一种基于多尺度卷积神经网络的被动水声目标识别方法与流程

1.本发明涉及，主要是一种基于多尺度卷积神经网络的被动水声目标识别方法。


背景技术：

2.水下目标识别技术是海洋装备走向智能化不可或缺的关键技术，其在海洋资源勘测、海洋环境信息探查、水下信息侦察等领域有广泛的应用，自上世纪50年代起便有大量学者专家投身其中。目前，针对不同的水下信息采集形式，主要研究方向包括图像识别和信号识别两类。其中，以目标辐射噪声为分析对象的水下声信号识别方法，以其有效范围大、适用条件广等特点，广泛应用于水下目标识别技术领域中。传统的水声信号识别方法以目标特征提取及模式识别方法为核心。针对目标特点设计区分度更高的目标特征提取方法，并结合svm、神经网络等高效分类方法实现目标识别。
3.但水下目标辐射噪声往往和目标状态具有较强相关性，且受水声信道时变特性影响，在一种条件下得到的目标辐射噪声特性，常常难以与另一状态下的目标特性实现匹配，导致在实验室中训练良好的模型在实际过程中难以达到其预想探测性能。除此之外，通过人工提取的目标特征可区分性与专家经验有关，为提高对新目标的识别能力，需要再次根据专家经验重新设计特征提取方法，才能实现较为理想的识别效果。针对以上问题本发明提出了一种基于多尺度卷积神经网络的被动水声目标识别方法，该方法结合人工特征提取经验，使用时频域幅度图和相位图作为神经网络输入，在更明显的体现目标特征的同时，将信号全部信息输入神经网络，更有利于后续自适应特征提取过程；然后利用多尺度卷积神经网络进行自适应特征提取，并利用深度神经网络进行识别。在获取新的目标辐射噪声后，可对模型再次训练，使网络识别能力不断提高。
4.与本发明最相近的技术方案为东南大学发明专利，一种基于卷积神经网络的被动水声目标识别方法，该方法主要步骤包括：
5.1、模拟水声目标辐射噪声
6.2、获取水下目标跟踪波束
7.3、获取目标跟踪波束时频图，所有时频图按固定时长分割并划分为训练样本和测试样本
8.4、对样本进行数据增强，尺寸缩放、裁剪；
9.5、将带有标签的训练样本输入建立的卷积神经网络，进行有监督学习，得到卷积神经网络各层参数；
10.6、利用各层参数初始化网络，得到具有水下目标识别功能的卷积神经网络；
11.7、拖曳阵获取待测航行目标的辐射噪声，转换为时频图并分割，分割后的子图作为待测样本输入卷积神经网络中，得到每个子图的识别结果，将识别出的目标数量最多的目标作为最终识别结果。


