[发明专利]基于微多普勒特征的水下目标识别方法

说明书

本发明提出一种基于微多普勒特征的水下目标识别方法，主要包括水下目标回波高分辨率微多普勒时频图的获取、采用深度卷积生成对抗网络对时频图样本进行数据增强、选择深度神经网络对样本数据集进行学习、通过计算机仿真生成水下目标的声纳回波信号对所提出的方法进行评估，验证其在水下目标识别中的有效性。本发明通过基于压缩感知的高分辨率时频分析，提高时频图的分辨率，能够更有效地提取出水下目标的微多普勒特征，并对时频图样本进行数据增强后用于神经网络的训练，实现对水下目标识别的目的。

技术领域

本发明属于水声探测领域，具体涉及一种基于微多普勒特征的水下目标识别方法。

背景技术

美国海军研究实验室(Navy Research Laboratory)的Victor C.Chen最早将微动和微多普勒的概念引入到雷达观测领域，开创了基于微多普勒特征的雷达目标检测识别新领域。通常，目标除质心平动以外的振动、转动等都称为微动，它作为运动目标的一种固有特性而普遍存在，例如弹道导弹中段的进动、直升机旋翼的转动、履带式车辆轮子滚动等。微动会使得雷达信号的多普勒频移上产生额外的频率调制，被称为微多普勒效应，它与目标本身的微动直接相关，且不容易被模拟，因此可以用于对目标的精细特征识别。目前，经过无数科研工作者的多年研究，雷达领域中已经形成了一套较完善的微多普勒理论分析体系，并且在飞行器分类、人体行走和鸟类飞行姿态识别等领域中已经发展到实际应用阶段。

电磁波在水中穿透能力有限、频率高且衰减快，而低频的声信号具有良好的传播特性，所以声信号是在水中进行探测识别的重要手段。然而，在水下环境中，目前还没有基于声纳回波信号的微多普勒目标识别技术，声纳回波信号与雷达信号相比，其信噪比和频率分辨率都比较低，同时考虑到水下目标的微多普勒扩展微小，这大大增加了检测水下微多普勒特征的难度，使得目前在雷达上行之有效的分析体系，在声纳上并不适用。

基于微多普勒目标识别的核心包括微多普勒特征时频分析方法和分类算法的选择。目前雷达上使用的微多普勒特征时频分析方法在对声纳回波这种信噪比低，微多普勒特征扩展微小的信号进行处理时，效果并不理想，只有高精度地分辨微多普勒频移，才能有效地提取声纳回波中的微多普勒特征，为后续的目标识别提供前提条件。

在分类算法方面，传统机器学习非常依赖于特征提取工程(FeatureEngineering)，特征选取的好坏直接决定了目标分类识别的成败。微多普勒的特征提取通常是基于其时频谱图，从图像中选取反映目标运动相关的物理特征，例如微多普勒频移带宽、周期等，或者采用信号变换的特征。然而，特征提取工程十分依赖研究者自身的专业知识和经验，往往需要大量试错，才能实践出可靠有效的目标特征。由于水下目标多个部位的不同运动产生的叠加，目标微多普勒特征复杂多变，加大了手工特征提取的难度。相较于传统机器学习算法，深度神经网络模型可以直接以高维数据作为输入，利用多层神经网络自动提取出目标特征，并以此进行分类识别。然而，在水下环境中，目标样本的收集成本高且难度大，尤其是针对非合作目标，样本数量不是很多，这极大地限制了用微多普勒时频图训练深度学习模型的效果，因此如何对微多普勒时频图数据样本进行数据增强，具有很高的研究价值。

发明内容

声纳回波信号信噪比和频率分辨率都比较低，同时考虑到水下目标的微多普勒扩展微小，传统的时频分析方法在对水下目标回波进行处理时，均存在各自的问题，比如短时傅里叶变换(Short-Time Fourier Transform，STFT)存在时频图分辨率差问题，Wigner-Ville分布(Wigner-Ville Distribution，WVD)存在交叉项干扰问题，加窗的平滑伪Wigner-Ville分布(Smoothed Pseudo Wigner-Ville Distribution,SPWVD)不能完全解决交叉项干扰且时频图分辨率下降等问题。