基于连续小波变换及改进残差神经网络的水下噪声识别方法

本发明涉及信号处理和深度学习领域，具体涉及一种基于连续小波变换及改进残差神经网络的水下噪声识别方法。

背景技术：

1、海洋是未来高科技战争的主要战场之一，未来海军装备也必将走向信息化。随着电子对抗技术的日益发展，电子对抗与反对抗技术在战争中的充分使用显示了它们在海战中的重要性。水声对抗是指利用信号处理技术对水声信号进行处理，从而完成目标检测、参数估计和目标识别等军事任务。其中，水下目标探测是是水声对抗的基础，只有准确的检测出敌方目标，才能完成诸多后续任务。

2、水下航行器的辐射噪声与自噪声的强弱将决定其隐蔽性能，较高的辐射噪声与自噪声更容易被对方声纳系统所探测、追踪，同时也对本身声纳系统造成强烈的千扰。水下航行器的辐射噪声与自噪声包括螺旋桨等推进装置的振动噪声、航行器配备的各种机械设备的螺旋桨噪声和水动力噪声。其中，振动噪声是指由航行器上的各类机构的振动引起辐射而造成的噪声，该噪声对声纳设备的影响十分严重，是航行器主要噪声来源。为此，有必要开展水下航行器振动噪声识别与分离方面的研究工作。

3、近年来的研究已经表明，水面舰艇、潜艇等水中目标的噪声辐射过程是一种非高斯、非线性、非平稳性(即“三非”)过程。结合振动噪声处理方法，将振动噪声特征提取归纳为以下几个方面：

4、(1)时域波形特征提取

5、舰艇等水声目标辐射噪声的时域波形结构中含有丰富的目标特征信息，从时域中可以直接提取反映波形结构的一些特征参数，例如，有学者研究了水声时域信号的均值、方差、峰值指标、峭度、偏斜度指标等特征，同时结合fft功率谱和stft分析，构建了频域内的波形指标作为水声信号特征，将其应用于瞬态声纳信号分类中，取得了很好的效果。国内一些学者研究了直接提取目标信号的过零点分布、峰间幅度值分布、波长差分布以及波列面积分布等波形结构特征。

6、(2)功率谱、线谱及调制谱特征提取

7、功率谱估计是获取水声信号二阶统计特征的基本手段。从时域到频域的变换，可使时域上的复杂波形转换成频域上比较简单的单一频率分量分布，因此，功率谱中的低频线谱特征和宽频谱特征等都成为水声目标检测和识别的有效特征。此外，螺旋桨噪声是水面舰船、潜艇等水声目标的主要噪声源，其空化噪声常常会产生幅值或频率的调制，通过解调处理的调制谱中存在着许多离散线谱成分，他们与螺旋桨的轴频、叶频及其谐波相对应，利用这些频率的调制特征可为目标被动检测提供有效的依据。高阶谱具有对非高斯、非平稳信号进行有效处理的能力，且可以抑制高斯和非高斯的色噪声，因此也可以用来实现对舰船噪声等水声信号特征提取。

8、(3)听觉特征提取

9、从2001年开始，国外有学者对提取水中目标辐射噪声的听觉特征进行了大量的研究工作。汪洋等人基于人耳听觉机理，提取了水下目标的听觉谱特征、语音特征和心理学参数特征，取得了一系列的研究成果。李朝晖等人对听觉模型深入研究，结合水声信号的特点，论证了模型在水声中的适用性。

10、目前针对水下噪声的处理工作，大多数研究都是基于信号的一维表示，而一维信号所包含的特征信息相对二维图像较少，不能有效提取噪声信号的重要特征，进而影响神经网络对特征的学习能力。除此之外，对神经网络的优化也成为提高识别准确率的关键。

技术实现思路

1、为有效解决一维水下噪声信号包含特征较少，噪声识别准确率低的问题，本发明提出了一种基于连续小波变换及改进残差神经网络的水下噪声识别方法，采用变分模态分解及相关性原理对水下噪声进行重构，采用连续小波变换提取噪声的特征，最后构建噪声识别模型实现对不同噪声的精准识别。

2、为了实现上述目的，本发明提出了一种基于连续小波变换及改进残差神经网络的水下噪声识别方法，所述方法包括以下步骤：

3、步骤1：采用变分模态分解算法对原始样本噪声信号进行分解，得到若干个模态分量；

4、步骤2：计算每个模态分量与所述原始样本噪声信号的皮尔森相关系数，并将相关系数大于设定阈值k的模态分量相加，得到重构后的噪声信号；

5、步骤3：对重构后的噪声信号进行连续小波变换，提取其在时域和频域上的特征，得到包含噪声信号时频特征的二维时频图像；

6、步骤4：采用通道和空间注意力机制对残差神经网络进行改进，构建噪声识别模型；

7、步骤5：利用步骤3得到的噪声信号的二维时频图，以及对应原始样本噪声信号的识别标签，对步骤4构建的噪声识别模型进行训练，得到训练完成的噪声识别模型；

8、步骤6：将实际采集的噪声信号按照步骤1～步骤3中对噪声信号的处理方式进行处理，得到实际采集的噪声信号的二维时频图；将实际采集的噪声信号的二维时频图输入训练完成的噪声识别模型进行识别。

