[发明专利]一种水声脉冲信号的检测识别方法

权利要求书

1.一种水声脉冲信号的检测识别方法，其特征在于，包括以下步骤：

（1）将水听器采集的水声音频数据进行短时傅里叶变换，得到二维矩阵，经预处理后获得固定大小的水声数据时频图像；具体包括：

（1.1）时频变换：

采集到的水声音频数据包含未知脉冲信号与噪声，利用短时傅里叶变换将其转换为二维矩阵，用于表征音频数据中不同时刻在各个频段上的能量分布情况；

（1.2）颜色映射：

将二维矩阵通过取模和对数映射的方式映射至任意的色彩空间中，将二维矩阵转换为时频图像；颜色映射后，时频图像中的能量分布具有更为明显的特征；

（1.3）图像的裁剪和拉伸：

通过裁剪去除时频图像中频率大于二分之一采样率的部分，并将剩余部分拉伸至固定长宽比；该长宽比与目标检测模型的输入长宽比保持一致；

（2）将水声数据时频图像输入目标检测模型进行训练，得到深度学习信号检测识别模型；具体包括：

（2.1）选定目标检测模型：

结合综合应用场景和实际任务需求，在现有卷积神经网络模型中选取能满足计算速度和检测精度要求的作为目标检测模型；然后根据模型的检测原理对卷积神经网络的感受野进行稀疏化处理，并利用随机丢弃方法增强模型的泛化能力；

（2.2）确定超参数：

通过手动调整或搜索方式确定选定目标检测模型的超参数；

超参数具体包括：主干网络类型、学习率、学习率衰减规则、小批量尺寸、训练代次上限，以及特征图数量和锚框长宽比候选值；

（2.3）划分数据集：

利用已知信号的音频数据建立数据集，利用该数据集对目标检测模型进行训练；总数据集是带有标注的时频图像的集合，将带有标注的数据随机划分为训练集、验证集和测试集；其中，训练集和验证集用于对模型进行训练和调参，测试集用于对训练好的模型进行评估；

（2.4）训练和调参：

使用交叉验证的方法对目标检测模型进行训练以及调参；

先将训练集中相对较小批次的时频图像输入目标检测模型进行预测，并将预测结果与事先标注的真实结果进行比较，计算得到损失值；然后根据损失值反向传播，利用Adam优化方法对模型的超参数进行一次更新；重复上述步骤，直到训练的代次达到设定的目标值；

将训练好的目标检测模型在验证集上进行检验，根据验证结果进行调参；按照交叉验证的方法重新划分训练集和验证集，避免随机因素对模型训练的干扰；

（2.5）模型的测试验收：

在训练集和验证集上经过交叉验证后，利用测试集对得到的模型进行测试和性能评估；如各项评估指标均满足预定要求，就将经训练的模型作为深度学习信号检测识别模型用于水声脉冲信号检测和识别；如不能通过测试验收，则需要重新进行调参和训练；

（3）利用深度学习信号检测识别模型，对水声脉冲信号进行检测和识别；

所述检测是指对信号和背景噪声进行区分，所述识别是指对不同调制方式信号的类型进行识别；经历过已知信号训练的深度学习信号检测识别模型，能从包含噪声及未知信号的水声音频数据中检测未知时刻出现的、调制类型及调制参数未知的脉冲信号，其输出结果中包括对水声脉冲信号类型的识别，以及对信号的到达时间、带宽、脉宽和中心频率的估计。

2.根据权利要求1所述的方法，其特征在于，所述步骤（2.2）中，手动调整确定超参数是指，在目标检测模型的训练过程中，根据不同超参数条件下模型的收敛情况和在验证集上的验证精度对超参数进行调整，直至得到符合预定要求的结果；搜索方式确定超参数是指，使用网格搜索法或启发式算法搜索获得符合要求的超参数设置。

3.根据权利要求1所述的方法，其特征在于，步骤（2）中所述目标检测模型是SSD模型、Faster R-CNN模型或YOLO模型；或者是基于前述各原始模型的衍生版本；或者是对前述各原始模型的主干网络进行替换后得到的模型。

4.根据权利要求1至3任意一项中所述的方法，其特征在于，还进一步包括步骤（4）对深度学习信号检测识别模型进行完善；具体是指，在对深度学习信号检测识别模型的输出数据进行人工标注后，将其用于对模型进一步的训练，并根据实际任务需要调整能够检测和识别的信号种类。