[发明专利]水声信号的识别方法与水声信号识别模型的训练方法

权利要求书

1.水声信号的识别方法，其特征在于，包括：

获取水声信号；

利用小波散射变换模型，提取所述水声信号的小波散射特征；

基于已训练神经网络模型识别所述小波散射特征，得到所述水声信号对应的目标对象。

2.根据权利要求1所述的识别方法，所述已训练神经网络模型包括输入层、多层卷积网络、Dropout层、全连接层、Softmax层和输出层，其特征在于，基于已训练神经网络模型识别所述小波散射特征包括：

小波散射特征依次经输入层、多层卷积网络、Dropout层、全连接层、Softmax层处理，并由输出层输出，其中，所述多层卷积网络的每层卷积网络还包含卷积层、批量归一化层、激活函数和池化层。

3.根据权利要求1所述的识别方法，所述小波散射变换模型包括多层小波散射变换，所述多层小波散射变换包括第一层小波散射变换、第二层小波散射变换和第三层小波散射变换，提取所述水声信号的小波散射特征包括：

利用第一层小波散射变换对所述水声信号进行第一滤波，生成第一散射系数；

利用第二层小波散射变换对所述水声信号执行第二连续小波变换和第二滤波，生成第二散射系数；

利用第三层小波散射变换对所述第二连续小波变换的结果执行第三连续小波变换和第三滤波，生成第三散射系数。

4.根据权利要求3所述的识别方法，所述小波散射特征包括第一散射系数、第二散射系数和第三散射系数，所述第一层小波散射变换包括第一尺度滤波器，所述第二层小波散射变换包括第二小波滤波器组和第二尺度滤波器，所述第三层小波散射变换包括第三小波滤波器组和第三尺度滤波器，其特征在于：

所述利用第一层小波散射变换对所述水声信号进行第一滤波包括：使用第一尺度滤波器对所述水声信号进行滤波；

所述利用第二层小波散射变换对所述水声信号执行第二连续小波变换和第二滤波包括：使用第二小波滤波器组对所述水声信号执行第二连续小波变换得到第二小波变换系数；使用第二尺度滤波器对所述第二小波变换系数进行滤波；

所述利用第三层小波散射变换对所述第二连续小波变换的结果执行第三连续小波变换和第三滤波包括：使用第三小波滤波器组对所述第二小波变换系数执行连续小波变换得到第三小波变换系数；使用第三尺度滤波器对所述第三小波变换系数进行滤波。

5.根据权利要求1所述的识别方法，其特征在于，获取水声信号包括：

通过声纳接收水声信号。

6.水声信号识别模型的训练方法，其特征在于，包括：

获取水声样本数据，其中，所述水声样本数据被划分为训练集和测试集；

构建小波散射变换模型，提取所述训练集中水声样本数据的训练小波散射特征，提取所述测试集中水声样本数据的测试小波散射特征；

利用所述小波散射特征训练所述卷积神经网络模型，并利用所述测试小波散射特征对所述卷积神经网络模型进行测试验证。

7.根据权利要求6所述的训练方法，所述水声样本数据被划分为训练集和测试集包括：

将水声样本数据随机划分为训练集和测试集；

将训练集和测试集中的水声样本数据分割成等长的时域帧序列，并对应生成帧序列的标注信息，其中，所述标注信息是所述帧序列所属对象类别；

对所述时域帧序列进行预处理，所述预处理包括滤波、去趋势和归一化处理。

8.根据权利要求6所述的训练方法，其特征在于，小波散射变换模型包括多层小波散射变换，构建小波散射变换模型包括：

获取小波散射变换参数，其中，所述小波散射变换参数包括输入信号长度L、采样率Fs、质量因子Q和不变尺度T，所述质量因子Q的维度＝小波散射变换的层数＝小波滤波器组的个数，所述不变尺度T用于表示尺度滤波器的时间尺度；

基于小波函数ψ(ω)和尺度函数φ(ω)确定多层小波散射变换，其中，ω为角频率、σ为多分辨参数、ω_c为中心角频率，δ为尺度参数。