9、进一步的，步骤1中采用变分模态分解算法对噪声信号进行分解的具体过程为：

10、步骤1.1：假设原始信号f被分解为k个模态分量，构建约束变分模型为：

11、

12、其中uk＝{u1，u2,…，uk}为各模态函数的集合，ωk＝{ω1，ω2，…，ωk}为各模态中心频率的集合，uk(t)为窄带模态函数，k为模态数量，为所有模态分量的和，为调整各模态分量中心频率的指数项，δ(t)为单位脉冲函数，为uk(t)对t的偏导数，*表示卷积运算；

13、步骤1.2：引入增广lagrange函数来对步骤1中的约束变分模型进行解算，得到uk(t)的最优选择：

14、

15、其中α为二次惩罚因子，λ(t)为lagrange乘子。

16、进一步的，步骤2的具体过程为：

17、计算每个模态分量与所述原始样本噪声信号的皮尔森相关系数：

18、

19、其中为模态分量的标准差，为原始样本噪声信号的标准差；将相关系数大于k的模态分量进行加和，得到重构的噪声信号f′(t)。

20、进一步的，步骤2中，阈值k取0.3。

21、进一步的，步骤3具体过程为：

22、根据噪声信号在时域上的波形图，选取波形相近的小波作为小波基函数；对重构后的噪声信号f′(t)，其连续小波变换为：

23、

24、其中ψ(t)是小波基函数，是ψ(t)的复共轭，a为尺度因子，控制小波基函数的横向伸缩，b为时移因子，控制小波基函数在时间轴上的移动；

25、将不同频率下的小波系数组合起来并表示为rgb三通道图像，得到包含噪声信号时频特征的二维时频图像。

26、进一步的，采用morlet小波作为小波基函数。

27、进一步的，步骤4中，所述噪声识别模型对输入信号的处理过程为：

28、输入信号经过第一个卷积层由原始的rgb三通道变为64通道，此时数据维度为32×64×112×112；将64个通道的数据输入到通道注意力模块中；在通道注意力模块中对输入进行全局均池化：

29、计算通道中所有像素值的平均值作为该通道的特征值，输出为1×1×64的张量；并对所述张量进行大小为3的填充；使用大小为7的卷积核对填充后的张量进行一维卷积；将卷积后的结果使用sigmoid函数压缩到(0,1)之间并重构为32×64×1×1的张量，再乘以输入信号得到附带通道注意力权重的输出数据；

30、将通道注意力模块的输出数据输入到空间注意力模块中；在空间注意力模块中，在平面维度上分别进行最大池化和平均池化得到两个112×112×1的特征图，将这两个特征图在通道维度进行拼接变为一个112×112×2的特征图，通过一个7×7的卷积层降为1个通道，再使用sigmoid函数生成空间权重系数并乘以空间注意力模块的输入得到最终的输出。

31、进一步的，步骤5中，对噪声识别模型进行训练的过程为：

32、将原始样本噪声信号的二维时频图分为训练集和验证集，对训练集中的样本二维时频图进行90°和180°旋转，得到增强后的样本补入训练集中；

33、利用训练集对噪声识别模型进行训练，采用adam优化器，设置学习率为0.0001，batchsize为32；将训练集输入神经网络进行100轮训练，每一轮训练过后对验证集进行测试，保存训练过程中验证集正确率最高的一轮的参数。

34、有益效果

35、本发明首先对水下噪声信号进行变分模态分解，得到若干个模态分量，接着计算每个模态分量与原始信号的皮尔森相关系数，将系数大于k的模态分量进行加和，得到重构后的信号。对重构后的信号进行连续小波变换，提取噪声信号的时频特征，得到噪声信号的二维时频图。采用注意力机制对残差神经网络进行改进，从而构建出基于深度学习的识别模型。改进后的神经网络在训练中可以更好地学习到噪声信号的特征，忽略非重要信息，提升了训练的效率和识别的准确率。

36、本发明针对噪声信号伴有大量冗余信息的特点，提出使用变分模态分解方法，对噪声信号进行重构，去除冗余的效果明显。

37、对一维信号包含信息较少的问题，本发明提出使用连续小波变换方法，获得包含噪声信号时频特征的二维时频图，能有效提取噪声信号的特征。

38、本发明中的识别模型包含残差跳跃连接，能够在一定程度上避免深层网络的精度下降问题，实现对噪声类型的有效识别。

39、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。