MEMS水声换能器基阵及水下蛙人目标探测方法

mems水声换能器基阵及水下蛙人目标探测方法
技术领域
1.本技术涉及水下目标探测识别技术领域，尤其涉及一种mems水声换能器基阵及水下蛙人目标探测方法。


背景技术：

2.随着“非对称作战”模式的应用，水下蛙人因体积小、噪声强度低而逐步受到重视，因此，硬件和软件算法两方面需要同时满足对识别水下蛙人等小型目标的探测和识别。由于电磁波信号在水下传播效果很差，目前水声探测是监测和发现水下蛙人的唯一可靠手段，通常采用声呐作为水下探测的核心设备。传统声呐设备有被动式声呐和主动式声呐两类：被动式水声监测的虽然能耗低、隐蔽性强、鲁棒性高，但是其依赖于目标物体自身发出的声波进行目标识别，对于蛙人这种自身噪声强度低的小目标，被动式声呐的检测和识别效果很不理想；受限于水下蛙人常秘密潜入的环境常常是码头、港口、舰船及海上平台等复杂环境的水域，主动式声呐工作时最佳中心频率、探测距离、探测角度和覆盖范围会受到水下复杂声学环境限制，同时，由于蛙人体积小，仅使用单个主动声呐设备时，蛙人的回声信号与背景噪声信号混杂在一起，很难被识别出来。软件算法方面，目前有匹配滤波器、线谱增强器或者在其基础上的改进方法，用来处理海洋声呐数据信号，但是这些算法在处理蛙人这种体积小的目标时，很容易受到背景噪声的影响，如果强行提高分辨精度，会造成虚警率的升高。


技术实现要素：

3.有鉴于此，本发明将mems水声换能器与神经网络结合起来，建立一种可广泛应用于复杂水下场景的mems水声换能器基阵及水下蛙人目标探测方法，来实现对水下蛙人目标的精准探测和识别。
4.第一方面，本发明提供了一种mems水声换能器基阵，所述mems水声换能器基阵包括以阵列形式排布的mems水声换能器；
5.所述mems水声换能器包括信号发生器、功率放大器、水声换能器以及信号接收器；
6.所述信号发生器用于产生电信号；所述功率放大器用于将电信号功率放大；所述水声换能器用于将放大后的电信号转换成原始声压数据，并将原始声压数据发射至待测区域；信号接收器用于接收原始声压数据击中目标物体产生的回波信号，得到回波声压数据。
7.在本发明所述的mems水声换能器基阵中，
8.每个所述mems水声换能器基阵包括m行，每行有n个mems水声换能器，所述mems水声换能器以阵列形式排布，并设置相邻两行mems水声换能器之间间距，以及每一行相邻两个mems水声换能器之间间距。
9.第二方面，本发明还提供一种水下蛙人目标探测方法，通过上述任一项所述的mems水声换能器基阵实现，所述水下蛙人目标探测方法包括如下步骤：
10.s11、获取mems水声换能器基阵采集的原始回波声压数据；
11.s12、对所述原始回波声压数据进行处理得到第一处理数据；
12.s13、将第一处理数据放入预先训练的深度学习网络模型中识别，通过蛙人目标的气泡群、气瓶和蛙人身体的三种判别特征数据对第一处理数据进行识别，根据识别结果对水下蛙人目标进行探测识别。
13.在本发明所述的水下蛙人目标探测方法中，
14.所述步骤s12包括：
15.对原始回波声压数据进行模数转换处理得到离散的数字信号；
16.对所述离散的数字信号进行排序，并将排完序的数字信号用小波变换算法处理得到第一处理数据。
17.在本发明所述的水下蛙人目标探测方法中，
18.所述步骤s13包括：
19.s131、将第一处理数据放入预先训练的深度学习网络模型中，所述深度学习网络模型包括主干网络和头部网络；所述头部网络为三个分别用于识别蛙人目标的气泡群、气瓶、蛙人身体的三种判别特征；
20.s132、所述主干网络提取初步输入深度学习网络模型中第一处理数据的特征，并将提取的特征数据分别输入所述头部网络中；
21.s133、通过所述头部网络对蛙人目标的气泡群、气瓶、蛙人身体的三种判别特征数据进行识别；
22.s134、对识别结果进行判断，如果蛙人目标的气泡群、气瓶、蛙人身体的三种判别特征判断目标全判定为真，则识别对象为目标蛙人。
23.在本发明所述的水下蛙人目标探测方法中，
