一种基于水声目标倒谱特征的深度学习目标识别方法与流程

该发明涉及水声信号处理与目标识别技术，属于水声探测。

背景技术：

1、由于复杂海洋环境条件的影响，导致接收信噪比低、水声信号畸变大等问题，使得水声目标检测识别一直是水声与声引信领域的一大难题。

2、在水声目标的特征选择方面，由于线谱特征通常稳定性较高，易于检测与处理，故经常被用作水声目标检测识别的训练特征之一。但随着实际海洋环境情况的日益复杂，同时水中目标的降噪技术也日益成熟，导致水中目标信号的信噪比逐渐降低，甚至产生一定的畸变现象，这使得利用线谱特征来进行水面目标与水下目标的检测识别难度不断增大。

3、而在水声目标的检测识别模型方面，由于神经网络拥有强大的非线性拟合能力，故经常被用作水声目标的识别分类器。但随着水中目标的种类逐渐增多，同时水声目标识别性能的需求不断增高，导致水声目标的识别难度不断加大，这使得普通的神经网络已经很难满足在低信噪比下目标信号的识别性能要求。

技术实现思路

1、本发明针对低信噪比时的水声目标检测识别问题，提出了一种基于水声目标倒谱特征的深度学习目标识别方法，用于解决低信噪比时的水面目标与水下目标的识别率低的问题，为未来水声目标检测识别系统提供了一种有效的检测识别方法。

2、具体技术方案：包括模型训练和目标识别两部分，

3、模型训练阶段具体如下，

4、首先，从历史数据中提取出不同信噪比下的水面目标与水下目标的原始信号；

5、紧接着，对原始信号进行预处理；

6、之后，利用目标倒谱提取方法对预处理后的原始信号进行处理，提取出水面目标与水下目标的倒谱曲线；

7、然后，利用目标正横时刻附近的倒谱特征作为深度学习网络的特征输入对深度学习网络进行训练，得到适用于对水面目标与水下目标进行检测识别的目标识别模型；

8、目标识别阶段具体为，提取预处理后的水声信号倒谱曲线，将目标正横时刻附近的倒谱特征输入深度学习网络完成目标识别。

9、进一步的，深度学习网络为lstm。

10、进一步的，深度学习网络为改进的lstm，改进之处在于，每个细胞单元当中，加入了窥视孔连接，使细胞状态参与到了门控结构参数的计算中。

11、进一步的，

12、遗忘门的输入在增加了细胞状态后，公式如下：

13、ft＝sigmoid(wf·[ct-1,ht-1,xt]+bf)

14、输入门的公式如下：

15、it＝sigmoid(wi·[ct-1,ht-1,xt]+bi)

16、输出门的公式如下：

17、ot＝sigmoid(wo·[ct,ht-1,xt]+bo)

18、其中，xt为当前t时刻的网络输入，ht为当前t时刻的细胞输出，即目标识别结果，ct为当前t时刻的细胞状态，ct-1为前一时刻的细胞状态，ht-1为前一时刻的细胞输出，wf、wi、wo为待训练的网络权值，bf、bi、bo为待训练的网络偏置；

19、进一步的，预处理包括放大、滤波。

20、有益效果：

21、1)水声目标信号在海洋信道的传播过程中，由于海面与海底的反射作用，会使得水声传感器在接收水声信号时产生多径干涉效应。不同传播路径之间的时延包含了目标的距离、深度等信息，通过水声目标信号经水面与水底传播产生的时延差，会产生相关负峰，而水面目标不会产生相关负峰。本发明利用水声目标的倒谱特征作为深度学习网络模型的输入，根据此特征对水面目标与水下目标进行检测识别。

22、2)长短时记忆网络(lstm)模型相比于传统的神经网络模型，不仅网络结构更加复杂，而且能利用历史信息来训练模型的权值参数，并且由于lstm网络模型的特殊性，使得模型在权值参数更新时，不会由于导数的连乘效应而导致重要的信息流失。虽然目前lstm网络模型多应用在语音识别、预测数据等序列数据的领域，但由于水声信号也是一类时域序列信号，故可以根据此特性利用lstm网络模型对水声目标的特征进行检测识别，且识别效果好。

23、3)改进后的lstm，每个门控结构在计算时都能看到细胞的当前状态，以此来优化每个门控结构的运算结果，基于倒谱特征的改进lstm网络模型的综合识别率比传统bp神经网络高7％。

技术特征：

1.一种基于水声目标倒谱特征的深度学习目标识别方法，其特征在于：包括模型训练和目标识别两部分，

2.根据权利要求1所述的一种基于水声目标倒谱特征的深度学习目标识别方法，其特征在于深度学习网络为lstm。

3.根据权利要求1所述的一种基于水声目标倒谱特征的深度学习目标识别方法，其特征在于：深度学习网络为改进的lstm，改进之处在于，每个细胞单元当中，加入了窥视孔连接，使细胞状态参与到了门控结构参数的计算中。

4.根据权利要求3所述的一种基于水声目标倒谱特征的深度学习目标识别方法，其特征在于：进一步的，

5.根据权利要求1或2或3所述的一种基于水声目标倒谱特征的深度学习目标识别方法，其特征在于：预处理包括放大、滤波。

技术总结
本发明涉及一种基于水声目标倒谱特征的深度学习目标识别方法，用于解决低信噪比时的水面目标与水下目标的识别率低的问题。具体的，从历史数据中提取出不同信噪比下的水面目标与水下目标的原始信号；对原始信号进行预处理；利用目标倒谱提取方法对预处理后的信号进行处理，提取出水面目标与水下目标的倒谱曲线；利用目标正横时刻附近的倒谱特征作为深度学习网络的特征输入对深度学习网络进行训练；利用训练好的深度学习网络完成目标识别。本发明的综合识别率相比传统BP神经网络得到了提高，特别是基于改进LSTM网络模型有了进一步的提高。

技术研发人员：刘宇轩,陈韶华
受保护的技术使用者：宜昌测试技术研究所
技术研发日：
技术公布日：2024/1/13