一种船舶识别方法及装置

1.本发明涉及信号处理技术领域，尤其涉及一种船舶识别方法及装置。


背景技术：

2.船舶是海面上的重要目标，通过水声信号实现对船舶的识别在民用领域和军用领域上都有着广泛的应用前景。
3.现有的水声识别技术通常基于数学公式实现，比如把信号进行小波分解去噪后转换成频谱图，再通过声纹对比得到识别结果。
4.然而，上述技术需要工作人员进行复杂的公式推导和详尽算法原理解释，消耗大量的人工资源和时间，具有滞后性。


技术实现要素：

5.针对现有技术存在的问题，本发明实施例提供一种船舶识别方法及装置。
6.本发明提供一种船舶识别方法，包括：
7.获取目标水声信号的鉴别特征；
8.对所述鉴别特征进行降维处理，获取信号向量；
9.将所述信号向量输入至船舶识别模型，以确定所述目标水声信号对应的船舶类型。
10.根据本发明提供的一种船舶识别方法，所述获取目标水声信号的鉴别特征，包括：
11.基于最大似然估计方法，利用所述目标水声信号，获取通用背景模型；
12.基于所述通用背景模型的最大后验概率，获取所述目标水声信号的均值超向量；
13.根据所述均值超向量，获取所述鉴别特征。
14.根据本发明提供的一种船舶识别方法，所述对所述鉴别特征进行降维处理，获取信号向量，包括：
15.基于概率线性判别分析模型，对所述鉴别特征进行降维分解，获取降维向量；
16.所述降维向量包括信号向量和噪声向量；
17.所述概率线性判别分析模型是基于高斯分布的条件概率来描述的。
18.根据本发明提供的一种船舶识别方法，所述船舶识别模型是基于长短期记忆网络构建的；
19.在所述将所述信号向量输入至船舶识别模型之前，所述方法还包括：
20.获取多个水声信号样本和每个水声信号样本对应的船舶类型标签；
21.获取每个水声信号样本对应的样本特征向量；
22.对每个样本特征向量进行降维处理，获取每个水声信号样本对应的信号向量样本；
23.将每个水声信号样本对应的信号向量样本与船舶类型标签的组合作为一个训练样本，获得多个训练样本，利用多个训练样本对预设识别模型进行训练。
24.根据本发明提供的一种船舶识别方法，所述利用多个训练样本对预设识别模型进行训练，包括：
25.对于任意一个训练样本，将所述训练样本输入至所述船舶识别模型，输出所述训练样本对应的预测概率；
26.利用预设损失函数根据所述训练样本对应的预测概率和所述训练样本中的船舶类型标签计算损失值；
27.若所述损失值小于预设阈值，则所述预设识别模型练完成，获取所述船舶识别模型。
28.根据本发明提供的一种船舶识别方法，基于如下公式对所述鉴别特征进行降维分解，获取所述降维向量：
29.w(i)＝μ fhi gsi ∈i；
30.其中，w(i)为所述鉴别特征，i为采集所述目标水声信号的通道个数；μ fhi gsi ∈i为所述降维向量，μ fhi为所述信号向量，gsi ∈i为所述噪声向量；
31.μ为全部输入训练数据的均值；f为水声类别空间；hi为水声信号在整个水声类别空间的位置；g为误差空间；si为水声信号在误差空间的位置；∈i为残留信号噪声项。
32.本发明还提供一种船舶识别装置，包括：
33.获取模块，用于获取目标水声信号的鉴别特征；
34.降维模块，用于对所述鉴别特征进行降维处理，获取信号向量；
35.确定模块，用于将所述信号向量输入至船舶识别模型，以确定所述目标水声信号对应的船舶类型。
36.根据本发明提供的一种船舶识别装置，所述获取模块，具体用于：
37.基于最大似然估计方法，利用所述目标水声信号，获取通用背景模型；
38.基于所述通用背景模型的最大后验概率，获取所述目标水声信号的均值超向量；
39.根据所述均值超向量，获取所述鉴别特征。
40.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述船舶识别方法的步骤。
41.本发明还提供一种非暂态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如上述任一种所述船舶识别方法的步骤。
42.本发明提供的船舶识别方法及装置，通过对目标水声信号的鉴别特征进行降维，以减少冗余特征或噪声数据，有效减少船舶识别模型的计算量和数据存储所占内存空间，提高了模型的识别速度，为船舶的实时监测提供基础，同时在一定程度上降低收集船舶的水声信号过程中信道干扰的影响。