24.所述步骤s13中预先训练的深度学习网络模型通过如下方式进行构建：
25.构建主干网络以及头部网络；所述主干网络包含卷积层、池化层，卷积层、池化层一共有s层，p个卷积层和q个池化层交替出现，卷积层的卷积核大小为k
×
k，池化层采用最大池化层的形式；
26.所述头部网络为全连接层，先将主干网络提取的特征数据转换成一维的数列，随后将一维数列放入全连接层进行目标识别。
27.在本发明所述的水下蛙人目标探测方法中，
28.所述深度学习网络模型中主干网络通过如下方式进行迭代学习：
29.s41、生成一个卷积神经网络主干网络，其中主干网络的输入层，隐藏层、输出层，以及每层使用的激活函数均与卷积神经网络主干模型一致；
30.s42、将主干网络作为对抗神经网络的生成网络，再构建一个判别网络，组合起来作为一个域对抗神经网络；
31.s43、将生成网络和判别网络分别以判别网络准确率和1与判别网络准确率的差为损失函数进行迭代学习；
32.s44、迭代学习到预设次数后，返回主干网络及参数。
33.在本发明所述的水下蛙人目标探测方法中，
34.对所述步骤s13中对深度学习网络模型进行训练包括如下步骤：
35.s51、生成训练样本集；
36.s52、对训练样本集中数据预处理；
37.s53、利用预处理的数据，基于对抗神经网络和迁移学习网络模型对主干网络进行训练；
38.s54、对头部网络进行训练，输出深度学习网络模型。
39.在本发明所述的水下蛙人目标探测方法中，
40.所述步骤s53包括：
41.s531、通过特征提取网络提取数据特征，并根据数据来源给数据特征添加域标签；
42.s532、判断是否达到最大迭代次数，是则跳转到步骤s54，否则跳转到步骤s533；
43.s533、通过域对抗神经网络判别数据的域标签并计算判断误差损失；
44.s534、根据误差损失反向传播调整特征提取网络及域对抗网络参数，并跳转到步骤s531。
45.在本发明所述的水下蛙人目标探测方法中，
46.所述步骤s54包括：
47.s541、根据误差损失调整头部网络参数；
48.s542、将提取特征的训练数据样本输入到头部网络中训练；
49.s543、判断是否达到最大迭代次数，如是则跳转到步骤s544，否则跳转到步骤s541；
50.s544、输出深度学习网络模型。
51.本发明的有益效果：
52.本技术的mems水声换能器基阵及水下蛙人目标探测方法相对于现有技术具有两方面的优点：建立基于mems水声换能器的布置方法实现对水下多场景的主动式探测和水下蛙人等小目标高精度识别。mems水声换能器兼具水听器与换能器的功能，对全频段信号有很好的适应性；水下蛙人目标探测方法通过神经网络算法能有效地从已有样本中学习到水下蛙人目标相应的特征，避免了人工从总体信号中提取蛙人微弱信号特征的工作。
附图说明
53.为了更清楚地说明本技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，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。
54.图1为mems水声换能器基阵结构示意图。图标：1-mems水声换能器；
55.图2为本发明实施例提供的水下蛙人目标探测方法的流程图；
56.图3为本发明实施例中步骤s13的子流程图；
57.图4为本发明实施例的基于对抗神经网络和迁移学习的模型及实现流程图；
58.图5为本发明实施例的深度学习模型的训练流程图。
具体实施方式
59.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所
附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
60.在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
61.应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
