一种用于分类识别的线谱增强及特征提取方法与流程

本发明属于声信号处理技术领域，具体涉及一种用于分类识别的线谱增强及特征提取方法。

背景技术：

水下声音目标的被动探测和识别领域中，利用舰船辐射噪声对舰船类型进行识别是十分常见的。舰船辐射噪声通常由机械噪声，螺旋桨噪声和水动力噪声三部分构成，前两种信号是噪声的线谱和连续谱的主要来源。其中线谱由于具有较高的信噪比，并且携带着声源特征信息，而被广泛研究和应用。但是目前的识别方法中，因为连续谱信息缺乏较为明确的统计学特征，因此只聚焦于对于线谱的提取，通过线谱特征完成目标识别，而忽略了噪声连续谱的信息。

技术实现要素：

本发明针对现有技术的不足，提出了一种新的用于分类识别的线谱增强及特征提取方法，可以实现在较低信噪比条件下多根频率线谱的检测和增强，并且保留连续谱的信息，通过深度神经网络强大的特征提取能力提取增强线谱和连续谱中的特征，作为分类识别的依据。

本发明的技术方案为：

一种用于分类识别的线谱增强及特征提取方法，如图1所示，包括以下步骤：

s1、获取船舶噪声信号，并通过短时傅里叶变换得到lofar谱；

s2、从lofar谱中提取线谱，同时保留连续谱；

s3、放大提取的线谱的声级，获得增强线谱；

s4、将保留的连续谱与增强线谱合并，具体为：增强线谱为计数值图，根据短时傅里叶变换所得到的频率分辨率计算图谱真实频点值，与步骤s1得到的lofar谱中的频点对应，将对应时频点的幅值相加，获得线谱增强的lofar谱；

s5、采用深度神经网络技术对获得的线谱增强的lofar谱进行特征提取，用于分类识别。

与传统技术相比，本发明的技术方案中，放大了所得线谱的声级，低信噪比条件下原时频图谱中的线谱与部分噪声谱重叠，不利于凸显线谱信息，影响利用线谱信息进行目标的分类识别，通过放大线谱声级可以提高带内信噪比；与原时频图谱中保留的连续谱合并，得到线谱增强的时频图谱。由于被保留的连续谱同样是船舶辐射噪声的构成部分，同样保留着不易被提取但是对于目标识别有重要作用的特征，所以合并后的线谱增强时频图谱具备更显著的线谱特征和保留的连续谱特征。

本发明的有益效果是：可以实现在较低信噪比条件下多根频率线谱的检测和增强，并且保留连续谱的信息，提高识别率。

附图说明

图1为本发明的逻辑结构示意框图；

图2频域滑动窗口多步决策动态追踪线谱图。

具体实施方式

下面结合附图详细描述本发明的技术方案。

线谱特征函数的定义模拟了人类声呐兵观察lofar谱线谱的模式识别过程，其定义如下：

式(1)中，η表示lofar图观测窗内的一条求和路径；路径的长度为n，路径上每个像素点依次为pi(1≤i≤n)，a(η)表征线谱的幅度特性，f(η)表征线谱的频率连续性，t(η)表征线谱的轨迹连续性，λ、μ为加权系数。a(η)、f(η)、t(η)的定义如下：

其中，pi表示时间轴上第i行的某点，a(pi)表征pi点的幅值。

d(pi-1,pi)表征路径前后两点的频率梯度，其定义如下：

d(pi-1,pi)＝f(pi-1)-f(pi)(5)

上式中f(pi)表示pi点的频率。

g(pi)表征断点标识，其定义如下：

如果pi点的幅度小于ε，认为pi是断点，记为1，否则记0。

当路径上的点经过或靠近线谱时，路径上的幅值之和增大，频率梯度减小，断点数减小，目标函数o(η)减小。在观察窗内，目标函数最小的路径认为存在线谱。

线谱的带宽一般与频率成正比，lofar谱的分辨率取决于时频变换方法及具体的参数设置。本发明采用短时傅里叶变换(shorttimefouriertransform，stft)得到lofar谱图。实验中采用matlabspectrogram函数获取。其参数设置如下：

频率分辨率df＝4.88hz。

考虑到舰船辐射噪声线谱主要分布于1-1000hz，选择观测窗口大小为l＝5。

本发明中多步判决追踪线谱算法的具体步骤如下：

1如图2所示，时间轴长度为n，起点为t1，终点为tn。频率轴的长度为m，起点为f1，终点为fn。

2图中每一点定义为pi^j，表示时间轴上第i行，频率轴上第j列的像素点，表示观测窗口内从t1到点pi^j的最优路径，为点pi^j定义一组三元向量为

3t1时刻每个点的三元组初始化为(a(p1^j),0,0)。

4从t2时刻到tn，在观测窗口中逐行找到长度从2到n的最优路径。设pi为ti时刻的任意一点，在ti-1时刻中与pi临近的l个点组成一个集合到点pi的长度为i的最优路径是从的最佳路径得到的，即其中k≤j≤k+l-1，满足

5tn时刻，观测窗内k个点的最优路径分别为则观察窗内长度为n的最优路径为

6为lofar谱中每一个点设置一个计数器，如果观测窗内的最优路径η*对应的目标函数值o(η*)大于阈值γ，则认为该最优路径上存在线谱，则最优路径上n个点对应的计数器值加1。

7移动观测窗口，重复上述步骤，直至观测窗滑动至终止位置。输出计数值图，即为追踪得到的线谱。

步骤6中阈值γ由环境噪声lofar谱图计算得到，具体步骤如下：

(1)算法的输入由船舶辐射噪声的lofar谱图更改为海洋环境噪声的lofar谱图

(2)计算每个观测窗内的最优路径及最优路径对应的目标函数值的过程与上述算法1-5步的计算过程相同，得到第r个观测窗内最优路径对应的目标函数值滑动频域观测窗口，直至终止位置。则阈值

考虑到信号信噪比较低，线谱被噪声所掩盖，不利于利用线谱特征进行目标识别。通过放大检测到的线谱的声级，提高lofar谱的带内信噪比，突出线谱特征，达到线谱增强的效果。

将增强线谱与原lofar谱中保留的连续谱合并，得到线谱增强lofar谱，既增强了线谱，又保留了船舶辐射噪声中的连续谱信息，故增强lofar谱具有更丰富且更容易提取的特征信息。

卷积神经网络(cnn)具备远优于人类的深层次特征提取能力，具有对二维矩阵输入局部相关性特征的强大提取能力，尤其对于尚未定义的非统计学特征，具有可提取抽象特征的优点。这也与增强lofar谱(二维结构)的特征提取需求十分契合，可以提取到不易被人类提取的连续谱特征信息和特征更为明显的线谱特征信息，提高了船舶识别的准确率。