水声信号的识别方法与水声信号识别模型的训练方法

1.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：

2.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。
3.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。
4.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。


技术实现要素：

5.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。
6.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。。
7.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。
8.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。
9.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。
10.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
11.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。
12.图1是根据本发明实施例的应用环境示意图；
13.图2是根据本发明实施例的电子设备示意图；
14.图3是根据本发明实施例的水声信号识别模型的训练方法流程图；
15.图4是根据本发明实施例的小波散射变换模型中第2层小波滤波器组；
16.图5是根据本发明实施例的小波散射变换模型中第3层小波滤波器组；
17.图6是根据本发明实施例的水声信号识别模型的识别混淆矩阵；
18.图7是根据本发明实施例的神经网络模型结构示意图；
19.图8是根据本发明实施例的水声信号的识别方法的流程图。
具体实施方式
20.下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
21.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
22.当前，大部分的水声目标识别任务是将采集的一维时序信号映射到二维谱图，然后将得到的二维谱图输入到神经网络进行训练学习，并利用训练好的网络模型对水声目标进行分类识别。在这一过程中，二维谱图的提取(信号谱图特征)和神经网络结构(深度学习模型)的设计是两个重要环节，信号谱图特征的提取作为深度学习模型的直接输入，决定了深度学习模型认知目标的特性参数，从而决定了训练后网络模型的“智力”，最终决定了识别性能的好坏。
23.例如，在诸多水声目标识别采用的谱图特征中，mel谱图是较为常见的一种，通过
分帧、加窗、傅里叶变换、mel滤波器组设计以及对数运算得到目标信号对应的谱图信息。mel滤波器组可模拟人耳的工作机制，一定程度上表征了人耳的听觉感知特性，常用于语音信号处理。然而，发明人发现水声信号具有较强的局部结构，而mel谱变换过程中会损失一些信息，不能完全捕获目标水声信号丰富的局部结构特征，限制了分类识别的效果。也就是说，尽管不同水声目标在一般谱图特征上具有一定差别，然而在实际应用场景中，观测海域的不同、实时海况的差异以及水声目标种类的多样性，导致水声目标一般的谱图特征数据区分度并不明显。因此，为提高水声目标识别性能，迫切需要从水声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图谱特征。
24.基于此，本发明的至少一个实施例，提供了一种水声信号的识别系统，该系统包括电子设备，至少用于执行本发明所研发的水声信号的识别方法、和/或本发明所研发的水声信号识别模型的训练方法，至少达到提高水声目标识别性能，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。该水声信号的识别系统可以包括如图1所示环境，该环境可以包括硬件环境和网络环境。上述硬件环境包括电子设备100和服务器200，该电子设备100可以通过相应的指令操作该服务器200，从而可以读取、改变、添加数据等。
25.该电子设备100可以为一个或多个，该电子设备100中可以包括多个处理节点，该多个处理节点对外可以作为一个整体。可选的，该电子设备100也可将获取到的水声信号发送至服务器200，以使服务器200执行本发明所研发的水声信号的识别方法、和/或本发明所研发的水声信号识别模型的训练方法。可选的，该电子设备100可以通过网络与服务器200连接。
26.上述网络包括有线网络和无线网络。该无线网络包括但不限于：广域网、城域网、局域网或移动数据网络。典型地，该移动数据网络包括但不局限于：全球移动通信(gsm)网络、码分多址(cdma)网络、宽带码分多址(wcdma)网络、长期演进(lte)通信网络、wifi网络、zigbee网络、基于蓝牙技术的网络等。不同类型的通信网络可能由不同的运营商运营。通信网络的类型不构成对本发明实施例的限制。
27.该电子设备100，如图2所示，包括：处理器202；以及存储器204，配置为存储计算机程序指令，计算机程序指令适于由处理器加载并执行本发明所研发的水声信号的识别方法、和/或水声信号识别模型的训练方法(后续将进行详细介绍)。可选的，本发明的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，执行本发明所研发的水声信号的识别方法、和/或水声信号识别模型的训练方法(后续将进行详细介绍)。
