基于前导仿真器的水声前导信号检测方法及装置

1.本技术涉及水声通信系统技术领域，特别是涉及一种基于前导仿真器的水声前导信号检测方法及装置。


背景技术：

2.前导检测是水声通信系统中的一项关键技术，用于接收端唤醒系统继而启动接收工作。准确的前导检测是水声通信成功的重要保障。水声通信系统常用的前导信号主要为调频信号。常用的前导检测方法主要为基于匹配滤波的检测方法。这类方法主要利用接收信号与发送信号间的相关性进行检测，易受信噪比、双拓展水声信道和水下干扰影响，导致检测性能下降。实际上，作为前导信号的调频信号具有典型的时频特征，其时频图像与各种水下干扰的时频图像差别明显。因此，适用于图像识别的深度神经网络在提升前导检测性能上十分具有潜力。但是现有的深度神经网络需要大量的训练数据，训练耗时长，可移植性差，无法满足水声通信系统的实际需求。


技术实现要素：

3.本发明针对上述问题，提供了一种基于前导仿真器的水声前导信号检测方法及装置，通过前导仿真器生成模拟水声前导数据用于预先训练mobilenet神经网络模型，并通过迁移学习帮助预训练模型快速更新水声前导检测任务。
4.本发明的第一方面，一种基于前导仿真器的水声前导信号检测方法，包括以下步骤：
5.利用前导仿真器仿真出前导数据及干扰数据，通过时频变换将前导数据和干扰数据生成时频图像，并对生成的时频图像进行预处理最终得到训练集；
6.利用训练集预训练深度神经网络模型，其中深度神经网络模型为mobilenet网络模型；
7.利用少量真实试验获取的水声前导数据，对预训练好的mobilenet网络模型进行迁移学习，将模型的部分参数进行优化训练，使模型适用于对应的水声前导检测任务。
8.进一步的，利用前导仿真器得到训练集，具体包括：
9.分别建立前导信号和水声信道模型、水下干扰噪声模型，并在各模型中设置水下环境参数，利用前导信号和水声信道模型以及水下干扰噪声模型生成时序信号数据；
10.利用短时傅里叶变换将生成的时序信号数据转换成时频图像，并对时频图像进行归一化预处理，将归一化预处理后的视频图像经过分类标记获得训练数据集。
11.进一步的，前导信号和水声信道模型的建立和参数设置，具体包括：
12.令双曲频调制波形的持续时间为t，定义
[0013][0014]
其中f1表示双曲频调制波形的开始频率，f2表示双曲频调制波形的结束频率；
[0015]
前导信号的生成公式为：
[0016][0017]
其中a(t)表示一个矩形包络，t表示时间，前导信号参数设置如下：信号的中心频率为[12,13]khz，带宽[5,6]khz，持续时间100ms或15ms，信噪比[-13,12]db；
[0018]
在基带中，水下声信道h(τ)表示为：
[0019][0020]
其中n
pa
表示与第p条路径关联的路径数，a
p
表示与第p条路径关联的幅度，τ
p
表示与第p条路径关联的延迟，fc表示中心频率，δ(t-τ
p
)表示冲激函数，τ表示时间延迟；
[0021]
则接收的基带信号x(t)为
[0022][0023]
其中ω(t)是环境噪声，η(t)是外部干扰，水声信道参数设置为：路径数n
pa
～u(15，25)，连续路径的到达间隔时间τ
p-τ
p-1
呈指数分布，平均值为1ms。
[0024]
进一步的，水下干扰噪声模型包括窄带干扰模型、冲激干扰模型以及短时窄带干扰模型，其中窄带干扰模型具体表达式为：
[0025][0026]
其中f
nb
[i]表示第i个音调的频率，a
nb
[i]表示第i个音调的幅度，φ
nb
[i]表示第i个音调的相位偏移，窄带干扰的参数设置为：中心频率fc～u(11.5，13.5)khz，带宽b～u(1，3000)khz，持续时间为200ms，干噪比inr～u(-5，10)db，n
