[发明专利]一种基于形态分量分析特征融合的水声目标识别方法

说明书

本发明公开了一种基于形态分量分析特征融合的水声目标识别方法，包括以下步骤：S1、对水声目标辐射噪声进行预处理，提取出目标的特征图像；S2、对S1中提取的目标特征图像，建立目标特征图像的稀疏模型；S3、对S2中建立的特征稀疏模型进行特征分量的分离，并利用分离的特征分量构建出目标的G特征；S4、利用S3中分离的特征分量，分别训练得到各分量稀疏表示的公共冗余字典；S5、设计基于形态分量分析的特征融合框架，通过融合框架构建出目标的融合特征；S6、设计基于卷积的识别网络，利用S5中的融合特征训练该识别网络，得到一个高准确率的识别网络，本发明实现对具有相似特征的目标的识别分类，提高识别的准确率。

技术领域

本发明涉及水声目标识别领域，尤其是一种基于形态分量分析特征融合的水声目标识别方法。

背景技术

随着声呐技术的出现，作为声呐数据处理的重要后续环节的水声目标识别技术也应运而生。水声目标识别是指利用目标的辐射噪音提取特征信息并进行目标判别分类的信息处理技术。目前常用的目标识别方法主要有两类，第一类为统计分类识别，主要利用目标特征的统计分布，依赖于对已有样本数据的统计分析和基于距离度量的模式匹配；第二类为神经网络分类识别，利用预处理的样本数据训练网络，实现对样本空间的类别划分。这些方法的使用依赖于表征目标特性的特征信息，而这些信息隐藏于目标的辐射噪声中，因此，从中提取出“好的特征”是进行水声目标识别最关键的核心问题。

水声目标的特征提取主要是依据目标噪声产生的机理和特点进行的，如对于船舰辐射噪声，其中的机械噪声具有近似平稳及时变的特性，常用功率谱分析和LOFAR分析进行处理；螺旋桨噪声在产生的过程中，与桨叶之间存在周期调制现象，常用包络谱分析解调出螺旋桨转速和桨叶等信息。但随着水声目标发声机理愈发的复杂、目标类型的多变以及环境噪音的干扰，导致目标的特征信息越来越弱，难以被有效的提取，成为限制目标识别的掣肘。近年来非线性特征提取技术发展迅速，目前主要的方法包括希尔伯特-黄变换、小波分析、高阶谱分析等现代信号处理特征提取方法，但相关的算法过于繁琐，并且也仅能有针对性的提取目标的局部特征信息，难以实现对目标特性的充分表征。对于特征相似的目标，容易产生判别误差导致目标识别准确率降低，虚警率升高。

与此同时，在水声目标识别中，常见的特征融合是不同特征分量之间的拼接组合，虽然增大了目标的特征信息含量，但同时也增大了特征的数据量，并且重叠的特征部分会出现冗余的信息，增大了目标识别的难度，造成了计算资源的浪费。

发明内容

本发明需要解决的技术问题是提供一种基于形态分量分析特征融合的水声目标识别方法，实现对具有相似特征的目标的识别分类，提高识别的准确率。

为解决上述技术问题，本发明所采用的技术方案是：一种基于形态分量分析特征融合的水声目标识别方法，包括以下步骤：

S1、根据水声目标辐射噪声产生的机理和特点，对噪声信号进行预处理，提取出目标的特征图像；

S2、对步骤S1中提取的目标特征图像，根据形态分量分析理论，建立目标特征图像的稀疏模型；

S3、对步骤S2中建立的特征稀疏模型进行特征分量的分离，并利用分离的特征分量构建出目标的G特征；

S4、利用步骤S3中分离的特征分量，分别训练得到各分量稀疏表示的公共冗余字典；

S5、设计基于形态分量分析的特征融合框架，利用步骤S4中各分量的公共冗余字典，分别分离出特征的各分量系数，并通过融合框架构建出目标的融合特征；

S6、设计基于卷积的识别网络，利用步骤S5中的融合特征训练该识别网络，得到一个高准确率的识别网络。

本发明技术方案的进一步改进在于：所述步骤S1的具体步骤为：

S11、噪声源分析：根据噪声产生机理的不同分为机械噪声、螺旋桨噪声、水动力噪声和环境噪声；