[发明专利]基于舰船辐射噪声时域特征的水声目标识别方法

说明书

技术领域

本发明属于水声技术领域，特别地涉及一种基于舰船辐射噪声时域特征的水声目标识别方法。

背景技术

水声自动目标识别技术可以提供目标船只的属性和类别等信息，是现代声纳系统的一个重要组成部分，也是实现其他水下装备系统智能化的关键技术。

舰船辐射噪声是指由舰船上机械运转和舰船运动产生并辐射到水中的噪声，它主要由机械噪声、水动力噪声以及螺旋桨噪声组成，包含了丰富的目标物理信息。其中机械噪声是船舶航行的主机、推进装置以及辅机等机械在运动过程中引起船体振动并向海洋中辐射的噪声声波，螺旋桨噪声是螺旋桨在水中工作所产生的噪声，水动力噪声是航行舰船和海水作用所产生的噪声。同类舰船噪声具有一定的相关性，而不同类型的舰船噪声存在差异。这一特性，被广泛应用于水声自动目标识别技术中。

目前国内外有许多机构都开展了水声自动目标识别技术的研究，这些研究在特征提取和分类器设计等方面各不相同。LI Xungao、FENG Xinxin和GE Yi2005年在Chinese Journal of Acoustics上发表的Dynamic recognition from ship-radiated noise文章从舰船辐射噪声数据中提取一系列包络谱特征，利用基于多级模糊识别系统的动态识别法对三类舰船目标分类识别。柳革命、孙超和杨益新2009年在西北工业大学学报上发表的两种倒谱特征提取技术在水声目标识别中的应用，文中从舰船辐射噪声数据中提取倒谱特征，进而通过神经网络对舰船目标进行识别。张岩和尹力2009年在应用声学上发表了主成分分析在舰船辐射噪声分类识别中的应用，文中提取了舰船辐射噪声数据的功率谱特征，利用主成分分析法对舰船目标的功率谱特征进行降维，进而通过聚类分析的方法对舰船目标分类。

上述这些方法的共同缺点如下：

(1)只研究了各次舰船辐射噪声之间的关系，而忽略了数据内各单元之间存在的依赖性，当识别目标增多的时候，识别性能下降较快；

(2)没有考虑同一目标在不同观测角度下发声体相对位置和遮挡情况的不同所造成的辐射噪声数据差异，对一个舰船目标只建立了一个模型，模型较为粗糙，识别性能不佳；

(3)没有考虑可用于训练的样本数较少情况下模型的识别性能，当用于训练的样本数比较少的时候，识别性能大大下降；

(4)存在手动模型选择问题，即通过人工确定模型的参数集大小，而参数集大小给定的正确与否决定了最终的识别性能。当数据较多时，很难确定正确的参数集大小导致识别性能不佳。

故，针对目前现有技术中存在的上述缺陷，实有必要进行研究，以提供一种方案，解决现有技术中存在的缺陷，避免造成识别目标增多和噪声增多时识别性能下降的问题。

发明内容

为解决上述问题，本发明的目的在于提供一种基于舰船辐射噪声时域特征的水声目标识别方法，以通过对舰船训练辐射噪声数据进行角域分帧处理，将训练数据进行角域分帧，然后按照每个舰船目标的不同角域，沿舰船辐射噪声信号的时间维建立一组多任务截断stick-breaking先验隐马尔可夫模型，提高水声目标识别的性能。

为实现上述目的，本发明的技术方案为：

一种基于舰船辐射噪声时域特征的水声目标识别方法，包括以下步骤：

步骤1，对用于训练的舰船目标辐射噪声数据进行角域分帧，按照30度的角域，等角域间隔划分360度全角域，一个目标共计分为12帧；

步骤2，对预处理后的舰船训练目标辐射噪声数据和舰船测试目标噪声数据取能量归一化得到它们的时域特征；

步骤3，对舰船训练目标辐射噪声数据每一帧的时域特征沿时间维训练多任务截断stick-breaking先验隐马尔可夫模型，进而确定舰船训练目标辐射噪声数据每一帧的多任务截断stick-breaking先验隐马尔可夫模型的参数；

步骤4，根据确定的舰船辐射噪声数据每一帧的多任务截断stick-breaking先验隐马尔可夫模型的参数计算测试舰船目标辐射噪声数据与训练舰船目标辐射噪声数据的每一帧对应的多任务截断stick-breaking先验隐马尔可夫模型的条件似然函数值；

步骤5，将最大条件似然函数值对应舰船训练目标辐射噪声数据那一帧的类别属性作为舰船测试目标辐射噪声数据的类别属性。

优选地，步骤2进一步包括以下步骤：

(2a)舰船训练目标辐射噪声数据的时域特征归一化

将舰船训练目标辐射噪声的每一个数据分别除以它们自身的范数，完成对舰船训练目标辐射噪声数据能量的归一化；