nb
表示多个音调；
[0027]
冲激干扰模型具体表达式为：
[0028][0029]
其中cn()表示复高斯分布，p表示高斯混合模型的混合比，表示高斯噪声的能量，表示冲激噪声的能量，冲激干扰的参数设置为：p～u(0.001，0.01)，持续时间为200ms；
[0030]
短时窄带干扰模型具体表达式为：
[0031]
[0032]
其中，c
l
表示傅里叶级数的系数，b1表示短时窄带干扰的带宽，t1表示短时窄带干扰的持续时间，短时窄带干扰的参数设置为：中心频率fc～u(11.5，13.5)khz，带宽b～u(1，3)khz，持续时间t
pbpd
～u(5，60)ms，干噪比inr～u(2，15)db。
[0033]
进一步的，利用短时傅里叶变换将生成的时序信号数据转换成时频图像，时频图像的二维数据表达式v(m，l)为：
[0034]
v(m，l)＝|χ(m，l)|2[0035][0036]
其中，是复数离散时间信号向量，n
x
表示块长度，信号向量是根据给定的固定采样率fs通过等距采样获得，w＝[w[0]，w[1]，...，w[n-1]
t
∈cn×1是采样窗口函数，n表示长度参数，h表示跃点大小参数，m∈[0：m]，表示最大帧索引，l∈[-l+1：l]，l＝n/2表示对应于奈奎斯特频率的频率指数。
[0037]
进一步的，对时频图像进行归一化预处理，将归一化预处理后的视频图像经过分类标记获得训练数据集，具体包括：
[0038]
将时频图像进行灰度化处理，其中rgb图像的灰度化公式如下：
[0039][0040]
其中r、g、b分别表示红、绿、蓝三个图像通道的颜色亮度；
[0041]
将灰度化处理后的图像转换为双精度，线性映射进行灰度调整；
[0042]
压缩灰度调整后的时频图像分辨率，自动生成样本和标签，将样本保存到仿真器数据集中对应标签的文件下。
[0043]
进一步的，对所述mobilenet网络模型中的输入层和全连接进行替换，具体包括：模型中的输入层设置为前导仿真器生成时频图像的尺寸，全连接层的分类器针对二分类任务使用sigmoid算法，针对多分类任务使用softmax算法。
[0044]
进一步的，利用少量真实试验获取的水声前导数据，对预训练好的mobilenet网络模型进行迁移学习，将模型的部分参数进行优化训练，使模型适用于对应的水声前导检测任务，具体包括：
[0045]
用x1′
，x2′
，...，xm′
∈x
′
表示真实前导数据样本，y1′
，y2′
，...，ym′
∈y
′
表示真实前导数据样本对应的标签，预训练好的mobilenet网络模型表示为：
[0046]
yi＝f(xi；μ)
[0047]
其中μ表示mobilenet模型参数；
[0048]
以mobilenet网络模型中某一层为分界层将参数μ分为μ
l
和μh，mobilenet模型表示为
[0049]
yi＝f(xi；μ
l
，μh)
[0050]
其中μ
l
和μh分别表示分界层以上的参数集合和分界层以下的参数集合，由mobilenet模型特性可知，μ
l
提取浅层基础特征，μh提取深层抽象特征。
[0051]
基于mobilenet模型的迁移学习公式如下：
[0052]y′i＝f(xi′
；μh′
)
[0053]
通过冻结μ
l
，只对μh进行基于少量真实数据集下的重新训练，迁移学习后的mobilenet模型即可用于真实水声数据的前导检测任务。
[0054]
本发明的第二方面，提供了一种基于前导仿真器的水声前导信号检测装置，包括：
[0055]
训练集获取模块，用于利用前导仿真器仿真出前导数据及干扰数据，通过时频变换将前导数据和干扰数据生成时频图像，并对生成的时频图像进行预处理最终得到训练集；
[0056]
