一种基于主动声呐的水下小目标特征提取和分类识别方法

本发明涉及水声目标识别领域，具体涉及一种基于主动声呐的水下小目标特征提取和分类识别方法。

背景技术：

1、主动声呐是检测水下小目标(如蛙人、水雷等)的主要途径，对于海洋钻井平台水下部分、重要岛屿和港口的保护具有关键意义。为了达到这一目的，目标分类和识别技术在主动声呐信号处理中发挥着核心作用。然而，海洋环境相比于其他环境，对于声信号的传播，具有复杂性和特殊性，这就使得主动声呐在探测目标领域面临诸多挑战。海洋中众多散射体的存在产生了混响干扰，使得声呐信号的辨析度降低，增加了目标的识别难度。

2、在传统的水下小目标识别方法中，特征提取对水下小目标识别系统的性能起着至关重要的作用。如何选择高识别率的特征已成为识别过程中的关键和难点。

3、为解决水下小目标检测识别率问题，通常采用以下方法进行特征提取及处理：

4、变分模态分解(vmd)。该方法实质是采用交替方向乘子法对各模态不断更新其中心频率和带宽，自适应地分解信号频带，最终得到各个模态以及相应的中心频率。缺点是是计算量较大,在处理长时间的信号时可能会出现分解结果不稳定的情况，且需要手工设定模态个数，模态个数过多过少都会影响分解精度。

5、提取梅尔频率倒谱系数(mfcc)。该方法利用梅尔频率与赫兹频率的非线性关系,计算得到赫兹频谱特征。缺点是只能提取出音频信号的时间局部性特征,并不能完全反映其全局特征。

6、无预处理。该方法将采集到的回波信号不进行任何处理，直接送入神经网络进行特征训练。由机器直接完成特征提取、降维、训练，无需人工操作。缺点是水下环境复杂，噪声和混响干扰严重，小目标的原始信号回波更是信号弱，信噪比低，难以检测。

7、以主动声呐探测系统仿真数据中接收到的水下目标回波波束输出信号为基础，处理后作为训练样本输入。不直接向神经网络输入原始信号的输出数据主要有两个原因。首先，原始信号的弱目标特征会增加网络的训练难度。更具体地说，弱目标是指目标信号较弱，信噪比较低，不易被检测到。原始信号的弱目标特性，不仅容易导致使用主流信号检测方法漏检率高的问题，而且相应的信号特性容易受到背景和噪声的影响，造成识别困难等问题。此外，原始波束的弱目标特性导致了对波谱能量小于噪声的目标进行平滑处理，最终导致目标无法被有效检测。因此，使用原始波束的输出数据会增加网络训练的难度。其次，由于原始信号样本的维数较大，网络训练参数过多，计算量呈指数增长。由于对计算机的压力如此巨大的增加，将会发生多维度的灾难。

8、因此，如何在低信噪比环境下，对弱回波小目标的识别检测与识别准确率的提高使本领域技术人员亟待解决的问题。

技术实现思路

1、本发明的目的在于提供一种基于主动声呐的水下小目标特征提取和分类识别方法，采用一种帧间累积处理，抑制并去除声呐背景中的静态混响、随机突发噪声等强回波和杂波干扰。根据声呐回波的小波包分解特性，将蛙人、水雷、金属板、海洋噪声干扰四类模拟仿真的水声信号经过帧间累积杂波处理后在小波包分解的基础上统计回波在各个频段上的能量分布，提取其分频段能量特征由改进卷积神经网络能够检测到低信噪比的目标；用以解决主动声呐水下随机混响与噪声背景下小目标低回波强度、高噪声强度的检测问题。

2、为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：

3、一种基于主动声呐的水下小目标特征提取和分类识别方法，包括以下步骤：

4、s1、由于水下小目标如蛙人、水雷这类主动声呐回波数据极其匮乏，故对金属板、水雷、携带氧气瓶的蛙人进行建模；

5、s2、设置主动声呐发射器和接收器位置，并设置目标模型位置和反射、接收信号角度，收集回波数据；

6、s3、将收集到的回波信号进行帧间累积抑波去噪处理，提高原始信号的信噪比；

7、s4、对进行完帧间累积处理的信号，通过小波包分解得到各个频段的能量分布特征，分析比对其四类回波信号的能量分布差异；

8、s5、设置改进的cnn超参数和网络结构；

9、s6、将小波包分解与改进的卷积神经网络融合，对每类信号提取得到的能量特征串联，使其特征维度与改进的cnn的输入特征维度相匹配，作为神经网络的输入进行训练；

10、s7、得到分类识别准确率结果。设置重复实验，重复执行步骤s6。

11、进一步的，所述步骤s1具体包括：

12、由于水下小目标如蛙人、水雷这类主动声呐回波数据极其匮乏，故对金属板、水雷、携带氧气瓶的蛙人进行建模。

13、(1)目标a即金属板：长为2m，宽为1m，高为0.4m的铁制长方体；

14、(2)目标b即水雷：半径为1m的钢制球体，用来近似模拟水雷模型特征；

15、(3)目标c即蛙人：由一个柱高0.6m，底面半径为0.1m的圆柱体，其顶部为一个半径为0.1m的半球体，和一个长半轴为0.8m、短半轴为0.4m的椭球体共同组成，半球圆柱体为钢制，用来模拟蛙人氧气瓶模型特征，椭球体修改其表面回波反射系数，用来模拟蛙人人体组织模型特征；两个模型的外表面外切于椭球面中心。

