[发明专利]一种基于深度学习的水声信号检测方法及系统

说明书

本申请提出了一种基于深度学习的水声信号检测方法及系统，包括以下特征：步骤S1、信号降噪处理；步骤S2、信号增强处理；步骤S3、信号变换处理，利用增强处理后的信号分别生成不同的谱图，包括频谱图和/或倒谱图和/或时域图和/或语谱图(时频谱图)中的一个或多个；步骤S4、将所述步骤S3变换后的一个或多个谱图输入利用经过训练后的深度学习模型进行识别，输出识别结果。本申请的水声信号检测识别方法同时考虑了不同的信号特征，利用所提出的识别模型提高了检测识别的精度。

技术领域

本发明涉及音频信号检测识别技术领域，具体涉及一种基于深度学习的水声信号检测方法及系统。

背景技术

水中目标特性研究是目标识别的关键技术，也是声纳领域汇总的研究难题。国内外对水中目标识别技术时纷纷重视，在理论和实验方面进行了长期不懈的研究。从总体发展水平来看，目前的声纳目标识别方法采用了专家系统和模板匹配的方式进行水中目标检测识别。从采用的技术方案可以分为：基于物理模型的特征提取方法，基于信号分析的特征提取方法，基于精细特征的识别方法，基于多传感器、多特征信息的融合应用。

近年来，深度学习方法成为人工智能领域的热点，不仅算法研究层出不穷，在语音、图像等领域也得到了广泛应用。针对水声信号的检测识别，也有不少国内外的研究团队开展了深度学习方法的应用研究，但一般所用模型较为单一，未针对水声信号特点展开深入研究，所采用的模型缺乏通用性或精度不够，存在误判的情形。

发明内容

本发明的目的在于克服现有技术存在的不足，而提出一种基于深度学习的水声信号检测方法，包括以下特征：

步骤S1、信号降噪处理；

步骤S2、信号增强处理；

步骤S3、信号变换处理，利用增强处理后的信号分别生成不同的谱图，包括频谱图和/ 或倒谱图和/或时域图和/或语谱图(时频谱图)中的一个或多个；

步骤S4、将所述步骤S3变换后的一个或多个谱图输入利用经过训练后的深度学习模型进行识别，输出识别结果。

可选的，所述步骤S1中的降噪方法为：LMS自适应滤波器降噪、LMS自适应陷波器降噪、维纳滤波降噪中的一项或多项。

可选的，所述S2包括：分别通过高通滤波和低通滤波得到高频信号和低频信号，仅对获得的低频信号进行增强处理，获得增强后的低频信号，将高频信号叠加至增强后的低频信号，得到增强后的信号。

可选的，所述S3包括：所述谱图具包括但不限于梅尔频率倒谱图(MFCC)，伽马通频率倒谱图(GFCC)，线性预测倒谱图(LFCC)，树皮频率倒谱图(BFCC)，功率归一化倒频谱图(PNCC) 中的一项或多项。

可选的，所述S4包括：所述深度学习模型包含有输入层、一个或多个隐含层、输出层。

对应的，本申请还提出了一种基于深度学习的水声信号检测系统，包括以下单元模块：

信号降噪处理单元，用于完成信号的降噪处理；

信号增强处理单元，用于对降噪后的信号进行进一步的信号增强；

信号变换处理单元，用于利用增强处理后的信号分别生成不同的谱图，包括频谱图和/ 或倒谱图和/或时域图和/或语谱图(时频谱图)中的一个或多个；

识别输出单元，用于将所述信号变换处理单元变换后的一个或多个谱图输入利用经过训练后的深度学习模型进行识别，输出识别结果。

可选的，所述信号降噪处理单元中的降噪方法为：LMS自适应滤波器降噪、LMS自适应陷波器降噪、维纳滤波降噪中的一项或多项。