[发明专利]一种水下目标分类方法

说明书

本发明提出一种水下目标分类方法，包括：将声呐阵列接收的信号转换成数字信号；对数字信号首先进行预处理，然后计算每个声呐与其他声呐之间的互相关系数并求和，将互相关系数和最大的声呐信号作为参考信号；计算每个声呐相对于参考信号的时间延迟；利用通道的互相关系数和前后帧的相关性对每个通道的权重进行自适应，最终得到经过增强后的信号。将信号进行分帧后进行滤波，对每个滤波器内信号能量求和并取对数作为这一帧信号的特征。将特征作为一个时延神经网络的输入，输出为这一帧信号对应的每个目标类型的概率，基于此规则训练出一个多目标分类器。发明利用深度神经网络强大的非线性表征能力，有效地利用目标的特征对其进行区分。

技术领域

本发明涉及水下目标分类方法，基于训练出的一个多目标分类器对未知的信号进行测试和分类。

背景技术

水下目标识别技术是根据声呐阵列接收到的舰船的辐射噪声信号，对目标的类型进行判别。

由于水声信号的复杂性和不稳定性，很难对水声信道的先验数学知识进行描述,传统的分类方法如支持向量机、决策树等不能对信号和信道进行很好的表征，无法有效的区分水下目标。

发明内容

本发明针对现有技术无法有效的区分水下目标,提出了一种水下目标分类方法，利用深度神经网络强大的非线性表征能力，有效地利用目标的特征对其进行区分,实现鲁棒的分类效果。

本发明提供的一种水下目标分类方法，包括以下步骤：

步骤101：将通过声呐阵列接收的声源信号转换成数字信号；

步骤102：对步骤101得到的数字信号进行补零、加窗预处理；

步骤103：计算每一个声呐与其他所有的声呐的互相关系数的和，将最大的互相关系数的和信号作为参考信号；

步骤104：计算每个信号与参考信号的广义交叉相关-相位变换，对得到的值做极大似然估计，得到每个声呐相对于参考信号的时间延迟；

步骤105：找出每个通道的两个最佳的时延，然后通过最大化时间状态之间的概率值在时间序列上进行维特比解码，使得时延变化更小的信号能有更大的临时权重；

步骤106：信号利用通道的互相关系数和前后帧的相关性进行自适应，最终得到经过增强后的信号；

步骤107：将步骤106生成的信号进行分帧，对每一帧信号做傅里叶变换，用三角滤波器组对每帧信号进行滤波，将每个滤波器内信号能量求和取对数作为这一帧信号的特征；

步骤108：将步骤107得到的特征作为一个时延神经网络的输入，网络的输出为这一帧信号对应的每个目标类型的概率，通过迭代不断最小化实际输出与期望输出的交叉熵，基于此训练出一个多目标分类器。

进一步，在所述步骤102中，对所述的数字信号进行预处理包括：对每一帧数字信号先补零到N点，N＝2ⁱ，i为正整数且i≥8；然后对每一帧数字信号进行加窗或是预加重，加窗函数采用汉明窗(hamming)或哈宁窗(hanning)。

进一步，所述步骤103中包括：

计算声呐i相对于其他声呐的互相关系数和，

其中，M是声呐的数量，K是指为计算便利，将信号分成K块，xcorr[i，j；k]是指信号i与信号j在第k块的互相关系数。

进一步，所述步骤104中包括：

信号x_i(n)和参考x_ref(n)的广义交叉相关-相位变换函数为：