附图说明
43.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
44.图1是本发明提供的船舶识别方法的流程示意图；
45.图2是本发明提供的船舶识别装置的结构示意图；
46.图3是本发明提供的电子设备的结构示意图。
具体实施方式
47.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
48.需要说明的是，在本发明实施例的描述中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
49.最早的船舶识别技术主要依靠声纳工程师被动的监听和观察船舶信号图谱，这种基于经验的识别方式在一定程度上受机器性能、工作人员的心理素质、精神集中力以及船舶信号传递的时变性、随机性等影响，这种仅依靠人工分析船舶信号的方法，已经逐渐展示其疲态效果。
50.随着人工智能技术在目标识别、图像处理、地质勘探、故障诊断等领域取得的卓越效果，越来越多的注意力开始转移到探索并搭建基于智能化方法识别船舶信号的深度神经网络。
51.水声传播多径效应(multi-path effect of underwater sound transmission)是导致水声信号复杂的原因之一，不同海域的水声信号在不同时间下会呈现出不同的状态特征，具有非线性、非高斯和非平稳的特点。因此，不能仅仅依靠条件假设等数学方法，来划分不同时域、空域下的水声信号，而是寻求一种方法挖掘出水声信号的特征与目标之间的在不同空间维度下的相似程度。
52.对水声信号的识别包括数据提取、特征提取、特征选择、分类决策四个部分，通过合理有效的特征提取器从声纳阵列信号中分析目标有效信息，再选择合适的高精度分类器寻找不同类型的船舶信号特有特征表达。
53.通过船舶信号进行船舶类型识别的方法可分为两个阶段：
54.第一阶段，基于特征库的模糊匹配船舶信号识别技术，从训练样本获得参数估计，然后计算待识别样本与已知各类样本的匹配程度。
55.具体包括：构建有限脉冲响应神经网络识别被动船舶信号，通过设计二次曲线截面函数神经网络，可以有效地识别了浅海船舶信号，利用经验模式分解，根据船舶信号自身的内在特性，自适应地提取反应船舶信号特征的信号分量，针对远程水下目标微弱信号问题，融合经验模式分解、特征距离估计和模糊支持向量建立混合智能识别方法。
56.第二阶段，基于神经网络智能化船舶信号识别技术，包括卷积神经网络和循环神经网络。人工智能凭借大规模并行处理、分布式信息存储、非线性高阶特征表达和深度网络布局结构等特性在船舶信号识别领域取得突破性进展，作为一种端到端的学习方式，可以自主学习特征实现船舶信号类别分类。
57.例如，借助机器学习中支持向量机的特点，建立精准、快速的实时船舶信号处理系统，提融合经验模式分解、特征距离评估技术、组合支持向量机的智能化船舶目标智能识别算法。
58.基于上述方法的船舶识别技术存在至少以下缺陷。
59.第一方面，根据原始船舶信号传统的时域和频域变化特点提取船舶信号特征，由于环境复杂性、目标种类繁多、目标对抗性、目标隐形特征等各方面因素，存在船舶信号识别冷启动问题。难以获得准确的各类样本集合之间的混淆矩阵，使样本之间的匹配算法在出现一定的偏差时无法及时修正。
60.第二方面，模型的设计过程中，为了实现船舶信号识别的可解释性，每一步都需要工作人员进行复杂的公式推导和详尽算法原理解释，这些过程会在一定程度上将消耗大量的人工资源，往往难以快速的搭建船舶信号实时船舶信号分类系统。
61.第三方面，水下目标特征通用性较差、易受环境变化、航速、信道干扰等多方面问题的影响；提取的低阶特征直接用于端到端的学习，不同信号在不同时空内可能呈现同一状态，选择深度神经网络无法实现最大程度的匹配。
62.下面结合图1至图3描述本发明实施例所提供的船舶识别方法及装置。
63.图1是本发明提供的船舶识别方法的流程示意图，如图1所示，包括但不限于以下步骤：
64.首先，在步骤s1中，获取目标水声信号的鉴别特征。
65.可以利用声纳阵列对处于采集范围内的目标船舶进行信号采集，得到目标水声信号。其中，目标水声信号可以包括目标船舶的船舶信号和海洋噪声信号。船舶信号来源于目标船舶的机械噪声、螺旋桨噪声以及水动力噪声；海洋噪声信号来源于海洋环境。
