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
本文用于企业家、创业者技术爱好者查询,结果仅供参考。