16、进一步的，所述步骤s2具体包括：

17、设置主动声呐发射器和接收器位置，以平面波的形式分别发射脉冲宽度为0.3ms，载频为40khz的cw脉冲信号和脉冲宽度为10ms，载频为40khz的lfm脉冲信号对目标a、目标b和目标c进行激励，发射信号对目标a的入射方向与目标a的最大截面垂直，对于目标b的入射方向为径向入射，对于目标c的入射方向为一部分垂直入射一部分径向入射。回波的接收位置设在发射方向范围内的随机位置，每种激励信号对于每种目标的反射回波组数为300组，一共1200组。除了收集到的回波数据，考虑到一些背景干扰信号可能在分类识别检测中被误检，出现虚警的情况，为了提高识别分类能力的容错率和置信率，本发明还添加了背景环境干扰信号，将一段混有鱼叫声的26s海底地震干扰音频，随机提取200组海洋环境中的样本干扰信号，加入回波数据集。

18、进一步的，所述步骤s3具体包括：

19、帧间累积处理多用于摄像和图像处理领域，本发明提出一种适用于声呐回波信号的帧间累积处理技术，对于主动声呐的应用场景，目标回波往往会被淹没在背景杂波中。在一系列相邻的信号帧中，有用的信号通常具有较高的时间相关性，而噪声和杂波则通常是随机的、不相关的。因此，通过将相邻帧的信号叠加或平均，可以减小随机噪声的影响，从而提高信号的信噪比。利用这种相关特性，通过帧与帧之间积累的数据量，提高了对于小目标检测的可行性。

20、

21、其中，pi表示当前帧的回波幅度，表示当前帧的历史回波幅度，表示当前帧的背景估计输出。

22、进一步的，所述步骤s4具体包括：

23、小波包相较于加固定窗的短时傅里叶变换stft，尽管短时傅里叶变换提供了时频分析能力，但它利用了一个固定的窗口函数和所有频率的相同分析窗口。在现实中，低频信号往往持续时间较长，而高频信号通常持续时间较短，因此需要在信号的高频端比低频端有更高的频率分辨率。而小波包分解在时域和频域都拥有出色的定位特性，使其能够集中于任何信号细节。小波包变换能够自适应选择频段，这取决于原有信号的各种特性，有利于任意的多尺度信号分解。这增强了时频分辨率，并更准确地表示非平滑信息。本发明采用小波包分解将回波信号分解为特性不同的多个频带，观察信号特性并重建信号。这样就可以对数据进行更复杂的分析。

24、小波包分解一开始利用正交小波基将原始输入信号分解成高频和低频两部分。然后通过逐层重复分解，获得各层级的高频和低频段，并以类似的方式继续反复进行。在这种逐层分解的过程，直到分解到最细尺度时，可以获得信号的全频带信息。每次分解得到的信号成分都由小波函数和尺度函数组成，这两个函数满足二尺度方程

25、

26、式中，k表示平移幅度，h(k)表示为尺度函数对应的低通滤波器，g(k)表示为小波函数ψ(t)对应的高通滤波器。将和ψ(t)用下标不同的u(t)表示，记为u0(t)，ψ(t)记为u1(t)，则上式可改写为

27、

28、这样得到的函数系{un(t)}n∈z为正交尺度函数，的正交小波包。对信号进行多分辨分析的分解公式的算子形式

29、

30、假设信号则f(t)的小波包分解公式为

31、

32、上式说明小波包分解能实现于任何形式的信号，含义表示为在小波空间h和尺度空间g的作用下的投影分别为u2n(2-j-1t-i)和u2n+1(2+j-1t-i)。

33、小波包分解提取能量特征具体包括以下子步骤：

34、s4.1：对原始信号f(t)进行小波包分解，以3层分解为例。

35、s4.2：对分解后得到的不同频带信号进行重构，得到第k层的第j个频带的重构信号为skj。

36、s4.3：计算重构信号skj的能量ekj,有

37、

38、n为重构信号的离散点个数；m为第k层的第j个频带的离散点xjm表示为重构后的信号幅值。

39、s4.4：对不同频带的能量进行归一化处理，信号的总能量为归一化之后得到的能量特征向量为

40、

41、式中，ek0,ek1,ek2,…,ekp分别代表不同频带的能量。

42、进一步的，所述步骤s5具体包括：

43、区别于传统的卷积神经网络，本发明在卷积层和池化层之间加入了批量归一化层予以改进。由于网络参数会随着网络深度的增加，对后面所有层的影响也会逐步加深，这样造成训练强度也会逐步复杂。为了解决这个问题，本发明采用了梯度优化的自适应矩估计。这种方法通过优化参数，优化内存负荷，提高计算效率，减小对角梯度变化的影响，特别适用于多数据处理的问题。

