一种基于物理-数值特征联合的水声个体目标识别方法与流程

本发明属于水中目标识别与人工智能，具体涉及一种基于物理-数值特征联合的水声个体目标识别方法。

背景技术：

1、水中目标辐射噪声识别作为水声领域的重要研究方向，在国防建设和国民经济中有着重要意义。随着现代军事装备精确打击、可疑目标精细化搜索等需要，对水中目标的识别不仅需要分辨类型，还对目标个体识别提出了要求。

2、当前的水声个体目标识别主要基于信号处理手段提取具备物理可解释性的可分性特征，并结合模板匹配、专家系统等手段实现。由于目标发声机理、海洋环境和水声信道等十分复杂，物理特征构造需要极高的技术，当前好用的物理特征还比较少，加上现有信号处理手段的性能瓶颈制约，弱目标物理特征提取难度大，限制了识别能力提升。

3、近年来，以深度学习为代表的新一代人工智能技术迅猛发展，在计算机视觉、自然语言处理、语音信号处理等领域得到了广泛研究和应用。深度学习方法通过组合运用多个隐藏计算层，可实现从高维输入到输出目的之间的复杂非线性映射关系学习和拟合，自动挖掘有用信息。

技术实现思路

1、本发明的目的在于提供一种基于物理-数值特征联合的水声个体目标识别方法，以解决背景技术中提出的问题。

2、为实现上述目的，本发明提供技术方案如下：

3、一种基于物理-数值特征联合的水声个体目标识别方法，包括：

4、步骤1，构建线谱特征提取网络模型和数值特征提取网络模型；

5、步骤2，利用数据库中任一带个体标签的水中目标辐射噪声数据构建训练样本集，并对各模型进行训练；

6、步骤3，设置特征融合策略、不同融合特征间的相似度计算及其门限判定策略，并结合训练样本集优化更新各策略的参数值；

7、步骤4，在训练样本集中通过样本遴选方法选取训练样本，利用特征融合策略获取融合特征作为注册特征标识码；

8、步骤5，针对未知水中目标辐射噪声数据，通过线谱、数值特征的提取与融合，结合注册特征标识码，利用相似度计算与门限判定策略实现未知目标个体识别。

9、优选地，所述步骤1包括以下步骤：

10、步骤1.1，构建若干以残差结构为基础架构的卷积块；

11、步骤1.2，构建数值特征提取网络模型，包括依次设置的卷积层、池化层、与数值特征提取需求相适配的卷积块组合、全局平均池化层及全连接层；

12、步骤1-3，构建线谱特征提取网络模型，包括依次设置的数据切片层、卷积层、池化层、与线谱特征提取需求相适配的卷积块组合、全局平均池化层、全连接层及特征拼接层。

13、优选地，所述训练样本集包括lofar谱图训练样本集和短时谱图训练样本集，其中的lofar谱图训练样本和短时谱图训练样本一一对应同一带个体标签的水声目标辐射噪声数据。

14、优选地，所述步骤2包括：

15、步骤2.1，分别基于lofar分析方法、短时傅里叶变换方法对每一带个体标签的水中目标辐射噪声数据预处理，得到lofar谱图训练样本和短时谱图训练样本，构建训练样本集；对各lofar谱图样本的线谱频率和幅度进行标注，得到对应的线谱序列标签；

16、步骤2.2，构造线谱特征提取网络模型的损失函数及训练参数，结合lofar谱图训练样本集和线谱序列标签，以最小化损失为目标重复对模型结构参数进行优化，直至模型收敛；

