基于本征概率密度函数的舰船水下噪声深度学习识别方法与流程

1.本发明属于海洋信息技术领域，涉及一种基于本征概率密度函数的舰船水下噪声深度学习识别方法。


背景技术：

2.海上舰船目标的准确识别对海上船舶监测及航线规划、海上权益维护和海洋军事力量提升等具有重要的现实意义。目前，水下辐射噪声是舰船识别中常用到的信号之一。
3.舰船航行过程中产生的噪声信号在水下会以声波的形式向四周传播。声波传播会受到海洋水体环境和海面、海底的边界的影响，是一个复杂的物理过程，表现在两个方面：一个是传播时声信道会对信号产生调制作用，具有非线性的特点；另一个是海洋、内波和锋面等物理海洋动态现象会引入非平稳的时变特性。水下辐射噪声信号的非平稳、非线性的特性给舰船的识别带来困难。
4.目前舰船识别主要依据水下辐射噪声时域（概率密度方法和过零率方法等）和频域（频谱、高阶统计量和时频分析等）的特征。这些方法主要基于平稳或者近平稳的假设，难以获取对应目标本质、稳定的特征，导致识别效果不佳，误差较大。目前常用的调制谱方法是基于螺旋桨旋转对空化噪声的调制机理，获取信号中对应目标物理本质的特征，可以进一步获得螺旋桨叶片数目和转速等信息。但是，调制谱方法中，采用了近平稳的近似，导致调制谱方法很难获取稳定的特征，受水下船舶信号的时变影响严重，识别效果不佳。


