[发明专利]基于多网络融合的水下目标识别方法

权利要求书

1.基于多网络融合的水下目标识别方法，其特征在于，包括以下步骤：

(1)设计基础网络架构的步骤：所述基础网络架构由三个基础分类器组成，包括1-DCNN模型、2-D CNN模型、双向LSTM模型；

(2)数据获取与数据预处理的步骤；

(3)特征提取的步骤：对预处理后数据构建特征表示，包括生成lofar谱图和MFCC特征；

(4)模型训练的步骤：将构建好的特征表示送入各自对应的基础网络中进行训练，其中，1-D CNN模型以原始信号直接作为输入，不做特征提取，2-D CNN模型以Lofar谱图作为输入，双向LSTM模型以MFCC特征作为输入；

(5)输出分类结果：采用加权融合的策略，为三个基础网络设置三个可学习参数，最后将三个基础网络中Softmax函数的输出结果按照从网络中学习到参数进行分数融合，并选取预测概率最大的类别为最后的预测结果，可以有效避免因某一个分类器出现极值而导致的分类错误。

2.根据权利要求1所述的基于多网络融合的水下目标识别方法，其特征在于，步骤(3)特征提取时，对信号加窗分帧后再进行短时傅里叶变换，得出在不同时刻下功率谱，生成lofar谱图，具体步骤为：

1)分帧处理：将信号的采样序列分成W帧，每帧含有T个采样点，短帧之间重叠40％。

2)归一化和中心化：首先对每帧的信号样本S_w(i)进行归一化处理，将输入信号的数据范围保持在[0,1]范围内；然后再作中心化处理，使样本的均值为0；

3)短时傅里叶变换：最后对每帧信号进行短时傅里叶变换，并照时间顺序排列在坐标系中，即可得到Lofar谱图。

3.根据权利要求1所述的基于多网络融合的水下目标识别方法，其特征在于，步骤(3)特征提取时，提取MFCC特征的步骤为：

1)离散傅里叶变换：对输入的音频信号进行离散傅里叶变化DFT，即可获得其对应的线性频谱分布X_a(s)，公式如下：

其中，f(n)为输入的音频信号，N为傅里叶变换的点数，e^-2jπn/N为复变函数，起到频限作用；

2)Mel滤波器组：将所得到的线性频谱分布X_a(s)通过设计好的Mel滤波器组H_m(s)进行滤波以得到Mel频谱，考虑到噪声产生的误差影响，进行取对数操作,其具体公式如下：

其中，H_m(s)是滤波器组，P(m)是对数能量,M为滤波器个数；

3)采用离散余弦变换：经过离散余弦变换即可得到MFCC系数，其表达式如下：

其中，C(n)为MFCC系数，L是MFCC系数阶数。

4.根据权利要求3所述的基于多网络融合的水下目标识别方法，其特征在于：所述MFCC特征在频率坐标轴进行滤波处理；在获得M个MFCC系数后，得到矩阵A，矩阵的行表示帧数，列表示一帧下的倒谱系数；每帧下按照MFCC系数阶数从小到大排列，计算每一列所有元素的标准差，然后矩阵中每个元素减去所在列的标准差，每一行中取差值最小的两个所对应的倒谱系数为所需的倒谱系数，并作为最终的训练样本，输入双向LSTM模型进行训练。