深度神经网络模型预训练模块，用于利用训练集预训练深度神经网络模型，其中深度神经网络模型为mobilenet网络模型；
[0057]
深度神经网络模型迁移学习模块，用于利用少量真实试验获取的水声前导数据，对预训练好的mobilenet网络模型进行迁移学习，将模型的部分参数进行优化训练，使模型适用于对应的水声前导检测任务。
[0058]
本发明的第三方面，提供了一种计算机可读存储介质，其上存储有指令，所述指令在被处理器执行时，使得所述处理器执行上述基于前导仿真器的水声前导信号检测方法。
[0059]
本发明提供的一种基于前导仿真器的水声前导信号检测方法及装置，主要面向水声通信前导检测过程中一般训练数据集不足，检测任务多样性问题，通过前导仿真器建立的模拟水声数据集，解决了真实可用水声数据集较少，样本规格不统一，类型不多样的问题；通过前导仿真器的图像预处理步骤，解决了stft时频图像对噪声敏感，分辨率较高的问题；通过前导仿真器生成模拟水声前导数据用于预先训练mobilenet神经网络模型，解决了一般网络不具备合理初始化参数，易过拟合的问题；并通过迁移学习帮助预训练模型快速更新水声前导检测任务；基于迁移学习改进了前导检测中神经网络的学习方法，改善了前导检测中神经网络的可移植性。该检测方法具体优点如下：
[0060]
1.用于训练的真实水声数据需求少：利用前导仿真器数据与真实水声数据的高度相关性，真实水声数据只需训练模型中少量关键层，大幅减少了对真实水声数据的需求；
[0061]
2.模型可移植性好：前导仿真器生成的模拟水声数据数量丰富且类型多样，泛用性和鲁棒性能较好，适用于多数水声通信场景；
[0062]
3.训练收敛快，检测效果好：预训练的网络模型具有更合理的初始化参数，可以有效缩小训练范围和训练参数数量，加速训练效率；
[0063]
4.可切换不同检测任务：当出现新的前导检测任务时，通过迁移学习，选择性的对预训练模型进行参数优化调整，可以帮助预训练模型快速适应新的前导检测任务；
[0064]
通过数据验证，本发明的基于前导仿真器的水声前导信号检测方法及装置较现有方法有较低的信号检测误差，较少的数据限制和较低的复杂度，更贴合复杂多变的水声环境和前导检测任务。
附图说明
[0065]
图1是本发明实施例中基于前导仿真器的水声前导信号检测方法流程图；
[0066]
图2是本发明实施例中前导仿真器图获取训练集方法流程图；
[0067]
图3是本发明实施例中基于前导仿真器的水声前导信号检测装置结构示意图。
具体实施方式
[0068]
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅出示了与本发明相关的部分而非全部结构。
[0069]
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
[0070]
本发明实施例针对一种基于前导仿真器的水声前导信号检测方法及装置，提供了如下实施例：
[0071]
基于本发明的实施例1
[0072]
如图1所示，为本发明实施例1的一种基于前导仿真器的水声前导信号检测方法流程图，具体步骤为：
[0073]
步骤一、利用前导仿真器仿真出前导数据及干扰数据，通过时频变换将前导数据和干扰数据生成时频图像，并对生成的时频图像进行预处理最终得到训练集；
[0074]
具体实施过程如图2所示，首先建立前导信号，水声信道及各类水下干扰噪声模型，并设置合适的水下环境参数，进而生成数据。之后，利用短时傅里叶变换将生成的时序信号数据转换成时频图像，并对这些时频图像进行归一化的预处理，经过分类标记，获得训练数据集。将上述流程封装成前导仿真器，后续只需通过调整仿真器参数即可得到对应的仿真训练集。
[0075]