17、步骤2.3，构造数值特征提取网络模型的损失函数及训练参数，结合短时谱图训练样本集，以最小化损失值为目标重复对模型结构参数进行优化，直至模型收敛。

18、优选地，所述步骤2.2包括以下步骤：

19、步骤2.2.1，设置训练时的优化器为adam、样本块大小为batch1，构建损失函数

20、

21、式中，rline为模型提取的线谱特征，θ为线谱序列标签lline的权值；

22、步骤2.2.2，从lofar谱图训练样本集中随机放回式选择样本，以最小化损失值jphy为目标对模型的结构参数进行优化；

23、步骤2.2.3重复步骤2.2.2对线谱特征提取网络模型进行反复迭代优化直至模型收敛。

24、优选地，所述步骤2.3包括以下步骤：

25、步骤2.3.1，设定训练时的样本块大小为batch2、优化器为adam，构建损失函数

26、

27、式中rclass1、rclass2为属于相同个体标签lclassa的两个不同数值特征，rother为不属于个体标签lclassa的数值特征，a1、a2为加权系数，a3为常数；

28、步骤2.3.2，随机选定基准标签lclassa，分别从短时谱图训练样本集xstft中随机放回式选择个体标签为lclassa的两个短时谱图样本块，记为xclass1和xclass2；同时从短时谱图训练样本集xstft中随机放回式选择个体标签为非lclassa的短时谱图样本块xother；利用数值特征提取网络模型获得对应的数值特征结果，得到各数值特征集合rclass1、rclass2及rother；以最小化损失值为目标对模型的结构参数进行优化；

29、步骤2.3.3，重复步骤2.3.2以对数值特征提取网络模型进行反复迭代训练，在训练过程中，每隔一定训练轮次将数值特征提取网络模型输出的数值特征基于t-sne方法进行可视化投影，若个体特征类内距离过大，则适当调高a1取值，反之则调高a2取值；通过迭代训练直至模型收敛。

30、优选地，所述特征融合策略为rsyn＝rnum+αrline，rsyn为拼接特征集合，rnum、rline分别为数值特征集合和线谱特征集合，其中的数值特征与线谱特征一一对应同一水中目标辐射噪声数据，α为权值。

31、优选地，所述不同融合特征间的相似度计算策略为：

32、

33、其中，ε为相似度加权系数，rsyn1、rsyn2为融合特征数量相同的两个融合特征集合，nsyn1为rsyn1的特征数量；

34、相似度判别门限t小于同一水声个体目标下的不同融合特征间的相似度值、且大于不同水声个体目标的融合特征间的相似度值。

35、优选地，所述结合训练样本集优化更新各策略的参数值包括以下步骤：

36、步骤3.3.1，将lofar谱图训练样本集、时频谱图训练样本集分别随机划分成两个元素数相等的子集，记为xlofar1、xlofar2和xstft1、xstft2，其中xlofar1中的lofar谱图训练样本与xsrft1中的短时谱图训练样本一一对应，xlofar2中的lofar谱图训练样本与xstft2中的短时谱图训练样本一一对应；

37、步骤3.3.2，利用训练后的线谱特征提取网络模型和数值特征提取网络模型，对对应的子集进行特征提取，得到两个线谱特征集合rlofar1、rlofar2及两个数值特征集合rstft1、rstft2；

38、步骤3.3.3，利用特征融合策略获取拼接特征，得到两个拼接特征集rsyn1、rsyn2；

39、步骤3.3.4，利用相似度计算策略计算两个拼接特征集的相似度，并统计同一个体标签下的两个拼接特征间的相似度ssame、不同个体标签的两个拼接特征间的相似度sdiffent，根据相似度判别门限t计算目标识别结果，结合个体标签统计得到个体目标识别正确率racc；

40、步骤3.3.5，设置目标函数min{ssame}、max{sdiffent}和max{racc}，采用遗传算法对α、ε及t进行优化更新；

41、步骤3.3.6，重复步骤3.3.1-3.3.5，得到多个最优值后取平均值。

42、与现有技术相比，本发明的有益效果为：

43、本发明通过利用深度学习方法，提升了典型物理特征提取精度并挖掘了新的数值特征，通过多维物理和数值特征联合实现了目标识别，与现有被动目标个体识别方法相比，本发明方法目标特征利用率更高，弱目标个体识别能力更强。