[发明专利]基于小样本训练图卷积网络的水下目标识别方法

权利要求书

1.基于小样本训练图卷积网络的水下目标识别方法，其特征在于，提取水下目标信号发出的声音的六个特征，并根据特征各自的物理定义构建知识图谱；该方法具体步骤包括如下：

(1)生成小样本的训练集：

(1a)从每类水声信号中选取至少10个样本，每个样本对应一个类标签，如若样本为多通道信号，则只取第一个通道的信号信息，并将所有样本的采样率统一处理到16000Hz；

(1b)从32000、48000、60000中任选一个值作为汉明窗中点的总数；

(1c)利用窗函数对每一个样本进行加窗分帧处理，将加窗分帧后的所有截取样本和标签组成训练集；

(2)提取训练集中每个样本的特征：

(2a)对每个截取样本进行与步骤(1c)中相同的加窗分帧处理，得到每个截取样本切割的二次截取样本；分别利用谱滚降点生成方法、谱质心计算公式、能量计算公式、过零率计算公式、自相关系数计算公式，计算每个截取样本切割的每个二次截取样本的短时频谱滚降点、短时谱质心、短时能量、短时过零率、短时自相关系数，将每个截取样本切割的每一个二次截取样本的短时谱滚降点、短时谱质心、短时能量、短时过零率、短时自相关系数分别拼接，得到该截取样本的谱滚降点特征、谱质心特征、能量特征、过零率特征、自相关系数特征；

(2b)将在步骤(1c)得到的每个截取样本输入到VGGish网络中，将网络的输出作为该截取样本的不可描述语义特征；

(2c)分别对每个样本的谱滚降点特征、谱质心特征、能量特征、过零率特征、自相关系数特征和不可描述语义特征进行主成成分分析，将该样本的每一个特征的维度都降低到128；

(3)构建特征矩阵集合：

(3a)将每一个水声信号的谱滚降点特征、谱质心特征、能量特征、过零率特征、自相关系数特征和不可描述语义特征依次按行拼接，组成该水声信号的特征矩阵；

(3b)将所有水声信号的特征矩阵组合成特征矩阵集合；

(4)构建知识图谱：

根据特征各自的物理定义，将降维后的谱滚降点特征、谱质心特征、能量特征、过零率特征、自相关系数特征分别划分为音调、音色、响度、规律性四类，并将每个特征与其同类特征相连；将不可描述语义特征归为深度特征类；并将不可描述语义特征与每个特征相连，将连接后的特征组成知识图谱；

(5)将知识图谱转换为连接矩阵：

(5a)将降维后的谱滚降点特征、谱质心特征、能量特征、过零率特征、自相关系数特征和不可描述语义特征分别编号为1,2,3,4,5,6；

(5b)初始化一个维度为6*6的全零的连接矩阵，根据知识图谱，谱质心特征与过零率特征相连接，则连接矩阵的第二行第四列的值和第四行第二列的值设置为1，不可描述语义特征与其他五个特征相连接，则连接矩阵的第六行的所有元素和第六列的所有元素值设置为1；

(5c)将连接矩阵的对角元素值设置为1；

(6)构建图卷积网络：

构建一个四层的图卷积网络，其结构为：第一图卷积层，第二图卷积层，第一全连接层，第二全连接层，四个网络层依次连接；将第一、第二图卷积层的特征映射矩阵大小分别设置为128*100，100*64，第一、第二全连接层的特征映射单元分别为384个，3个；

(7)训练图卷积网络：

将特征矩阵集合和连接矩阵输入到图卷积网络中，对网络中的两个特征映射矩阵和两个特征映射单元迭代更新，当损失函数的输出小于0.01或训练迭代次数达到350次时停止训练，得到训练好的图卷积网络；

(8)对水下目标进行识别：

将待识别的水下目标的声音信号采用与步骤(2)相同的操作，提取声音信号的六个特征，再采用与步骤(3a)相同的拼接操作，得到该声音信号的特征矩阵，将该声音信号的特征矩阵和步骤(5)中得到的连接矩阵一起输入到训练好的图卷积网络中，得到目标声音信号的识别结果。