具体地，包括：分别建立前导信号和水声信道模型、水下干扰噪声模型，并在各模型中设置水下环境参数，利用前导信号和水声信道模型以及水下干扰噪声模型生成时序信号数据；利用短时傅里叶变换将生成的时序信号数据转换成时频图像，并对时频图像进行归一化预处理，将归一化预处理后的视频图像经过分类标记获得训练数据集。
[0076]
其中，前导信号和水声信道模型的建立和参数设置，具体实施过程为：
[0077]
常用的前导信号为对多普勒不敏感的双曲频调制(hfm)或线性频率调制(lfm)信号。实施例以hfm为例，给出对应前导信号模型。令双曲频调制波形的持续时间为t，定义
[0078][0079]
其中f1表示双曲频调制波形的开始频率，f2表示双曲频调制波形的结束频率；
[0080]
令传输信号s(t)为
[0081][0082]
其中a(t)表示一个矩形包络，t表示时间，前导仿真器中具体对应的前导
信号参数设置如下：根据传输信号s(t)公式生成前导信号，信号的中心频率fc为[12,13]khz，带宽b为[5,6]khz，其中b公式中的开始频率f1和截止频率f2是由中心频率fc和带宽b得到，持续时间t为100ms或15ms，信噪比[-13,12]db，参数在上述区间内均服从均匀分布；
[0083]
通带中随时间变化的水下声信道表示为：
[0084][0085]
由于hfm和lfm对多普勒压缩或膨胀不敏感，因为对波形的多普勒效应可以通过延迟上的位移来近似，因此，采用了一个简单的信道模型在基带中，信道h(τ)表示为
[0086][0087]
其中n
pa
表示与第p条路径关联的路径数，a
p
表示与第p条路径关联的幅度，τ
p
表示与第p条路径关联的延迟，fc表示中心频率，δ(t-τ
p
)表示冲激函数，τ表示时间延迟；
[0088]
则接收的基带信号x(t)为
[0089][0090]
其中ω(t)是环境噪声，η(t)是外部干扰，水声信道参数设置为：路径数n
pa
～u(15，25)，连续路径的到达间隔时间τ
p-τ
p-1
呈指数分布，平均值为1ms。平均信道时延扩展根据路径数在[15，25]ms。振幅是独立的，并且是混合高斯分布的，平均功率随时延指数下降，其中功率从0到20ms的差异是20db。水下环境噪声ω(t)是一种可以由无数个声源组成的背景噪声，近似为高斯噪声，不是白噪声，容易受到时间、位置或深度变化的影响。
[0091]
进一步的，水下干扰噪声模型包括窄带干扰模型、冲激干扰模型以及短时窄带干扰模型，其中nb(窄带干扰)一般来自于海洋哺乳动物或窄带声纳系统，通常持续时间长，但频率有限。考虑水下接收情况时，通常窄带干扰会由多个音调n
nb
组成，模型具体表达式为：
[0092][0093]
其中f
nb
[i]表示第i个音调的频率，a
nb
[i]表示第i个音调的幅度，φ
nb
[i]表示第i个音调的相位偏移，窄带干扰的参数设置为：中心频率fc～u(11.5,13.5)khz，带宽b～u(1，3000)hz，持续时间为200ms，干噪比inr～u(-5，10)db，n
nb
表示多个音调，海洋哺乳动物或窄带声纳系统音调可能在短时间内发出多种音调的声音，所以一个窄带干扰可能包含多个音调。
[0094]
imp(冲激干扰)与高斯噪声完全不同，它具有高振幅，但持续时间很短。它的经验振幅分布可以用对称的α稳定(sαs)分布准确表示。稳定分布由四个参数描述：特征指数α，
比例参数γ，位置参数λ和对称性参数β。对称的稳定分布中λ＝0,β＝0。
[0095][0096]
其中α是控制尾巴沉重的特征指数，γ比例参数(也称为色散)以与高斯分布中的方差相似的方式确定分布的扩展。当α＝2，γ为方差的一半。对于所有其他α值，稳定分布的方差是无限的。sαs分布的概率密度函数可通过特征函数计算：
