[发明专利]一种基于两级CNN的船舶辐射噪声信号识别方法

说明书

本发明提供一种基于两级CNN的船舶辐射噪声信号识别方法，该方法具体包括：对已知类别的船舶的辐射噪声信号进行预处理，并构建训练集和测试集；确定第一级卷积神经网络和第二级卷积神经网络的个数；构建第一级CNN的训练集和测试集；构建第二级CNN的训练集和测试集；分别训练第一级CNN和第二级CNN；读取待识别的船舶辐射噪声信号，提取频谱特征，再输入到所述第一级CNN中，输出各个频谱相似度较低的目标，并获得各类频谱相似度较高的目标；分别提取频谱的包络特征和线谱特征，再分别输入到所述第二级CNN，分别得到基于包络和线谱特征的频谱相似度较高的目标识别结果；再进行决策融合，确定最终识别结果。

技术领域

本发明涉及传播辐射噪声识别的技术领域，特别涉及一种基于两级CNN的船舶辐射噪声信号识别方法。

背景技术

船舶辐射噪声信号的识别属于复杂的识别问题。船舶辐射噪声信号数据在各国间通常是保密的，不易获得，因此，船舶辐射噪声信号的识别是在有限样本，甚至是小样本的条件下完成的。另外，即使是同一条船舶，在不同的航行工况时，所产生的辐射噪声也是有一定差别的，这也给识别工作带来一定的困难。还有，往往吨位相近的船舶，其辐射噪声频谱特征也十分相似，若只是提取频谱特征，则很难将它们一一分辨出来。

特征提取是将得到的原始特征数据通过映射的方法，将高维的原始特征变化成低维的特征量。当前，目标的特征提取方法很多，且它们具有很强的针对性，因识别对象的不同而异。在现代数字信号处理技术中，高阶统计量、小波系数、梅尔倒谱系数等特征量已被广泛应用于船舶辐射噪声信号的识别。但是，这些特征的提取过程都较为复杂。

在目标种类较少的情况下，先提取频谱特征，再使用卷积神经网络(Convolutional Neural Network，简称CNN)作为分类器进行识别，可以取得很好的识别效果。同时，相比于传统神经网络，它没有过拟合的问题，而且训练速度很快。然而，这种方法只适用于目标种类较少且目标频谱相似度比较低的情况下，若是在需要识别的目标种类比较多，且存在一些目标的频谱相似度比较高，只提取噪声的频谱特征后，单一使用CNN作为分类器进行识别，则不能达到比较理想的识别效果。

发明内容

本发明的目的在于，为了解决上述的现有技术的不足，本发明提供了一种基于两级CNN的船舶辐射噪声信号识别方法。该方法可以有效地应用于多种船舶辐射噪声信号的识别中，降低特征提取过程的复杂性，提高识别的正确率。该方法具体包括：

步骤1、对已知类别的船舶的辐射噪声信号进行归一化、去除直流分量的预处理，对预处理后的已知类别的船舶辐射噪声信号构建训练集和测试集；获得各类频谱相似度较高的目标和各类频谱相似度较低的目标，分别确定第一级卷积神经网络，即第一级CNN和第二级卷积神经网络，即第二级CNN的个数；

所述步骤1中，对预处理后的已知类别的船舶辐射噪声信号构建训练集和测试集的具体过程如下：

步骤1-1)、构建已知类别的船舶辐射噪声信号的训练集和测试集。

将经过归一化后的已知类别的船舶辐射噪声信号构建为训练集，将所述训练集的10％数据取出，构建为测试集；

步骤1-2)、分别提取步骤1-1)所构建的训练集和测试集中的所述已知类别的船舶辐射噪声信号的频谱特征；则具体的提取方法如下：

步骤1-2-1)、提取步骤1-1)中的训练集的所述已知类别的船舶辐射噪声信号的频谱特征，假设已知类别的船舶辐射噪声信号数据的采样频率为N赫兹，对步骤1-1)中的训练集中的已知类别的船舶辐射噪声信号数据，进行N点离散傅里叶变换，其计算公式如下：

其中，x(j)为已知类别的船舶辐射噪声信号的训练集的数据序列，X(k)为进行N点离散傅里叶变换后的训练集的频谱序列，即训练集的频谱特征；