[发明专利]基于深度学习的声震信号数据识别方法及系统在审

专利信息
申请号: 202211064478.1 申请日: 2022-09-01
公开(公告)号: CN115657118A 公开(公告)日: 2023-01-31
发明(设计)人: 丁凯;荣英佼;徐跃林;黄文军;冉光政;邓斌 申请(专利权)人: 中国人民解放军63983部队
主分类号: G01V1/28 分类号: G01V1/28
代理公司: 南京理工大学专利中心 32203 代理人: 岑丹
地址: 214035 *** 国省代码: 江苏;32
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 深度 学习 信号 数据 识别 方法 系统
【说明书】:

发明公开了一种基于深度学习的声震信号数据识别方法及系统,所述方法包括通过声震传感器阵列采集目标原始声震信号数据并将原始声震信号数据传输至样本数据库;利用声震信号增强技术对样本数据库中的原始声震信号数据进行增强;将增强后的数据和原始数据合并,利用合并后的数据对声震信号分类模型进行训练,将待检测声震信号输入训练好的声震信号分类模型,得到分类结果。本发明利用样本数据库进行监督式学习,将待检测目标的声震信号送入计算系统,最终识别出目标的真实类别和型号,实现了将目标识别系统的嵌入式部署,极大提升了区域态势感知的速度和准确性。

技术领域

本发明属于目标探测领域,具体为一种基于深度学习的声震信号数据增强方法及系统。

背景技术

为实现对防区内态势的准确把握,须实时感知区域内可能出现的目标及其运动状态。态势感知的信息来源是区域中的各探测器节点,由探测器采集目标产生的多种物理场信号,依据不同的特征量区分不同的目标。近年来,数据增强是为了防止出现数据匮乏和防止出现过拟合从而构建高鲁棒性声震识别系统的关键技术。现有的区域级别的增强方法,如SpecAugment,它大大提高了训练的灵活性,减少了生成新样本的时间。然而SpecAugment有两个缺点:(1)它减少了频谱图上有用信息的比例,从而降低了训练效率;(2)随机为频谱图进行掩膜,不仅效率低下,同时也会引入过多的歧义。

发明内容

为了解决现有技术中的上述技术缺陷,本发明提出了一种基于深度学习的声震信号数据增强方法。

实现本发明目的的技术方案为:一种基于深度学习的声震信号识别方法,具体步骤为:

S1:通过声震传感器阵列采集目标原始声震信号数据并将原始声震信号数据传输至样本数据库;

S2:利用声震信号增强技术对样本数据库中的原始声震信号数据进行增强;

S3:将增强后的数据和原始数据合并,利用合并后的数据对声震信号分类模型进行训练,将待检测声震信号输入训练好的声震信号分类模型,得到分类结果。

优选地,所述声震传感器阵列包括MEMS声传感器阵列和MEMS震动传感器阵列。

优选地,利用声震信号增强技术对样本数据库中的原始声震信号数据进行增强的具体步骤为:

S201:提取声震信号的共振峰参数特征和Gammatone频率倒谱系数特征,形成频谱图;

S202:随机选择两个频谱图,输入到ResNet网络中得到两个频谱图的热力图;

S203:分别将两幅热力图划分为若干个候选区域,计算每个候选区域的重要性分数,并按重要性得分进行排序;

S204:将其中一幅热力图重要性分数高于第一设定阈值的候选区域填补另一幅热力图重要性分数低于第二设定阈值的候选区域;

S205:重复S202~204,对所有原始声震信号数据进行增强。

优选地,提取声震信号的共振峰参数特征的具体方法为:

(1)通过对声震信号x(n)进行预加重、加窗和分帧,得到xi(n),i表示声音信号的第i帧;

(2)对xi(n)进行离散傅里叶变换获得:

其中,N为桢长度。

(3)取Xi(k)的振幅,并取对数,得到:

(4)对执行傅立叶逆变获得倒谱序列:

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国人民解放军63983部队,未经中国人民解放军63983部队许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202211064478.1/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top