62.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。
63.实施例1
64.如图1所示，第一方面，本发明实施例提供了一种mems水声换能器基阵，所述mems水声换能器基阵包括以阵列形式排布的mems水声换能器1。
65.可选地，每个所述mems水声换能器基阵包括m行，每行有n个mems水声换能器1，所述mems水声换能器1以阵列形式排布，并设置相邻两行mems水声换能器1之间间距a，以及每一行相邻两个mems水声换能器1之间间距b。
66.所述mems水声换能器1包括信号发生器、功率放大器、水声换能器以及信号接收器。
67.所述信号发生器用于产生电信号；所述功率放大器用于将电信号功率放大；所述水声换能器用于将放大后的电信号转换成原始声压数据，并将原始声压数据发射至待测区域；信号接收器用于接收原始声压数据击中目标物体产生的回波信号，得到回波声压数据。
68.将所述mems水声换能器基阵中mems水声换能器1按顺序依次编号，对mems水声换能器1采集到的原始声压数据按照mems水声换能器1的编号进行编号，作为深度学习网络模型的输入样本。
69.在本发明实施例中，mems水声换能器基阵集合了信号发生器、功率放大器、水声换能器(水听器)和信号接收器的功能，即兼具发出信号和接收信号的功能。
70.第二方面，如图2所示，本发明实施例还提供一种水下蛙人目标探测方法，通过上述任一项所述的mems水声换能器基阵实现，所述水下蛙人目标探测方法包括如下步骤：
71.s11、获取mems水声换能器基阵采集的原始回波声压数据。
72.mems水声换能器基阵先生成电信号，并将电信号功率放大，随后将电信号转换成原始声波信号，发射至待测区域；原始声波信号击中目标物体产生的回波信号，被mems水声换能器1采集，得到原始回波声压数据。
73.优选的，生成的电信号包括但不限于三角波、锯齿波、矩形波；优选的，初始电信号可以设置为定频模式，也可以设置为扫频模式，根据蛙人的体型可以计算，频率的下限不低于1khz，上限不超过10khz。频率过高，在水中衰减快，很难探测远处目标；频率过低，声波波长太长会绕过目标，造成误判。
74.s12、对所述原始回波声压数据进行处理得到第一处理数据。
75.在一种具体的实施方式中，所述步骤s12包括：
76.对原始回波声压数据进行模数转换处理得到离散的数字信号，并按照获取数据的mems水声换能器1编号对数字信号进行编号排序。
77.对所述离散的数字信号进行排序，并将排完序的数字信号用小波变换算法处理得到第一处理数据。
78.在一种更为具体的实施方式中，将排完序的数字信号用小波变换算法处理，这里分别对每一个mems水声换能器1获取的数据进行小波变换。为了便于后续处理，将小波变换后得到的数据进行归一化处理，得到第一处理数据。
79.可选地，用小波变换算法处理可以采用haar小波变换，daubechies小波变换，biorthogonal小波变换，coiflets小波变换，symlets小波变换中的任何一种，也可以为其他算法。
80.s13、将第一处理数据放入预先训练的深度学习网络模型中识别，通过蛙人目标的气泡群、气瓶和蛙人身体的三种判别特征数据对第一处理数据进行识别，根据识别结果对水下蛙人目标进行探测识别。
81.为了增加识别后的预警能力，可以在三种判别目标的识别结果全为真时，即判断为有蛙人靠近，向地面人员发出预警；否则不向地面人员发出预警。
82.如图3所示，在一种具体的实施方式中，所述步骤s13包括：
83.s131、将第一处理数据放入预先训练的深度学习网络模型中，所述深度学习网络模型包括主干网络和头部网络；所述头部网络为三个分别用于识别蛙人目标的气泡群、气瓶、蛙人身体的三种判别特征。
84.s132、所述主干网络提取初步输入深度学习网络模型中第一处理数据的特征，并将提取的特征数据分别输入所述头部网络中。
85.s133、通过所述头部网络对蛙人目标的气泡群、气瓶、蛙人身体的三种判别特征数据进行识别。