66.鉴别特征可以是鉴别特征向量(identity-vector，i-vector)，i-vector为定长低维向量，具有良好的方向区分性。
67.具体地，利用高斯混合模型-通用背景模型(gaussian mixture model-universal background model，gmm-ubm)对目标水声信号进行向量提取，获取鉴别特征。
68.进一步地，在步骤s2中，对所述鉴别特征进行降维处理，获取信号向量。
69.对于目标船舶这一声源目标，可以利用概率线性判别分析(probabilistic linear discriminant analysis，plda)对声纳阵列通过不同信号通道收集到的目标水声信号所对应的鉴别特征进行横向批处理，可以在一定程度消除信道差异；再利用plda对鉴别特征进行降维分解，得到信号向量和噪声向量，实现船舶信号和海洋噪声信号的分离。
70.进一步地，在步骤s3中，将所述信号向量输入至船舶识别模型，以确定所述目标水
声信号对应的船舶类型。
71.将得到信号向量输入至船舶识别模型，由船舶识别模型对信号向量进行识别，得到船舶识别模型输出的分类结果，根据分类结果可以得到目标水声信号对应的船舶类型。在同一海域内，本发明提供的船舶识别方法对船舶类型的识别具有强鲁棒性，并且可以有效处理船舶分类的冷启动问题。
72.船舶类型可以包括捕捞船、执法船、货船、集装箱船、快艇、客轮、搜救船、拖轮和帆船中的多个类型。
73.本发明提供的船舶识别方法，通过对目标水声信号的鉴别特征进行降维，以减少冗余特征或噪声数据，有效减少船舶识别模型的计算量和数据存储所占内存空间，提高了模型的识别速度，为船舶的实时监测提供基础，同时在一定程度上降低收集船舶的水声信号过程中信道干扰的影响。
74.可选地，所述获取目标水声信号的鉴别特征，包括：
75.基于最大似然估计方法，利用所述目标水声信号，获取通用背景模型；
76.基于所述通用背景模型的最大后验概率，获取所述目标水声信号的均值超向量；
77.根据所述均值超向量，获取所述鉴别特征。
78.其中，通用背景模型可以是gmm-ubm。
79.具体地，给定目标水声信号为：其中，是一串从第i通道提取的d维特征矢量。
80.对于目标水声信号可以用最大似然估计(maximum likelihood estimation，mle)方法基于目标水声信号的训练得到一个通用背景，如下所示：
[0081][0082]
其中，ck为混合系数，n(
·
；mk,rk)是由d维均值向量mk和d
×
d对角线协方差矩阵rk联合表示，表示可观测数据集合y正太分布的描述符号。
[0083]
可以得到θ＝{ck,mk,rk|k＝1,...,k}，作为通用背景模型的一组参数。
[0084]
假定某一类水声信号yi，可由该信号的均值超向量m(i)和块组件(block component)rk构成的d
·k×d·
k块状对角线矩阵(block-diagonal matrix)r0来表示。
[0085]
之后利用gmm-ubm的最大后验概率，得到描述目标水声信号的均值超向量m(i)，如下所示：
[0086]
m(i)＝m0 tw(i)；
[0087]
其中，m0是由通用背景模型的mk串联成d
·
k维超向量；t是一个d
·k×
f(f＜＜d
·
k)维的低秩矩阵，称为总变异性矩阵；w(i)是一个有先验分布的满足标准正太分布n(
·
；0,i)的f维的随机向量。
[0088]
其中，均值超向量m(i)是所有d维均值向量mk的叠加。
[0089]
在给定yi、θ和t的情况下，i-vector的求解公式如下：
[0090]
[0091][0092]
其中，是m(i)第k个d维的超向量；是w(i)满足实验数据要求的最优解，使得水声信号的数据最大可分。
[0093]
具体地，i-vector提取公式的闭式解法可以如下：
[0094][0095][0096][0097]
其中，m为在整个数据集下符合可训练数据集合的均值。
[0098]
对通用背景模型进行训练，再将目标水声信号输入到训练好的模型中，得到鉴别特征w(i)。其中，鉴别特征w(i)为f维随机向量。
[0099]
根据本发明提供的船舶识别方法，利用通用背景模型对目标水声信号进行降维和特征提取，得到便于分类的鉴别特征，为鉴别特征的降维分解和船舶的识别提供基础。