44、划分1000组样本作为训练集，400组样本作为测试集，经过重复训练实验得到分类结果。超参数设置：学习率0.01，一阶矩估计的指数衰减率为0.9，二阶为0.999。l2正则项设为，采用adam梯度优化算法。

45、进一步的，所述步骤s6具体包括：

46、本发明以模拟的主动声呐探测系统仿真数据中接收到的水下目标回波波束输出信号为基础，处理后作为训练样本输入。不直接向神经网络输入原始信号的输出数据主要有两个原因。首先，原始信号的弱目标特征会增加网络的训练难度。更具体地说，弱目标是指目标信号较弱，信噪比较低，不易被检测到。原始信号的弱目标特性，不仅容易导致使用主流信号检测方法漏检率高的问题，而且相应的信号特性容易受到背景和噪声的影响，造成识别困难等问题。此外，原始波束的弱目标特性导致了对波谱能量小于噪声的目标进行平滑处理，最终导致目标无法被有效检测。因此，使用原始波束的输出数据会增加网络训练的难度。其次，由于原始信号样本的维数较大，网络训练参数过多，计算量呈指数增长。由于对计算机的压力如此巨大的增加，将会发生多维度的灾难。本发明旨在对原始回波数据进行数据标准化等相关处理，降低数据维数，增强目标特征，以便应用于改进的卷积神经网络模型。

47、计算每个小波包子带的能量特征。能量特征子带中各系数平方和表示。对于每个子带，计算其能量特征，并将它们合并成一个能量特征向量。将多个信号样本的能量特征向量组合成一个特征矩阵。每行表示一个信号样本的能量特征向量，列数等于子带的数量，然后再将该特征矩阵作为输入送达改进的cnn中。

48、进一步的，所述步骤s6具体包括：重复实验30次并每次实验开始前重置权重。

49、本发明的有益效果：

50、本发明通过采用帧间累积处理技术，能够抑制并去除声呐背景中的静态混响、随机突发噪声等强回波和杂波干扰，提高信号的信噪比。在水下环境中，声波在传播过程中会受到海水的吸收、散射和反射等影响，导致信号弱化和混响干扰增加。帧间累积处理利用信号的相关性，通过将相邻帧的信号叠加或平均，可以减小随机噪声的影响，增强目标回波信号的强度和清晰度，从而提高信噪比，并有助于进一步的信号处理和特征提取。

51、本发明通过使用小波包分解技术，可以将信号分解为多个频带，并提取出各个频段上的能量分布特征。小波包分解是一种多尺度分析方法，与传统的短时傅里叶变换相比，具有更好的时频局部性和时频分辨能力。通过小波包分解，可以将信号分解为不同频带的子信号，每个频带都包含了不同频率范围内的信号信息。在水下小目标识别中，不同目标的回波信号在频域上具有不同的能量分布特征，通过对这些特征进行分析比对，可以有效地提取出小目标的特征信息，有助于准确分类和识别。

52、本发明通过改进的卷积神经网络(cnn)结合小波包分解，可以对每类信号提取出的能量特征进行串联，减少特征维度，同时利用cnn的强大学习能力，提高水下小目标的识别准确率。cnn是一种深度学习算法，其结构可以自动学习和提取特征，并具有很强的非线性表达能力。在水下小目标识别中，通过将小波包分解得到的能量特征和改进的cnn结合起来，可以充分利用小波包分解的频域信息和cnn的空间特征提取能力，进一步提高分类识别的准确率。同时，通过网络结构的优化和参数调整，可以进一步提高系统的性能和可靠性。

53、通过对模拟数据的训练和测试，可以评估分类识别的准确率，并根据实验结果进行参数调整和优化。在水声目标识别中，由于真实场景的数据往往难以获取和标注，因此使用模拟数据进行训练和测试是一种有效的方法。通过使用模拟数据，可以控制实验条件和目标模型，得到准确的标签信息，并进行反复实验和调整，以获得最佳的分类识别结果。同时，通过不断优化网络结构和参数设置，可以提高系统的性能和鲁棒性。

54、综上所述，本发明的基于主动声呐的水下小目标特征提取和分类识别方法通过帧间累积处理、小波包分解和改进的卷积神经网络等技术手段，可以充分利用信号的相关性和频域信息，提取出水下小目标的特征信息，并通过强大的学习能力进行准确分类和识别。这些技术手段在解决主动声呐水下目标识别中的难题方面具有重要的应用价值和专业性效果。

55、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。