[0097][0098]
imp在基带处生成，相互独立，在高斯混合模型下，冲激干扰模型具体表达式为：
[0099][0100]
其中cn()表示复高斯分布，p表示高斯混合模型的混合比，表示高斯噪声的能量，表示冲激噪声的能量。冲激干扰的参数设置为：p～u(0.001，0.01)，持续时间为200ms；
[0101]
pbpd(短时窄带干扰)既不能被当作脉冲噪声也不能被当作窄带干扰来对待。pbpd采用傅立叶级数表示基带波形，具体表达式为：
[0102][0103]
其中，b1表示短时窄带干扰的带宽，t1表示短时窄带干扰的持续时间，c
l
表示傅里叶级数的系数，在不失一般性的前提下，可假设且是偶数。短时窄带干扰的参数设置为：中心频率fc～u(11.5，13.5)khz，带宽b～u(1，3)khz，持续时间t
pbpd
～u(5，60)ms，干噪比inr～u(2，15)db。
[0104]
需要说明的是，具体实施过程中，还存在一个相似前导干扰模型建立及参数设置，sci(类似的前导信号)的通信设备也可以使用hfm或lfm信号，但参数不同。这些被表示为s
′
(t)。信道路径参数也不同，写作(a
′
p
，τ
′
p
)。相似干扰有以下形式
[0105][0106]
相似前导信号间的相关性较高，是水声干扰中最不易检测的。前导仿真器中可根据具体检测环境，涵盖多种相似前导干扰数据，主要涉及不同的调制类型，相关参数为：上下扫类型，中心频率，带宽和持续时间。
[0107]
进一步的，利用短时傅里叶变换将生成的时序信号数据转换成时频图像，具体实施过程中，由水声前导仿真器生成的数据为时间序列，需要进一步增强其时频特性以便提取前导信号特征进行检测。采用短时傅立叶变换(stft)方法对时间序列数据进行处理。考虑stft的离散情况，在实际系统中，等待唤醒时持续输入的数据是分块处理的。定义n
x
表示块长度，在时刻n，块内接收数据为x[n]＝[x[n-n
x
+1]，...，x[n]]
t
，为了便于计算过程中的
公式表达，将x[n]重新定义为y，是一个复数离散时间信号向量，即y为输入离散复信号的某一确定块的向量形式，该信号向量是根据给定的固定采样率fs通过等距采样获得的。
[0108]
w＝[w][0]，w[1]，...，w[n-1]]
t
∈cn×1是一个采样窗口函数。具体实施过程中，将窗功率标准化为||w||2＝1。长度参数n确定所考虑的部分的持续时间，相当于n/fs秒。引入了一个跃点大小参数h，h在样本中指定，并确定窗口在信号中移动的步长。关于这些参数，信号的离散stft由下式给出：
[0109][0110]
时频图像的二维数据表达式v(m，l)为：
[0111]
v(m，l)＝|χ(m，l)|2[0112]
其中，是复数离散时间信号向量，n
x
表示块长度，信号向量是根据给定的固定采样率fs通过等距采样获得，w＝[w[0]，w[1]，...，w[n-1]]
t
∈cn×1是采样窗口函数，n表示长度参数，h表示跃点大小参数，m∈[0:m]，表示最大帧索引，使得窗口的时间范围完全包含在信号的时间范围中，l∈[-l+1：l]，l＝n/2(假设n为偶数)表示对应于奈奎斯特频率的频率指数。复数χ(m，l)表示第m个时间帧的第l个傅立叶系数。每个这样的谱向量的计算相当于大小为n的dft。
[0113]
进一步的，对时频图像进行归一化预处理，将归一化预处理后的视频图像经过分类标记获得训练数据集，具体实施过程中，由于短时傅里叶变换生成的时频图像v(m，l)对噪声十分敏感，不利于后续的图像分类，且时频图分辨率过高，加重检测神经网络的运算负担。因此，提出了对时频图像进行图像预处理的方法。时频图二维数据v(m，l)中每一点的数据值v都存在到颜色图的映射关系，相近数值的v颜色区别不明显，而颜色图通常采用rgb色彩模式作为标准来分析。首先，将时频图像进行灰度化处理，其中rgb图像的灰度化公式如下：