[0100]
每个水声信号提取的预定义长度向量可以作为标准模式识别算法的输入。在传递到船舶识别模型的输入层之前，还可以利用plda模型，提供一个适用于预定义长度输入向量的概率框架。
[0101]
可选地，所述对所述鉴别特征进行降维处理，获取信号向量，包括：
[0102]
基于概率线性判别分析模型，对所述鉴别特征进行降维分解，获取降维向量；
[0103]
所述降维向量包括信号向量和噪声向量；
[0104]
所述概率线性判别分析模型是基于高斯分布的条件概率来描述的。
[0105]
声纳阵列中的多个通道同时对目标船舶进行水声信号采集，给定第i通道提取的的d维特征矢量yii及其i个向量的集合w(i)。
[0106]
可选地，基于如下公式对所述鉴别特征进行降维分解，获取所述降维向量：
[0107]
w(i)＝μ fhi gsi ∈i；
[0108]
其中，w(i)为所述鉴别特征，i为采集所述目标水声信号的通道个数；μ fhi gsi ∈i为所述降维向量，μ fhi为所述信号向量，gsi ∈i为所述噪声向量；
[0109]
μ为全部输入训练数据的均值；f为水声类别空间；hi为水声信号在整个水声类别空间的位置；g为误差空间；si为水声信号在误差空间的位置；∈i为残留信号噪声项。
[0110]
水声类别空间f包含了可以用来表示各种水声类别的信息；hi可以看作是具体的一个水声类别或是这一段水声信号在整个水声类别空间的位置；误差空间g用于表示同一类别的水声，在不同状态、环境下的声信变化信息
[0111]
其中，f和g的维度需要预先设定，并构成参数集合φ＝{μ,f,g,∑}，∑被定义为具有对角线协方差的高斯。
[0112]
信号向量μ fhi，只取决于yi类别的身份，而不取决于特定的声学；噪声向量gsi ∈i，对个体的每个声学都不同，代表个体内噪声，也就是海洋环境背景噪声。
[0113]
用基于高斯分布的条件概率来描述plda模型如下：
[0114]
pr(w(i)|hi,si,φ)＝n(μ fhi gsi,∑)；
[0115]
pr(hi)＝n(0,i)；
[0116]
pr(si)＝n(0,i)；
[0117]
其中，可以对潜在变量hi和潜在变量si定义预设值。
[0118]
根据本发明提供的船舶识别方法，通过分别对船舶信号以及噪声信号进行建模，将高维序列输入数据i-vector减少到低维预定义长度的特征向量，提取噪声背景模型，用以消除环境差带来的影响，同时保留大部分相关信息。
[0119]
可选地，所述船舶识别模型是基于长短期记忆网络构建的；
[0120]
在所述将所述信号向量输入至船舶识别模型之前，所述方法还包括：
[0121]
获取多个水声信号样本和每个水声信号样本对应的船舶类型标签；
[0122]
获取每个水声信号样本对应的样本特征向量；
[0123]
对每个样本特征向量进行降维处理，获取每个水声信号样本对应的信号向量样本；
[0124]
将每个水声信号样本对应的信号向量样本与船舶类型标签的组合作为一个训练样本，获得多个训练样本，利用多个训练样本对预设识别模型进行训练。
[0125]
长短期记忆是循环神经网络的一种特殊结构，可以解决具有有时间依赖性的序列，具有全局化处理能力，输入和输出的元素级别的对应上存在一定的时间跨度，在一定程度上可以避免长依赖问题，不同地时间刻度记忆信息是长短时间序列的默认行为，且不需要专门设计不同的门结构。
[0126]
使用长短期记忆网络(long short-term memory，lstm)对信号向量建模，可以从时间维度中找出变量变化的特征、趋势，保证了对输入预定义长度的向量提供长期存留性影响。预设识别模型是基于lstm构建的。
[0127]
获取多个水声信号样本和每个水声信号样本对应的船舶类型标签，即每个水声信号样本对应的船舶类型是已知的，且已通过船舶类型标签进行标注。
[0128]
在此基础上，获取每个水声信号样本对应的样本特征向量；对每个样本特征向量进行降维分解，获取每个水声信号样本对应的信号向量样本。
[0129]
进一步地，将每个水声信号样本对应的信号向量样本与船舶类型标签的组合作为一个训练样本，即将每个带有船舶类型标签的信号向量样本作为一个训练样本，由此即可获得多个训练样本。在获得多个训练样本之后，再将多个训练样本依次输入至船舶识别模型，即将每个训练样本中的信号向量样本和船舶类型标签同时输入至船舶识别模型，根据船舶识别模型的每一次输出结果对船舶识别模型中的模型参数进行调整，最终完成船舶识别模型的训练过程。