86.设置对气泡群的特征数据进行识别，主要是针对开式呼吸排出的大量气泡的特性。
87.s134、对识别结果进行判断，如果蛙人目标的气泡群、气瓶、蛙人身体的三种判别特征判断目标全判定为真，则识别对象为目标蛙人。
88.可选地，在本发明实施例所述的水下蛙人目标探测方法中，所述步骤s13还包括：在识别对象为目标蛙人时，向地面人员发出预警。
89.可选地，在本发明实施例所述的水下蛙人目标探测方法中，
90.所述步骤s13中预先训练的深度学习网络模型通过如下方式进行构建：
91.构建主干网络以及头部网络；所述主干网络包含卷积层、池化层，卷积层、池化层一共有s层，p个卷积层和q个池化层交替出现，卷积层的卷积核大小为k
×
k，池化层采用最大池化层的形式。
92.所述头部网络为全连接层，先将主干网络提取的特征数据转换成一维的数列，随后将一维数列放入全连接层进行目标识别。
93.可选地，如图4所示，在本发明实施例所述的水下蛙人目标探测方法中，
94.所述深度学习网络模型中主干网络通过如下方式进行迭代学习：
95.s41、生成一个卷积神经网络主干网络，其中主干网络的输入层，隐藏层、输出层，以及每层使用的激活函数均与卷积神经网络主干模型一致；
96.s42、将主干网络作为对抗神经网络的生成网络，再构建一个判别网络，组合起来作为一个域对抗神经网络；
97.s43、将生成网络和判别网络分别以判别网络准确率和1与判别网络准确率的差为损失函数进行迭代学习；
98.s44、迭代学习到预设次数后，返回主干网络及参数。
99.可选地，在本发明实施例所述的水下蛙人目标探测方法中，
100.如图5所示，对所述步骤s13中对深度学习网络模型进行训练包括如下步骤：
101.s51、生成训练样本集。
102.可选地，拟选取具有代表性的港口、舰船两类适用于浅水和深海环境的典型水下场景，港口类水下场景包括岸基、遮蔽物、水面、海底，舰船类水下场景包括舰船平台水下部分、水面。在搭建典型水下场景的基础上，本发明拟对水下蛙人目标进行三部分建模，即气泡群、气瓶和蛙人身体，通过控制软管外接的外部空气压缩机，在水下消声环境中产生与蛙人呼气等流量、等周期和持续时间的气泡群，选用开式呼吸气瓶和与人体结构相似的软材料，通过mems水声换能器基阵，对气泡群、气瓶和人体模型进行回声信号测试，基阵采集的声学信号作为后续水下蛙人目标声学识别深度学习的输入的实验样本，给这些样本添加标签“0”；实验获取相同模型、相同情况下，mems水声换能器基阵，对气泡群、气瓶和人体模型进行回声信号测试，基阵采集的声学信号作为后续水下蛙人目标声学识别深度学习的输入的真实样本，给这些样本添加标签“1”。
103.s52、对训练样本集中数据预处理；预处理的对象包括对实验样本数据和真实样本数据进行预处理。
104.s53、利用预处理的数据，基于对抗神经网络和迁移学习网络模型对主干网络进行训练。
105.可选地，所述步骤s53包括：
106.s531、通过特征提取网络提取数据特征，并根据数据来源给数据特征添加域标签；
107.s532、判断是否达到最大迭代次数，是则跳转到步骤s54，否则跳转到步骤s533；
108.s533、通过域对抗神经网络判别数据的域标签并计算判断误差损失；
109.s534、根据误差损失反向传播调整特征提取网络及域对抗网络参数，并跳转到步骤s531。
110.可选地，在一种更为具体的实施方式中，所述步骤s53包括：搭建深度学习网络模型，优化器选为adam，学习率设置为η1。将采集的目标回声信号样本的80％作为训练集、剩余20％作为验证集，训练次数设置为nmax1次，将数据放入域对抗网络中进行学习，使卷积神经网络能够提取同时满足训练数据与实际数据的特征。域对抗神经网络的损失函数为：
[0111][0112]
在这里，训练判别网络d使得最大概率地能够准确识别训练样本的标签，即最大化logd(x)和log(1-d(g(x)))，训练生成网络g最小化log(1-d(g(x)))，即最大化d的损失。
[0113]