[0114][0115]
其中r、g、b分别表示红、绿、蓝三个图像通道的颜色亮度，用整数0到255来表示；
[0116]
接着，将灰度化处理后的图像转换为双精度，上式中gary为8位无符号整数类型,表示范围为[0,255]。双精度化将图像的数据类型转换为double类型，通过归一化将输出像素值重新缩放到范围[0,1]。最后，通过线性映射进行灰度调整，对于像素值为[0，1]范围内的图像，设定[low_in；high_in]为原图像中要变换的灰度范围，[low_out；high_out]为变换后的灰度范围。灰度调整公式如下：
[0117]
[0118]
对于小于low_in的像素值以low_out的值进行线性映射，对于大于high_in的像素值以high_out值进行线性映射，通过上述图像处理可以有效去除图像中的一些多余信息，增强对图像中信息的辨别能力，减少图像中的信息冗余；
[0119]
压缩灰度调整后的时频图像分辨率，自动生成样本和标签，将样本保存到仿真器数据集中对应标签的文件下，具体实施过程中，将时频图像v(m，l)简化定义为xi，x1，x2，..，xn∈x即为前导仿真器生成训练集中的样本，y1，y2，..，yn∈y为对应的标签(信号或干扰类型名称)，将样本保存到仿真器数据集中对应标签的文件下。
[0120]
通过上述前导仿真器，实现了以下功能：
[0121]
a.建立了规格统一且类型多样的前导信号，信道及水下干扰模型，设定合适的水下环境参数，生成了大量的模拟水声数据。解决了真实可用水声数据集较少，样本规格不统一，类型不多样的问题。
[0122]
b.生成更多的类似前导干扰数据，强化了神经网络模型对于类似前导干扰的学习，极大加强了水下前导检测的抗干扰能力。
[0123]
c.对时频图像进行预处理操作，将rgb图像进行灰度化处理和灰度调整，压缩图像分辨率，减少噪声影响和信息冗余。解决了stft时频图像对噪声敏感，分辨率高的问题，便于后续神经网络进行特征提取和图像分类。
[0124]
基于本发明的实施例2
[0125]
本实施例基于实施例1中的步骤一得到的训练集继续实行步骤二：
[0126]
步骤二、利用训练集预训练深度神经网络模型，其中深度神经网络模型为mobilenet网络模型；
[0127]
具体实施过程中，mobilenet模型作为迁移学习前的过渡模型，需要具有一定的泛用性和低复杂度轻量级的mobilenet网络其轻量化在于深度可分离卷积，mobilenet模型整体框架如表1所示，整个网络由多个深度可分离的模块构成，而深度可分离模块又由逐深度卷积和逐点卷积构成。
[0128]
表1 mobilenet网络模型架构表
[0129][0130]
表1中含有dw的卷积层为逐深度卷积，无dw的卷积层为逐点卷积。相较于一般卷积
层，逐深度卷积将卷积核拆分成为单通道形式，在不改变输入特征图像的深度的情况下，对每一通道进行卷积操作，这样就得到了和输入特征图通道数一致的输出特征图。逐点卷积就是1
×
1卷积。主要作用就是对特征图进行升维和降维。
[0131]
进一步的，由于mobilenet网络模型仍需与前导仿真器生成的模拟数据匹配，对mobilenet网络模型中的输入层和全连接进行替换，具体包括：模型中的输入层设置为前导仿真器生成时频图像的尺寸，全连接层的分类器针对二分类任务使用sigmoid算法，针对多分类任务使用softmax算法。
[0132]
其中，sigmoid是一种二分类算法。在logistic回归中，训练集由m个标记样本{(x
(1)
，y
(1)