[0130]
根据本发明提供的船舶识别方法，基于深度学习的思想对船舶识别模型进行训练，使得船舶识别模型学习不同船舶类型对应的信号向量的特征，有利于利用训练好的船舶识别模型对水声信号的船舶类型进行识别。
[0131]
可选地，所述利用多个训练样本对预设识别模型进行训练，包括：
[0132]
对于任意一个训练样本，将所述训练样本输入至所述船舶识别模型，输出所述训练样本对应的预测概率；
[0133]
利用预设损失函数根据所述训练样本对应的预测概率和所述训练样本中的船舶
类型标签计算损失值；
[0134]
若所述损失值小于预设阈值，则所述预设识别模型练完成，获取所述船舶识别模型。
[0135]
预设损失函数可以表示为：
[0136][0137]
其中，w是模型训练的参数；b是偏移向量，可以防止过拟合；y是实际的标签；是通过船舶识别模型得到的船舶类型。
[0138]
预设阈值设置为0.5，训练完成的预设识别模型作为船舶识别模型，对船舶类型分类的准确率能够达到70％以上。
[0139]
根据本发明提供的船舶识别方法，通过对船舶识别模型进行训练，有利于将船舶识别模型的损失值控制在预设的范围内，从而有利于提高船舶识别模型进行船舶类型识别的精度。
[0140]
图2是本发明提供的船舶识别装置的结构示意图，如图2所示，包括但不限于：
[0141]
获取模块201，用于获取目标水声信号的鉴别特征；
[0142]
降维模块202，用于对所述鉴别特征进行降维处理，获取信号向量；
[0143]
确定模块203，用于将所述信号向量输入至船舶识别模型，以确定所述目标水声信号对应的船舶类型。
[0144]
在装置运行的过程中，获取模块201获取目标水声信号的鉴别特征；降维模块202对所述鉴别特征进行降维处理，获取信号向量；确定模块203将所述信号向量输入至船舶识别模型，以确定所述目标水声信号对应的船舶类型。
[0145]
首先，获取模块201获取目标水声信号的鉴别特征。
[0146]
可以利用声纳阵列对处于采集范围内的目标船舶进行信号采集，得到目标水声信号。其中，目标水声信号可以包括目标船舶的船舶信号和海洋噪声信号。船舶信号来源于目标船舶的机械噪声、螺旋桨噪声以及水动力噪声；海洋噪声信号来源于海洋环境。
[0147]
鉴别特征可以是i-vector，i-vector为定长低维向量，具有良好的方向区分性。
[0148]
具体地，利用gmm-ubm对目标水声信号进行向量提取，获取鉴别特征。
[0149]
进一步地，降维模块202对所述鉴别特征进行降维处理，获取信号向量。
[0150]
对于目标船舶这一声源目标，可以利用plda对声纳阵列通过不同信号通道收集到的目标水声信号所对应的鉴别特征进行横向批处理，可以在一定程度消除信道差异；再利用plda对鉴别特征进行降维分解，得到信号向量和噪声向量，实现船舶信号和海洋噪声信号的分离。
[0151]
进一步地，确定模块203将所述信号向量输入至船舶识别模型，以确定所述目标水声信号对应的船舶类型。
[0152]
将得到信号向量输入至船舶识别模型，由船舶识别模型对信号向量进行识别，得到船舶识别模型输出的分类结果，根据分类结果可以得到目标水声信号对应的船舶类型。在同一海域内，本发明提供的船舶识别方法对船舶类型的识别具有强鲁棒性，并且可以有效处理船舶分类的冷启动问题。
[0153]
船舶类型可以包括捕捞船、执法船、货船、集装箱船、快艇、客轮、搜救船、拖轮、帆
船中的多个类型。
[0154]
本发明提供的船舶识别装置，通过对目标水声信号的鉴别特征进行降维，以减少冗余特征或噪声数据，有效减少船舶识别模型的计算量和数据存储所占内存空间，提高了模型的识别速度，为船舶的实时监测提供基础，同时在一定程度上降低收集船舶的水声信号过程中信道干扰的影响。
[0155]
可选地，所述获取模块，具体用于：
[0156]
基于最大似然估计方法，利用所述目标水声信号，获取通用背景模型；
[0157]
基于所述通用背景模型的最大后验概率，获取所述目标水声信号的均值超向量；
[0158]
根据所述均值超向量，获取所述鉴别特征。
[0159]
