[发明专利]一种多特征融合的水下目标识别方法

说明书

本发明公开了一种多特征融合的水下目标识别方法，包括如下步骤：(1)数据预处理：(2)特征提取：将处理后的数据在时域方面进行短时能量特征提取，在频域方面，首先用EMD方法将处理后的数据进行分解，得到多个IMF分量，然后对得到的每个IMF分量进行GFCC特征提取；(3)特征融合：采用首尾相接的方式将两种音频信号特征向量进行组合，形成融合特征向量；(4)模型搭建：引入加权投票机制搭建CNN‑LSTM集成时序网络模型；(5)目标识别：将融合特征向量作为CNN‑LSTM集成时序网络的输入向量，选择最大值对应的类别为最终的目标识别分类结果。本发明所公开的方法提高了水下目标的识别精度和准确率。

技术领域

本发明涉及一种水下目标识别方法，特别涉及一种多特征融合的水下目标识别方法。

背景技术

随着海洋声呐技术的发展，水下目标识别已经成为水声探测领域最重要的技术之一，被越来越多的应用于海洋生物调查、水雷和潜水器的检测和识别等科学活动。近年来，各式各样具有高灵敏度的声呐系统方案层出不穷，探测和定位的距离和精度都有了大幅度的提升。被动声呐系统是利用目标的辐射噪声进行检测识别的，在发现目标的同时可以保持自身的隐蔽性，基于水声目标辐射噪声的目标识别技术是被动声呐研究中的关键环节。随着深度学习的发展，基于大数据的深度学习框架在语音识别、文本翻译等很多领域都取得了辉煌的成果，并且相比传统的机器学习方法有明显提升。因此，基于深度学习方法进行深层特征挖掘和提取，建立更稳健、更智能、自动化程度更高的目标识别模型，成为了水下目标识别技术发展的新方向。

为了提升水下目标检测的精度和效率，各国采用的声呐目标特征提取的方法也在不断更新。现有的研究手段是将水声信号预处理后进行单一的一种特征提取。比如线性预测编码、梅尔倒谱系数等。分类识别模型主要是广泛应用的经典机器学习方法，如浅层祌经网络分类器、聚类、K近邻、支持向量机以及马尔科夫链模型等。

由于水下环境复杂多变以及辐射源结构的差异，使得不同目标的辐射噪声差异明显，单一的特征向量很难准确全面地表示原始信号特征，会使部分重要特征丢失，造成识别不准确。如何快速而又准确的提取出能够有效表征语音信号特性的特征参数从而实现分类识别，是水声目标的识别精度的关键。潜艇的低噪发展趋势，对水下目标识别能力提出了更高的要求。在这一趋势下，一些经典的目标识别算法的性能已难以达到现代海战的要求，提高水下目标识别的准确度已经成为亟需解决的问题。

发明内容

为解决上述技术问题，本发明提供了一种多特征融合的水下目标识别方法，从信号时域和频域两个不同的角度获取声音信号，可以全方位的表示水下音频特征，并采用加权投票方法集成适用于时序数据建模的CNN和LSTM集成网络，将提取的特征序列输入到网络中进行识别分类，从而提高水声目标的识别精度。

为达到上述目的，本发明的技术方案如下：

一种多特征融合的水下目标识别方法，包括如下步骤：

(1)数据预处理：对采集到的水声信号数据进行min-max标准化处理，将结果值映射到[0-1]之间；

(2)特征提取：将处理后的数据在时域方面进行短时能量特征提取，在频域方面，首先用EMD方法将处理后的数据进行分解，得到多个IMF分量，然后对得到的每个IMF分量进行GFCC特征提取；

(3)特征融合：首先采用相同的分帧方式提取短时能量特征和GFCC特征，之后采用首尾相接的方式将两种音频信号特征向量进行组合，形成融合特征向量；

(4)模型搭建：引入加权投票机制搭建CNN-LSTM集成时序网络模型，所述模型包括CNN子分类器和LSTM子分类器；