)，...，(x
(m)
，y
(m)
)}组成,由于目标主要是二分类问题，类标签y(i)∈{0，1}。使用参数z作为输入的sigmoid函数：
[0133][0134]
softmax回归模型是logistic回归模型在多分类问题上的扩展，其中类标签y(i)可以取两个以上的值。
[0135][0136]
其中zi是第i个节点的输出值，c为输出节点数，即分类的类别数。softmax函数可以将多个分类的输出值转换为[0,1]范围内的概率分布，并使概率之和为1。
[0137]
mobilenet模型的预训练方法具体实施过程为：mobilenet模型网络可以表示为
[0138]
yi＝g(φ(xi；θ)；w
[0139]
其中特征提取器为φ：x
→
z，参数为θ，分类器为g：z
→
y，参数为w，x及f(x)为样本及对应标签，目标是同时学习φ和g，使得前导仿真器生成的对应xi和yi满足公式yi。在学习过程中，采用小批量梯度下降法对整体模型进行训练，将数据集x分为多个批次，批次的样本量远小于数据集的样本量，一批数据中的一组数据共同决定了梯度的方向，并根据批次更新参数θ和w。实施例中网络模型训练的优化器设置参数如下：学习率为0.08，学习率衰减值为1e-6。为了加速收敛，实施例中采用nesterov动量更新。
[0140]
mobilenet模型作为轻量级的网络，运算量远小于一般神经网络，贴合水声通信中前导检测的实际需求。mobilenet模型在经过前导仿真器数据预训练后，模型已具备了提取水声数据特征的能力，在无真实数据(仅使用仿真数据集)情况下，已经具备了良好的前导检测能力。该模型当作为后续迁移学习起点时，具有更合理的初始化参数，能够加速后续学习的收敛速度。
[0141]
基于本发明的实施例3
[0142]
本实施例基于实施例1-2中的步骤一、步骤二后继续实行步骤三：
[0143]
步骤三、利用少量真实试验获取的水声前导数据，对预训练好的mobilenet网络模型进行迁移学习，将模型的部分参数进行优化训练，使模型适用于对应的水声前导检测任务。
[0144]
具体包括：
[0145]
用x1′
，x2′
，...，xm′
∈x
′
表示真实前导数据样本，y1′
，y2′
，...，ym′
∈y
′
表示真实前导数据样本对应的标签，实施例2中公式yi的预训练好的mobilenet网络模型可表示为：
[0146]
yi＝f(xi；μ)
[0147]
其中μ表示mobilenet模型参数，mobilenet模型为f：x
→
y，此时的μ已具备了提取水声数据特征的能力。
[0148]
以mobilenet网络模型中某一层为分界层将参数μ分为μ
l
和μh，mobilenet模型表示为
[0149]
yi＝f(xi；μ
l
，μh)
[0150]
其中μ
l
和μh分别表示分界层以上的参数集合和分界层以下的参数集合，由mobilenet模型特性可知，μ
l
提取浅层基础特征，μh提取深层抽象特征。
[0151]
基于mobilenet模型的迁移学习公式如下：
[0152]y′i＝f(xi′
；μh′
)
[0153]
通过冻结μ
l
，只对μh进行基于少量真实数据集下的重新训练，迁移学习后的mobilenet模型即可用于真实水声数据的前导检测任务。
[0154]
具体实施过程中，如表1所示，建议微调设置的层在avepool层附近，可根据真实水声数据与仿真器数据的相关性进行上下偏移，当相关性较差，建议微调层向上偏移，即增加可训练参数μh数量，反之向下偏移。迁移学习过程中，建议使用较小的学习率来训练网络。由于预训练模型的参数经过前导仿真器训练后，具有一定的合理性，所以无需太快地更新参数，可以将迁移学习的初始学习率调至整个模型预训练时初始学习率的1/10。