其中，通用背景模型可以是gmm-ubm。
[0160]
具体地，给定目标水声信号为：其中，是一串从第i通道提取的d维特征矢量。
[0161]
对于目标水声信号可以用最大似然估计(maximum likelihood estimation，mle)方法基于目标水声信号的训练得到一个通用背景，如下所示：
[0162][0163]
其中，ck为混合系数，n(
·
；mk,rk)是由d维均值向量mk和d
×
d对角线协方差矩阵rk联合表示，表示可观测数据集合y正太分布的描述符号。
[0164]
可以得到θ＝{ck,mk,rk|k＝1,...,k}，作为通用背景模型的一组参数。
[0165]
假定某一类水声信号yi，可由该信号的均值超向量m(i)和块组件(block component)rk构成的d
·k×d·
k块状对角线矩阵(block-diagonal matrix)r0来表示。
[0166]
之后利用gmm-ubm的最大后验概率，得到描述目标水声信号的均值超向量m(i)，如下所示：
[0167]
m(i)＝m0 tw(i)；
[0168]
其中，m0是由通用背景模型的mk串联成d
·
k维超向量；t是一个d
·k×
f(f＜＜d
·
k)维的低秩矩阵，称为总变异性矩阵；w(i)是一个有先验分布的满足标准正太分布n(
·
；0,i)的f维的随机向量。
[0169]
其中，均值超向量m(i)是所有d维均值向量mk的叠加。
[0170]
在给定yi、θ和t的情况下，i-vector的求解公式如下：
[0171][0172][0173]
其中，是m(i)第k个d维的超向量；是w(i)满足实验数据要求的最优解，使得水声信号的数据最大可分。
[0174]
具体地，i-vector提取公式的闭式解法可以如下：
[0175]
[0176][0177][0178]
其中，m为在整个数据集下符合可训练数据集合的均值。
[0179]
对通用背景模型进行训练，再将目标水声信号输入到训练好的模型中，得到鉴别特征w(i)。
[0180]
其中，鉴别特征w(i)为f维随机向量。
[0181]
根据本发明提供的船舶识别装置，利用通用背景模型对目标水声信号进行降维和特征提取，得到便于分类的鉴别特征，为鉴别特征的降维分解和船舶的识别提供基础。
[0182]
需要说明的是，本发明实施例提供的船舶识别装置，在具体执行时，可以基于上述任一实施例所述的船舶识别方法来实现，对此本实施例不作赘述。
[0183]
图3是本发明提供的电子设备的结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(communications interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行船舶识别方法，该方法包括：获取目标水声信号的鉴别特征；对所述鉴别特征进行降维处理，获取信号向量；将所述信号向量输入至船舶识别模型，以确定所述目标水声信号对应的船舶类型。
[0184]
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0185]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的船舶识别方法，该方法包括：获取目标水声信号的鉴别特征；对所述鉴别特征进行降维处理，获取信号向量；将所述信号向量输入至船舶识别模型，以确定所述目标水声信号对应的船舶类型。
[0186]
又一方面，本发明还提供一种非暂态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以执行上述各实施例提供的船舶识别方法，该方法包括：获取目标水声信号的鉴别特征；对所述鉴别特征进行降维处理，获取信号向量；将所述信号向量输入至船舶识别模型，以确定所述目标水声信号对应的船舶类型。
[0187]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0188]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0189]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。