技术实现要素：

5.本发明要解决的技术问题在于提出了基于本征概率密度函数的舰船水下噪声深度学习识别方法。该方法通过模态分解获取信号的本征模态函数，求解相应的概率密度，采用深度学习分类器实现对舰船类型的自动识别。
6.本发明是通过如下技术方案来实现的：一种基于本征概率密度函数的舰船水下噪声深度学习识别方法，所述方法包括以下步骤：第一步，提取总长度为t的一段噪声信号s，得到标准化的噪声信号s
t
；标准化操作的步骤为将不同数据样本的采样率统一为fs
std
，其中fs
std
大于20khz；然后去掉信号的直流分量：，其中mean()表示取均值操作；最后将信号功率归一化：，其中std()表示取标准差操作；第二步，计算信号的本征概率密度函数；首先对信号s
t
进行模态分解，模态分解后，表示为：,（1）
其中，ci(t)是第i个本征模态函数（imf）分量；然后对每一个本征模态函数，求得其核函数估计出的概率密度函数；（2）其中，k()为核函数，h为平滑参数；得到的所有本征模态函数的概率密度函数的组合即为信号的本征概率密度函数；第三步，求解信号本征概率密度函数与高斯函数的偏差，组合得到偏差轮廓图；第四步，将偏差轮廓图作为分类模型的特征输入，训练分类模型；其中分类模型采用基于深度学习的神经网络模型，具体为卷积神经网络(convolutionneuralnetwork，cnn)模型；将幅度调制全息谱图分为训练集样本和验证集样本，使用训练集对cnn模型进行训练，使用验证集对网络模型进行调参，得到训练好的cnn模型；第五步，使用训练好的分类模型对舰船噪声进行分类识别；将舰船噪声按照第一步至第三步进行处理，得到偏差轮廓图，输入到训练好的cnn模型中，cnn模型给出对应的舰船分类结果。
7.进一步，对于舰船噪声，公式（1）中的n大于8。
8.进一步，公式（2）中选用正态分布对应的高斯曲线为核函数，则（3）本发明与现有技术相比的有益效果是：本发明方法运用了偏差轮廓图作为船舶噪声的特征，偏差轮廓图表征了信号中偏离正态分布的情况，这往往对应着舰船的物理结构（以螺旋桨驱动为主）对水体的外力作用，能减弱环境噪声对船舶特征的干扰程度，使得特征在复杂多变的海洋环境中更加稳定，与现有技术相比，识别的准确率从90.8%提高到99.6%。cnn模型被证明在图片识别上具有强大的能力。偏差轮廓图结合cnn模型，最终可以实现对舰船噪声的准确稳定识别。该方法的处理速度取决于emd分解的速度，所需的cnn模型结构简单，能满足在线的处理需求。
附图说明
9.图1是本发明方法的处理步骤流程图；图2是船舶信号的时域波形和频谱图；图3是a船舶信号分解得到的本征模态函数图；图4是b船舶信号分解得到的本征模态函数图；图5是两艘船舶信号每个本征模态函数的概率密度函数与正态分布的对比图；a为a船的对比图，b为b船的对比图；图6是两艘船舶信号的偏差轮廓图；a为a船的偏差轮廓图，b为b船的偏差轮廓图。
具体实施方式
10.对于采集到的舰船水下辐射噪声通常有两种处理方式，一种是在岸基对回传数据
进行分析和处理；另一种是在接收时进行本地在线处理。其中后者对处理速度和计算资源的要求较高。
实施例
11.这里以5艘船舶的水下噪声信号为例，船舶名称以及长度和采样率信息见下表。把这些信号进行分帧，每一帧的长度为10秒，帧与帧之间重合9秒，这样对于这5艘船舶，我们分别得到了123、170、215、402和675帧。对于这些数据，本发明方法的处理步骤（见图1）如下：第一步标准化操作。将总长度为10秒的一帧噪声信号s，执行标准化操作得到标准化的噪声信号s
t
。由于采样率已经一致，故不再需要统一采样率工作。去掉信号的直流分量：，其中mean()表示取均值操作；信号的功率归一化：，其中std()表示取标准差操作。经过标准化后，a船信号的时域波形如图2中a图所示，图2中b图为b船信号频谱图。
12.第二步，计算信号本征模态函数的概率密度函数。首先对信号s
t
进行模态分解，模态分解的方法包括：经验模态分解法（emd），集合经模态分解法（eemd），或者自适应性噪声完备集合经验模态分解法（ceem-emd）。这里选用eemd对这些舰船信号进行分解。模态分解后，信号可以表示为：，其中，ci(t)是本征模态函数（imf）分量。如图3、图4所示，为两艘船舶噪声信号分解后的结果，其中data为原始信号，imfi为第i个本征模态函数，residual为分解后的残余分量，右侧数值为各本征模态函数和残余分量对应的频率。
13.然后对每一个本征模态函数，求得其概率密度函数：，其中，k()为核函数，h为平滑参数。常用的核函数有：矩形、三角、epanechnikov曲线、高斯曲线等。对于船舶的噪声信号，优选用正态分布对应的高斯曲线为核函数，，h=100。
14.第三步，求解每一个本征模态函数的概率密度函数与高斯函数的偏差（如图5所示，黑色虚线为高斯函数，灰色实线为本征模态函数的概率密度函数），组合得到偏差轮廓图，见图6。
15.第四步，将偏差轮廓图作为分类模型的特征输入，训练分类模型。其中分类模型采用基于深度学习的神经网络模型，具体为卷积神经网络(convolution neural network，cnn)模型。卷积神经网络共有6层：三层卷积层，两层全连接层与一层softmax分类层。第一
层卷积层有32个3
×
3卷积核，其后为一层2
×
2最大池化层。第二层卷积层有8个3
×
3卷积核，其后为一层2
×
2最大池化层。第三层卷积层的结构与第二层完全相同。所有卷积层的步长均为1，每一层卷积层均使用tanh激活函数进行激活。将偏差轮廓图分为训练集样本和验证集样本，使用训练集对cnn模型进行训练，使用验证集对网络模型进行调参，得到训练好的cnn模型。
16.第五步，使用训练好的分类模型对舰船噪声进行分类识别。将舰船噪声按照步骤一至步骤三进行处理，得到偏差轮廓图，输入到训练好的cnn模型中，cnn模型给出对应的舰船分类。在验证集上得到识别的准确率为99.6%，对比调制谱方法在同样的条件下识别准确率是90.8%[见参考文献liu, zongwei, et al. "demon spectrum extraction method using empirical mode decomposition." oceans-mts/ieee kobe techno-oceans (oto). ieee, 2018.]，有了较大幅度的提高。