[0155]
迁移学习利用前导仿真器数据与真实水声数据的相关性，大幅减少了网络模型需要训练的参数量和对真实水声数据的需求，只需在预训练模型基础上就能实现不同前导检测任务的快速切换，较好解决了前导检测方法中神经网络可移植性较差的问题。
[0156]
基于本发明的实施例4
[0157]
以下，参照图3来描述根据本公开实施例1-实施例3的与图1、图2所示的方法对应的装置，一种基于前导仿真器的水声前导信号检测装置，所述装置300包括训练集获取模块301，用于利用前导仿真器仿真出前导数据及干扰数据，通过时频变换将前导数据和干扰数据生成时频图像，并对生成的时频图像进行预处理最终得到训练集；深度神经网络模型预训练模块302，用于利用训练集预训练深度神经网络模型，其中深度神经网络模型为mobilenet网络模型；深度神经网络模型迁移学习模块303，用于利用少量真实试验获取的水声前导数据，对预训练好的mobilenet网络模型进行迁移学习，将模型的部分参数进行优化训练，使模型适用于对应的水声前导检测任务。除了上述3个模块以外，装置300还可以包括其他部件，然而，由于这些部件与本公开实施例的内容无关，因此在这里省略其图示和描述。
[0158]
一种基于前导仿真器的水声前导信号检测装置300的具体工作过程参照上述一种基于前导仿真器的水声前导信号检测方法实施例1-实施例3的描述，不再赘述。
[0159]
基于本发明的实施例5
[0160]
本发明实施例也可以被实现为计算机可读存储介质。根据实施例5的计算机可读存储介质上存储有计算机可读指令。当所述计算机可读指令由处理器运行时，可以执行参照以上附图描述的根据本发明实施例1-实施例3的基于前导仿真器的水声前导信号检测方法。
[0161]
综合上述各实施例提供的一种基于前导仿真器的水声前导信号检测方法及装置，
主要面向水声通信前导检测过程中一般训练数据集不足，检测任务多样性问题，通过前导仿真器建立的模拟水声数据集，解决了真实可用水声数据集较少，样本规格不统一，类型不多样的问题；通过前导仿真器的图像预处理步骤，解决了stft时频图像对噪声敏感，分辨率较高的问题；通过前导仿真器生成模拟水声前导数据用于预先训练mobilenet神经网络模型，解决了一般网络不具备合理初始化参数，易过拟合的问题；并通过迁移学习帮助预训练模型快速更新水声前导检测任务；基于迁移学习改进了前导检测中神经网络的学习方法，改善了前导检测中神经网络的可移植性。该检测方法具体优点如下：用于训练的真实水声数据需求少：利用前导仿真器数据与真实水声数据的高度相关性，真实水声数据只需训练模型中少量关键层，大幅减少了对真实水声数据的需求；模型可移植性好：前导仿真器生成的模拟水声数据数量丰富且类型多样，泛用性和鲁棒性能较好，适用于多数水声通信场景；训练收敛快，检测效果好：预训练的网络模型具有更合理的初始化参数，可以有效缩小训练范围和训练参数数量，加速训练效率；可切换不同检测任务：当出现新的前导检测任务时，通过迁移学习，选择性的对预训练模型进行参数优化调整，可以帮助预训练模型快速适应新的前导检测任务；通过数据验证，本发明的基于前导仿真器的水声前导信号检测方法及装置较现有方法有较低的信号检测误差，较少的数据限制和较低的复杂度，更贴合复杂多变的水声环境和前导检测任务。
[0162]
在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的步骤、方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种步骤、方法所固有的要素。
[0163]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。