28.该处理器202可以为各种适用的处理器，例如实现为中央处理器、微处理器、嵌入处理器等形式，可以采用x86、arm等架构。该存储器204可以为各种适用的存储装置，例如非易失性存储装置，包括但不限于磁存储装置、半导体存储装置、光存储装置等，并且可以布置为单个存储装置、存储装置阵列或分布式存储装置，本发明的实施例对这些不作限制。
29.本领域普通技术人员可以理解，上述电子设备100的结构仅为示意，其并不对电子设备100的结构造成限定。例如，电子设备100还可包括比图2中所示更多或者更少的组件(如传输装置)。上述的传输装置用于经由一个网络接收或者发送数据。在一个实例中，传输装置为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。
30.在上述运行环境下，本发明至少一个实施例提出了一种水声信号识别模型的训练方法，该水声信号识别模型的训练方法可以由处理器202加载并执行。如图3所示的水声信号识别模型的训练方法的流程图，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，该方法可以包括如下步骤：
31.步骤s301，获取水声样本数据，其中，水声样本数据被划分为训练集和测试集；
32.步骤s303，构建小波散射变换模型，提取训练集中水声样本数据的训练小波散射特征，提取测试集中水声样本数据的测试小波散射特征；
33.步骤s305，利用卷积神经网络对训练小波散射特征进行训练神经网络模型，并利用测试小波散射特征对神经网络模型进行测试验证。
34.可以看出，本发明提出了一种基于小波散射特征和深度学习的水声目标识别方法，相比于现有技术中的傅里叶变换、constant-q变换、mfcc变换等，该水声信号识别模型具有较高的平移不变性、微变稳定性以及辨识力等优点，可提取水声目标信号的鲁棒特征，有效提高了识别的正确率，另外采用了多层结构的深度卷积神经网络模型，可将输入数据表征成更容易分离或识别的形式。
35.在步骤s301中，获取水声样本数据，该水声样本数据被划分为训练集和测试集。可选的，通过如下方式将水声样本数据划分为训练集和测试集：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，标注信息是帧序列所属对象类别；对时域帧序列进行预处理，预处理包括滤波、去趋势和归一化处理。
36.例如，水声样本数据包括客船、摩托艇和背景噪声3类信号，各14条原始样本，采样率为52734hz，样本时长从30s到400s不等。例如，按9:1的比例将原始样本随机划分为80％的训练集和20％的测试集；将训练集和测试集中的数据分割成等长的时域帧序列，长度约为5.94s，并对应生成帧序列的标注信息，帧序列数即为每一类目标的样本数，标注信息即为帧序列所属的类别，最后得到的训练集和测试集样本数如表1所示；对分帧后的数据进行预处理，即通过设计低通滤波器对每一帧数据进行滤波处理，滤除3khz以上的高频噪声，并对滤波后的信号进行去趋势和归一化处理。另外，由于水声样本数据采样率较高，本发明还可对其进行降采样处理，使得采样率变为22050hz。
37.表1分帧处理后训练集和测试集中个类目标的样本数
[0038] 训练集样本数测试集样本数客船35627摩托艇35927背景噪声35628
[0039]
在步骤s303中，构建小波散射变换模型，提取训练集中水声样本数据的训练小波散射特征，提取测试集中水声样本数据的测试小波散射特征。上述小波散射变换模型可以包括多层小波散射变换，构建小波散射变换模型可以包括：获取小波散射变换参数，其中，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，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，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，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、ωc为中心角频率，δ为尺度参数。需要说明的是，构建小波散射变换模型可选择为morlet小波、haar小波、gammatone小波等小波函数，本发明以morlet小波为例对构建小波散射变换模型的方法进行阐述。
[0040]
可以看出，本发明的小波散射变换模型可构建出多层小波散射变换。以构建m(m＝1,2,3,
…
)层小波散射变换架构为例，设计小波散射变换参数，包括l、fs、q、t，由此确定ψ(ω)和φ(ω)，从而设计第m(m＝1,2,
…
,m)层小波滤波器组(ψ1,ψ2,ψ3,
…
,ψn)和尺度滤波器φs，n表示滤波器组中滤波器个数。后续在阐述本发明所研发的水声信号识别模型的训练方法、和/或所研发的水声信号的识别方法时，设计的小波散射变换参数为：m＝3，l＝5.94s，fs＝22050hz，q＝[081]，t＝0.12s。
[0041]