s54、对头部网络进行训练，输出深度学习网络模型。
[0114]
可选地，所述步骤s54可以包括：
[0115]
s541、根据误差损失调整头部网络参数；
[0116]
s542、将提取特征的训练数据样本输入到头部网络中训练；
[0117]
s543、判断是否达到最大迭代次数，如是则跳转到步骤s544，否则跳转到步骤s541；
[0118]
s544、输出深度学习网络模型。
[0119]
可选地，在一种更为具体的实施方式中，所述步骤s54可以包括：
[0120]
将训练好的主干网络与头部网络组合成一个新的网络，即s32中的卷积神经网络，将主干网络中的参数固定不变，仅改变头部网络中参数，针对不同识别目标来训练头部网络，优化器选为adam，学习率设置为η2。将采集的目标回声信号样本的80％作为训练集、剩余20％作为验证集，训练次数设置为nmax2次，头部网络损失函数设置为交叉熵损失函数，表达式如下：
[0121]
loss＝-ylog(f(x))-(1-y)log(1-f(x))
[0122]
其中f(x)为神经网络预测值，y为样本标签。按照这样训练得到头部网络参数。
[0123]
本发明实施例的有益效果如下：
[0124]
本技术的mems水声换能器基阵及水下蛙人目标探测方法相对于现有技术具有两方面的优点：建立基于mems水声换能器1的布置方法实现对水下多场景的主动式探测和水下蛙人等小目标高精度识别。mems水声换能器1兼具水听器与换能器的功能，对全频段信号有很好的适应性；水下蛙人目标探测方法通过神经网络算法能有效地从已有样本中学习到水下蛙人目标相应的特征，避免了人工从总体信号中提取蛙人微弱信号特征的工作。
[0125]
以下对本发明实施例的构思和原理进行进一步阐述：
[0126]
蛙人等小型目标在主动声呐探测时，在水下复杂声环境中，传统声呐难以精确识别，本发明采用的mems水声换能器1具有体积小、功耗低以及可实现单只定向等优点，针对蛙人等小型目标可以达到较高的探测精度和效率。本发明基于小波变换算法表示、处理和分析经过模数转换后的数据，针对具有振荡性、非平稳性和非线性的振荡信号和瞬态非振荡信号相混合的水下蛙人目标回声信号能够有效处理。用小波变换算法处理数据可以增加信号的信噪比，降低后续数据处理、目标识别的难度，提高结果可信度。本发明训练卷积神经网络所采用的基于对抗神经网络和迁移学习模型，通过在仿真软件种模拟真实环境得到的数据，可以解决真实数据不足导致神经网络模型参数难以收敛、模拟数据难以反映真实海洋混响环境等问题。本发明采用的卷积神经网络模型，通过设计其独特的隐藏层来建立不同目标各自及相互组合的训练测试集，并选用未经训练集预测的水下声学信号样本在验证集上进行评估，进一步优化并形成一种满足精准探测和识别水下蛙人的设计方法，避免水下低频噪声、水下强混响环境对目标检测造成干扰。本发明分别针对开放式呼吸排出的大量气泡、呼吸气瓶和蛙人身体三类特征进行识别，检测目标达到预警值时，才会向地面人员发出警报，有效处理在强混响背景的复杂海洋环境中传统声呐虚警率高的问题。
[0127]
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0128]
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0129]
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的铝基板的热仿真装置、电子设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0130]
以上所述的仅是本技术的实施例，应当指出，对于本领域的技术人员来说，在不脱离本技术结构的前提下，还可以作出若干变形和改进，这些也应该视为本技术的保护范围，这些都不会影响本技术实施的效果和专利的实用性。本技术要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。