[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

说明书

本发明公开了一种水声信号的识别方法与水声信号识别模型的训练方法。该水声信号的识别方法，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。

技术领域

本发明涉及水声目标识别领域，尤其是涉及一种水声信号的识别方法与水声信号识别模型的训练方法。

背景技术

近年来，随着潜艇降噪技术的进步，水下无人航行器迅速发展，鱼雷和水雷等水下武器呈多样化趋势，海战场环境更为复杂。水声目标识别是反潜、鱼雷防御和水声对抗的前提，已成为重要研究课题。水声目标识别技术是一种利用声呐接收的被动目标辐射噪声、主动目标回波以及其他传感器信息提取目标特征并判别目标类型或舰型的信息处理技术，为人类海洋经济与军事活动提供重要决策依据。

水声目标识别技术包括水声目标主动识别和水声目标被动识别。水声目标主动识别是基于不同的舰船、潜艇和鱼雷所装备的不同型号声呐(不同型号主动声呐的频段、周期、脉冲和脉冲宽度等参数均不同)，根据探测目标的主动声呐特性，如工作带宽、脉冲周期、工作下限频率和上限频率等，可识别声呐型号，通过排除法缩小识别范围，进一步结合其他目标特征完成目标综合识别。水声目标被动识别是通过对声纳接收的水声信号的特性进行分析，进而对目标类型、姿态、状态等属性进行有效判断和识别。

现有技术中水声目标识别效果差、准确率低，为提高水声目标识别性能，迫切需要从目标信号中获取类别间差异大、稳健性好、对信噪比和环境适应性高的谱特征。

发明内容

本发明的目的在于提供一种水声信号的识别方法与水声信号识别模型的训练方法，至少提高水声目标识别性能，达到获取类别间差异大、稳健性好、对信噪比和环境适应性高的图谱特征的有益效果。

根据本发明的一方面，至少一个实施例提供了一种水声信号的识别方法，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。。

根据本发明的另一方面，至少一个实施例还提供了一种水声信号识别模型的训练方法，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；利用卷积神经网络对所述训练小波散射特征进行训练神经网络模型，并利用所述测试小波散射特征对所述神经网络模型进行测试验证。

根据本发明的另一方面，至少一个实施例还提供了一种电子设备，包括：处理器，适于实现各指令；以及存储器，适于存储多条指令，所述指令适于由处理器加载并执行：本发明上述水声信号的识别方法、和/或本发明上述水声信号识别模型的训练方法。

根据本发明的另一方面，至少一个实施例还提供了一种计算机可读的非易失性存储介质，存储计算机程序指令，当计算机执行程序指令时，执行本发明上述水声信号的识别方法、和/或本发明上述水声信号识别模型的训练方法。

通过本发明上述方式，采用水声信号预处理、小波散射特征提取、深度卷积神经网络模型构建，其中，预处理降低了背景噪声和信号不规则性对后续信号处理的影响，小波散射变换模型所提取的小波散射特征类内差异小、类间差异大、鲁棒性强，克服了利用常规时频域变换方法很难从原始数据中提取有效特征的问题，所构建的深度卷积神经网络模型利用稳定性强、辨识度高的小波散射特征和深度学习模型较强的学习能力，可获得较好的水声目标识别准确率。

附图说明

为了更清楚地说明本发明具体实施方式，下面将对具体实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例的应用环境示意图；