基于上述构建的小波散射变换模型，提取训练集中水声样本数据的训练小波散射特征，提取测试集中水声样本数据的测试小波散射特征。如图4-5所示，当m＝3时，利用3层小波散射变换提取步骤s301中带标注训练集和测试集样本的小波散射特征。例如，第1层小波散射变换，使用尺度滤波器对训练集和测试集中的样本信号进行滤波，生成第1层的散射系数；第2层小波散射变换，根据设计的小波散射变换参数得到的第2层小波滤波器组，使用第2层的小波滤波器组对样本信号执行连续小波变换，得到小波变换系数，并对其进行取模运算，然后再使用尺度滤波器对运算结果进行滤波，生成第2层的散射系数，同时保存取模运算结果作为第3层输入；第3层小波散射变换，根据设计的小波散射变换参数得到的第3层小波滤波器组，使用第3层的小波滤波器组对第2层的取模运算结果执行连续小波变换，并进行取模运算，然后再使用尺度滤波器进行滤波，生成第3层的散射系数；完成小波散射变换后，利用各层的小波散射系数组成小波散射特征，一般应用中，结合计算设备性能，可对小波散射系数进行下采样处理以降低后续训练的运算量。
[0042]
在步骤s305中，利用卷积神经网络对训练小波散射特征进行训练神经网络模型，并利用测试小波散射特征对神经网络模型进行测试验证。也就是说，本发明利用训练集得到的水声信号小波散射特征作为学习特征，基于所设计多层结构的卷积神经网络即深度卷积神经网络(dcnn)模型，将水声信号的小波散射特征输入网络模型，对其进行训练，输出水声目标识别模型；利用所得测试集小波散射特征对水声目标识别模型进行测试，验证有效性，并获得该模型识别准确率。测试结果的混淆矩阵如图6所示，获得该模型的平均识别准确率约为93.90％。
[0043]
可选的，本发明在进行水声目标分类网络模型训练时，dcnn网络设计为5层神经网络结构，具体为输入层后接5层卷积网络，每层卷积网络包含卷积层、批量归一化层、激活函数、池化层，多层卷积网络之后加一个dropout层提高泛化性，最后接全连接层、softmax层和输出层实现目标分类。该5层深度卷积神经网络结构及其参数如图7所示，其中dropout层的丢弃率设置为0.2，训练过程中的学习率设置为10-4。
[0044]
通过本发明上述方式，对采集的原始水声目标数据进行预处理，降低了背景噪声和信号零漂对后续信号处理的影响，设计了适用于水声信号的小波散射变换模型，相比于常用的傅里叶变换、constant-q变换、mfcc变换等，该模型具有较高的平移不变性、微变稳
定性以及辨识力等优点，可提取水声目标信号的鲁棒特征，有效提高了识别的正确率，另外采用了多层结构的深度卷积神经网络模型，可将输入数据表征成更容易分离或识别的形式。
[0045]
在上述运行环境下，本发明至少一个实施例提出了一种水声信号的识别方法，该水声信号的识别方法可以由处理器202加载并执行。如图8所示的水声信号的识别方法的流程图，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，该方法可以包括如下步骤：
[0046]
步骤s802，获取水声信号；
[0047]
步骤s804，利用小波散射变换模型，提取水声信号的小波散射特征；
[0048]
步骤s806，基于已训练神经网络模型识别小波散射特征，得到水声信号对应的目标对象。
[0049]
需要说明的是，为便于理解将本发明的水声信号识别模型拆分成小波散射变换模型和神经网络模型两部分来阐述本发明的水声信号的识别方法。上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。上述(已训练)小波散射变换模型包括多层小波散射变换，该多层小波散射变换可以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。
[0050]
在步骤s802中，获取水声信号。例如，通过声纳接收水声信号。
[0051]
在步骤s804中，利用小波散射变换模型，提取水声信号的小波散射特征。例如，利用第一层小波散射变换对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。也就是说，小波散射特征包括由第一散射系数、第二散射系数和第三散射系数构成的散射系数矩阵。
[0052]
当m＝3，l＝5.94s，fs＝22050hz，q＝[081]，t＝0.12s时，第一层小波散射变换可以包括第一尺度滤波器，第二层小波散射变换可以包括第二小波滤波器组和第二尺度滤波器，第三层小波散射变换可以包括第三小波滤波器组和第三尺度滤波器，其中，q的维度等于小波散射变换的层数，也等于小波滤波器组的个数，其元素为各滤波器组的质量因子，表示每倍频中滤波器的个数，通常q的第一个元素为0，表示第1层不使用小波滤波器。
[0053]
由此，利用第一层小波散射变换对水声信号进行第一滤波可以包括：使用第一尺度滤波器对水声信号进行滤波。利用第二层小波散射变换对水声信号执行第二连续小波变换和第二滤波可以包括：使用第二小波滤波器组对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第二小波变换系数进行滤波。利用第三层小波散射变换对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可以包括：使用第三小波滤波器组对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第三小波变换系数进行滤波。
[0054]
在步骤s806中，基于已训练神经网络模型识别小波散射特征，得到水声信号对应的目标对象。可选的，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，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。
[0055]
通过本发明上述方式，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。
[0056]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。