[发明专利]基于螺旋桨辐射噪声的船舶分类识别方法

权利要求书

1.一种基于螺旋桨辐射噪声的船舶分类识别方法，其特征在于，包含以下步骤：

步骤一：将收集到的螺旋桨辐射噪声信号进行增强处理，以减少其他噪声的干扰，增强辐射噪声信号的被动识别能力；具体包括以下步骤：

(1)将带噪声的螺旋桨辐射噪声时域信号转换到频域，计算其功率谱，并利用噪声估计算法得到螺旋桨辐射噪声的功率谱；

(2)利用带噪的螺旋桨辐射信号的功率谱与噪声功率谱相减，从而得到只含有螺旋桨辐射噪声信号的功率谱，并对其开方，从而得到增强后的螺旋桨辐射信号的谱估计；

(3)最后直接提取螺旋桨辐射噪声带噪信号的相位，恢复其相位，并采用傅里叶变换恢复时域信号，得到增强后的螺旋桨辐射噪声；设带噪的螺旋桨辐射噪声信号为x(n)，螺旋桨辐射噪声信号为s(n)，噪声信号为n(n)，且为平稳加性高斯白噪声，x(n)和n(n)是统计独立的、零均值，它满足：

x(n)＝s(n)+n(n) (1)

其中，n代表采样的时间标号，且1≤n≤K，K为信号帧长，帧号为l，总帧为L，且l＝1,...,L；

设x(n)的傅里叶变换为X_k＝|X_k|exp(jθ_k)、纯净的桨叶噪声为S_k＝|S_k|exp(jα_k)、噪声n(n)的傅里叶变换为N_k，并假设各个傅里叶系数之间互不相关，由式(1)可得到带噪声的螺旋桨噪声功率谱为：

|X_k|²＝|S_k|²+|N_k|²+S_k^*N_k+S_kN_k^* (2)

由于s(n)和x(n)相互独立，N_k是均值为零的高斯分布，对式(2)求数字期望后变为：

E||X_k|²|＝E||S_k|²|+E||N_k|²| (3)

由于对一个信号进行分析的前提是进行加窗处理，所以对于螺旋桨辐射噪声信号的帧内平稳信号可以表示为：

上式中，为无辐射噪声时|N_k|²平均统计量，根据去除噪声的功率谱，所得到纯净的螺旋桨辐射噪声功率谱再结合(4)可得：

这就得到了最终的增强后的螺旋桨辐射噪声信号的幅度然后经过相位处理，在经过傅里叶反变换，最后把短时分析帧的螺旋桨辐射噪声经过叠接相加法综合就得到了所需要增强的螺旋桨辐射噪声信号；

步骤二：采用改进的MFCC对增强后的辐射噪声进行特征提取；具体包括以下步骤：

(1)螺旋桨辐射噪声信号经过增强处理，得到增强后的辐射噪声信号

(2)在增强处理后的信号中加入EMD分解，得到多个IMF分量；

(3)对每个IMF分量做FFT变换，送入到Mel滤波器组计算其能量谱；

(4)对能量谱取对数能量后经过DCT得到静态MFCC；

(5)静态MFCC通过差分变换得到动态MFCC；

(6)静态MFCC与动态MFCC结合得到改进的MFCC；

步骤(2)EMD分解包括以下步骤：

1)首先确定螺旋桨辐射噪声信号x(n)中的局部最大值和最小值点；

2)采用三次样条插值法拟合上下包络线；

3)求各包络线均值m(n)，并计算其差h(n)＝x(n)-m(n)；

4)判断IMF是否满足上述两个条件，如符合，输出分量h(n)，不符合则将差值h(n)作为输入，重复步骤2)-4)，直到获取所有IMF分量并输出；

步骤三：将提取到的特征矩阵送入到基于注意力机制的全序列深度卷积神经网络进行船舶分类识别；首先引入一个注意力机制模块SE-Net模块，实现对重点信息的关注而忽略无关信息；具体包含以下步骤：

(1)其中卷积层实现对音频特征的进一步提取，利用卷积核对输入的特征矩阵进行卷积运算，获取特征中的深层信息，实现特征的选择；

(2)经过卷积层处理后的特征矩阵进入池化层，池化层能够实现特征降维，将卷积得到的特征点进行整合，压缩数据，实现信息过滤；

(3)卷积池化后的特征信息输入到SE-Net模块，增强重要特征的学习，得到更具代表性的特征信息；

(4)将步骤(3)的特征矩阵送入到全连接层，连接经过处理后的所有特征，通过Softmax函数得到最终的输出，实现船舶的分类；

SE-Net模块中，主要分成三步：用于全局信息嵌入的Squeeze部分、负责自适应重新校准的Excitation部分和将权重融合进原特征层的Scale层，具体如下：

1)首先根据空间维度进行特征压缩，将每个二维的特征通道变成一个实数，这个实数则携带着全局的信息，并且输出和输入的维度相匹配；所述实数表征着在特征通道上相应的全局分布，而且使得靠近输入的层也可以获得全局信息，此部分的操作由全局平均池化操作完成，公式如下：

其中u_c表示U中第c个二维矩阵，下表c表示其中的通道；

2)Excitation操作，包括两个全连接层和Sigmoid激活函数；Excitation操作的公式如下：

s＝F_ex(z,W)＝σ(g(z,W))＝σ(W₂δ(W₁z)) (7)

其中z为Squeeze操作获得的全局描述，δ表示ReLU函数，保证输出为正，W₁,W₂为两个全连接层，r为缩放参数，主要用于减轻网络的计算复杂度和参数量；

3)融合操作，经过上述Excitation操作之后，就获得了输入特征图U的各个通道的权重，然后将权重和原始的特征融合，公式如下：