[发明专利]基于螺旋桨辐射噪声的船舶分类识别方法

说明书

本发明提出了一种基于螺旋桨辐射噪声的船舶分类识别方法，包括3个步骤。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。步骤二：采用改进的MFCC对增强后的辐射噪声进行特征提取。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。通过对螺旋桨辐射噪声进行增强，可以减少其他噪声的干扰，以增强螺旋桨辐射信号的被动识别能力。改进的MFCC能够生成多个本征模函数，在特征提取方面有着更好的效果，有助于提高识别率。采用卷积神经网络分类的方法，使网络充分关注重点信息，从而降低分类误差，提高整个系统的识别准确率。

技术领域

本发明涉及船舶目标识别，更具体地，具体涉及基于螺旋桨辐射噪声的船舶分类识别方法。

背景技术

“海洋强国”战略的提出，为我们海洋发展指明了前进方向，加强船舶识别是一个具有军事价值和经济价值的研究方向。在船舶识别方面，应用范围最广、影响最大的船舶自动识别系统(Automatic Identification System，AIS)，AIS极大地减少了海洋事故的发生。但AIS有时很难全方位地分析是否本船具有威胁，另外AIS只能处理共享目标，潜在目标不能实现信息的互联互通。在大洋上的各种目标识别中，水声信号一直是研究的重点，而船舶的螺旋桨辐射噪声包含了丰富的船舶目标信息，在船舶目标的分类识别中发挥着重要作用。基于螺旋桨辐射噪声的船舶目标识别的过程大体包括：(1)噪声数据的获取与处理；(2)特征提取；(3)分类器的设计与识别。随着硬件探测设备的升级，关于螺旋桨辐射噪声的收集已经基本得到解决，但对于特征提取以及分类方法还处于研究阶段。传统的方法主要是提取螺旋桨辐射噪声的特征后，将其送入到SVM等分类器进行分类识别，在早期能够实现较好的效果。但随着需求的不断提高，传统的方法开始出现识别率和可靠性不高的情况，主要原因如下：

1.由于海洋环境的复杂性和水声传播通道的特殊性，收集的辐射噪声中仍存在很多其他干扰噪声；

2.传统的特征提取方法无法将螺旋桨噪声信号有效地提取，因此在分类识别方面不能达到良好的效果；

3.传统的分类器存在很多局限性，在分类精度方面无法达到理想的效果。

随着深度学习的发展，各国学者将神经网络运用到船舶分类识别领域，通过采集螺旋桨辐射的噪声信号，对信号进行处理后利用前馈神经网络进行识别。这类方法识别率有所提升，但仍然存在鲁棒性不强的缺陷，需要进一步研究。

发明内容

本发明的目的在于克服以上缺点，提供一种多基于螺旋桨辐射噪声的船舶分类识别方法。本发明通过以下技术方案来达成以上目的：

1、提出一种对螺旋桨辐射噪声进行增强的预处理方法。螺旋桨辐射噪声信号利用水听器进行采集，存在很多无关的噪声。本发明采用谱减法(Spectral Subtraction,SS)对信号增强，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，可以有效的提高了船舶的识别率。

2、提出一种新的特征提取方式——EMD-MFCC。传统的梅尔频率倒谱系数法(Mel-Frequency Cepstral Coefficients,MFCC)在处理音频信号时具有单一性，可能会导致部分信息有所损失，影响最终的分类准确性。本发明采用EMD分解对传统的MFCC进行改进，得到多个本征模函数(IMF)，然后分别对螺旋桨辐射噪声进行特征提取，结合卷积神经网络实现船舶种类的识别。

3、提出一种基于注意力机制的深度全序列卷积神经网络。深度全序列卷积神经网络(Deep Fully Convolutional Neural Network，DFCNN)是一种性能优秀的声音识别框架，使用大量的卷积层直接对声音信号进行建模，更好地表达了声音的长时相关性。本发明在该网络中引入注意力机制模块，使网络能够忽略无关或者作用小的特征而更多地关注重点特征，从而加强整个系统对船舶的分类识别能力。具体地，本发明详细的技术方案如下：