技术实现要素：

12.本发明针对人工设计的特征提取方法难以有效识别不同工作状态、不同环境下的目标问题，而提供一种基于多尺度卷积神经网络的被动水声目标识别方法。
13.本发明的目的是通过如下技术方案来完成的。一种基于多尺度卷积神经网络的被动水声目标识别方法，该方法结合人工特征提取经验，将时频域幅度图和相位图作为神经网络输入，在更明显的体现目标特征的同时，将全部信息输入网络，有利用后续自适应特征提取过程；然后根据水下目标特点，设计了一种多尺度卷积神经网络进行自适应特征提取，并利用深度神经网络进行识别。在获取新的目标辐射噪声后，可对模型再次训练，使网络识别能力不断提高；具体包括步骤如下:
14.(1)、获取带类型标签的时域数据后对数据进行预处理；
15.(2)、对时域信号进行时频域变换，获取目标的归一化幅度谱和相位谱；
16.(3)、构建多尺度卷积神经网络，网络构建成功后，使用随机参数对网络进行初始化；
17.(4)、对网络进行训练，达到迭代停止条件后，输出网络参数；
18.(5)、利用网络参数构建识别器，并在获取新的标签数据后重新进行训练。
19.更进一步的，在步骤(1)中，假设当前数据采样频率为fsm标准数据采样率为fs，则构建截止频率为的低通滤波器对原始数据进行处理，然后对数据进行采样率变换，得到时域数据f(m)；
20.然后对f(m)进行降噪处理；
21.采样信号时间序列表示为：
22.x＝{xi},i＝1,
…
,n
23.利用时间序列构造hankel矩阵：
[0024][0025]
然后对矩阵进行奇异值分解，得到奇异值及其对应的向量：
[0026][0027]
其中αi表示第i个奇异值，ui和vi表示第i个奇异值对应的向量；对奇异值进行阈值处理，将小于阈值λ的奇异值置为0，利用处理后的奇异值矩阵重建时域信号，得到降噪结果。
[0028]
更进一步的，在步骤(3)中，原始图像由归一化幅度谱和相位谱两个图层组成，分别输入卷积核为3*3、6*6、9*9的卷积神经网络中利用relu函数作为激活函数，并使用4*4的平均池化层进行处理，然后将三个卷积神经网络计算结果输入3*3卷积核的卷积神经网络，同样使用4*4的池化层，将计算结果连续通过两层全连接神经网络，并将最终结果进行输出。
[0029]
更进一步的，在步骤(5)中，保存当前网络参数，并构建识别器，每次进行识别后不
再进行网络参数更新；在获取新的标签数据后，重复步骤(1)至步骤(4)，进行网络训练，更新网络参数。
[0030]
本发明的有益效果为：与现有方法相比，本发明有以下不同点：
[0031]
1、预处理方法不同，该方法未使用降噪方法对原始数据进行处理，且该方法未进行采样率变换，仅能适用于单一采样率条件下的目标信号。
[0032]
2、网络输入不同，该方法叙述过程中进行描述将信号“时频图”输入网络中，其运用的公式为短时傅里叶变换，其输出结果应为一复数，猜测其应对该结果进行了取模值处理，或将复数直接输入网络中，降低了输入网络中数据的信息量。而本发明将时频域幅度图和相位图同时输入网络中，能够将所有数据信息输入网络，且数据特征在幅度谱和相位谱中更加集中，有利于自适应特征提取过程。
[0033]
3、网络结构不同，该方法采用多层单核卷积神经网络进行级联，而本发明采用多核卷积神经网络并行后再串联其他网络，多核卷积神经网络能够有效从多个尺度对输入数据进行观察，有效提高自适应特征提取的有效性，从而提高目标识别准确度。
[0034]
4、本发明实例采用实际目标数据进行训练，相比于模拟数据更具说服力。
附图说明
[0035]
图1为本发明的流程示意图。
[0036]
图2为处理前的带噪时域信号频谱示意图；
[0037]
图3为svd降噪处理后频谱示意图；
[0038]
图4-图7为对4类目标进行时频域变换，获得的归一化时频幅度谱和相位谱；
[0039]
图8为网络结构构建识别器示意图；
[0040]
图9为网络训练结果示意图。
具体实施方式
[0041]
下面将结合附图对本发明做详细的介绍：
[0042]
本发明公开了一种基于多尺度卷积神经网络的被动水声目标识别方法，其工作流程如图1所示，具体包括以下步骤：
[0043]
