s)，其中mean()表示取均值操作；最后将噪声信号的功率归一化：st＝st1/std(st1)，其中std()表示取标准差操作；

第二步，计算噪声信号的全息谱图；首先对标准化的噪声信号st进行模态分解，模态分解后，表示为：

其中，n为模态个数，ci(t)是本征模态函数分量；

然后对每一个本征模态函数，求得其包络：

enei＝envelope(ci(t))(2)

其中，envelope()为取包络操作，对每一个本征模态函数包络继续进行模态分解，得到

其中，c2ij(t)为本征模态函数包络enei的本征模态；

最后，对ci(t)和c2ij(t)进行瞬时频率分析，栅格化能量操作，得到噪声信号的幅度调制全息谱图；

第三步，将幅度调制全息谱图作为分类模型的特征输入，训练分类模型；其中分类模型采用基于深度学习的神经网络模型，具体为卷积神经网络模型，也即cnn模型，将幅度调制全息谱图分为训练集样本和验证集样本，使用训练集对cnn模型进行训练，使用验证集对网络模型进行调参，得到训练好的cnn模型；

第四步，使用训练好的分类模型对舰船噪声进行分类识别；将舰船噪声按照步骤一和步骤二进行处理得到幅度调制全息谱图，输入到训练好的cnn模型中，cnn模型给出对应的舰船分类。

2.根据权利要求1所述的方法，其特征在碍于所述模态分解的方法包括：经验模态分解法，集合经模态分解法，或者自适应性二进位遮罩经验模态分解法。

技术总结
本发明涉及一种基于全息谱和深度学习的舰船噪声识别方法，属于信号处理领域，所述方法为首先把提取的信号进行标准化，进而使用经验模态分解方法计算得到标准化信号的幅度调制全息谱。将幅度调制全息谱图作为卷积神经网络分类模型的特征输入，训练分类模型。使用训练好的分类模型对舰船噪声进行分类识别。本发明方法运用了幅度调制全息谱图作为船舶噪声的特征，幅度调制全息谱获得了舰船噪声中的幅度调制信息，在复杂多变的海洋环境中更加稳定。

技术研发人员：刘宗伟;段德鑫;吕连港;姜莹;杨春梅
受保护的技术使用者：自然资源部第一海洋研究所
技术研发日：2021.03.22
技术公布日：2021.07.06