步骤1：获取带类型标签的时域数据后对数据进行预处理，假设当前数据采样频率为fsm标准数据采样率为fs，则构建截止频率为的低通滤波器对原始数据进行处理，防止采样率变换后发生混叠，然后对数据进行采样率变换，得到时域数据f(m)。
[0044]
然后对f(m)进行降噪处理。
[0045]
采样信号时间序列可表示为：
[0046]
x＝{xi},i＝1,
…
,n
[0047]
利用时间序列构造hankel矩阵：
[0048]
[0049]
然后对矩阵进行奇异值分解，得到奇异值及其对应的向量：
[0050][0051]
其中αi表示第i个奇异值，ui和vi表示第i个奇异值对应的向量。对奇异值进行阈值处理，将小于阈值λ的奇异值置为0。利用处理后的奇异值矩阵重建时域信号，得到降噪结果。处理前的带噪时域信号频谱如图2所示，经svd降噪处理后，结果如图3所示。发现可以有效降低噪声影响。
[0052]
步骤2：对时域信号进行时频域变换，获取目标的归一化幅度谱和相位谱，具体包括以下过程：
[0053]
(2.1)对时域信号进行短时傅里叶变换，可表示为：
[0054][0055]
(2.2)归一化时频域幅度谱可表示为：
[0056][0057]
时频域相位谱可表示为：
[0058][0059]
对4类目标进行时频域变换，获得的归一化时频幅度谱和相位谱如图4至图7所示。其中左侧图像为归一化幅度谱，横轴表示时间点位，纵轴为频率点位，发现辐射噪声主要集中于低频。右侧图像为相位谱，纵坐标为相位弧度，横坐标为时间点位，发现相位谱随时间成周期性变化，且4类目标变化周期不同。
[0060]
步骤3：构建多尺度卷积神经网络，并进行初始化。
[0061]
网络结构如图8所示，原始图像由归一化幅度谱和相位谱两个图层组成，分别输入卷积核为3*3、6*6、9*9的卷积神经网络中利用relu函数作为激活函数，并使用4*4的平均池化层进行处理，然后将三个卷积神经网络计算结果输入3*3卷积核的卷积神经网络，同样使用4*4的池化层，将计算结果连续通过两层全连接神经网络，并将最终结果进行输出。
[0062]
网络构建成功后，使用随机参数对网络进行初始化。
[0063]
步骤4：对网络进行训练。
[0064]
本实例中batch_size设置为128，batch_num设置为75，采用交叉熵损失函数，优化器采用adam算法，drop_out比例为0.5，采用l2正则化方法。最终训练结果如图9所示，其中左图为网络损失值随训练轮次变化关系，图中红色曲线为训练集损失，蓝色曲线为测试集损失；右图为网络识别正确率随训练轮次变化关系，红色曲线为训练集正确率，蓝色曲线为测试集正确率。发现随迭代轮次增加，网络损失值逐渐减小，正确率逐渐增加，全局最优正确率为99.71％。
[0065]
步骤5：构建识别器，并在获取新的标签数据后重新进行训练。
[0066]
保存当前网络参数，并利用图8所示网络结构构建识别器。每次进行识别后不再进行网络参数更新。
[0067]
在获取新的目标数据后，重复步骤1至步骤4，进行网络训练，更新网络参数，从而提高网络的识别能力。
[0068]
需要说明的是：
[0069]
(1)本发明将时频阈归一化幅度谱和相位谱作为网络输入，如图4至图7所示。可以发现，4类实际目标信号其幅度谱含有信息量较少，反而在相位谱中含有更为明显的信息，特征更加集中，有利于后续自适应特征提取的过程。除此之外，通过将幅度谱和相位谱同时输入网络中，网络能够获取到时域信号的全部信息，通过自适应特征提取过程，网络有可能获取难以直接观察的图像特征，更有利于提高网络泛化能力。
[0070]
(2)本发明构建了一种基于多尺度卷积神经网络的自适应特征提取器，用于水下目标识别过程。本发明提出的是一种多尺度卷积神经网络的自适应特征提取器。多尺度分析常见于图像小波变换分析过程中，通过不同尺度的卷积核对图像进行处理，能够更有效的提取不同分辨率下的图像特征，本发明将该思想应用于时频图特征提取过程中，有效提高了识别系统正确率。
[0071]
可以理解的是，对本领域技术人员来说，对本发明的技术方案及发明构思加以等同替换或改变都应属于本发明所附的权利要求的保护范围。