基于舰船辐射噪声MFCC特征的水声目标识别方法技术

本发明专利技术实施例公开了一种基于舰船辐射噪声MFCC特征的水声目标识别方法，步骤为：对舰船目标训练辐射噪声数据进行角域分帧操作；提取训练和测试舰船目标辐射噪声数据的目标的MFCC特征和差分MFCC特征；得到舰船目标辐射噪声数据MFCC融合特征；对舰船目标训练辐射噪声数据每一帧的MFCC融合特征训练多任务截断先验隐马尔可夫模型；计算测试舰船目标辐射噪声数据的MFCC融合特征与训练舰船目标辐射噪声数据的每一帧相对应的多任务截断先验隐马尔可夫模型的条件似然函数值；将最大条件似然函数值所对应舰船目标训练辐射噪声数据那一帧的类别属性作为舰船目标测试辐射噪声数据的类别属性。本发明专利技术用以提高水声目标识别的性能。

【技术实现步骤摘要】
基于舰船辐射噪声MFCC特征的水声目标识别方法
本专利技术属于水声
，特别地涉及一种基于舰船辐射噪声MFCC融合特征的 水声目标识别方法。
技术介绍
水声自动目标识别技术可以提供目标船只的属性和类别等信息，是现代声纳系统 的一个重要组成部分，也是实现其他水下装备系统智能化的关键技术。 舰船辐射噪声是指由舰船上机械运转和舰船运动产生并辐射到水中的噪声，它主 要由机械噪声、水动力噪声以及螺旋桨噪声组成，包含了丰富的目标物理信息。其中机械噪 声是船舶航行的主机、推进装置以及辅机等机械在运动过程中引起船体振动并向海洋中辐 射的噪声声波，螺旋桨噪声是螺旋桨在水中工作所产生的噪声，水动力噪声是航行舰船和 海水作用所产生的噪声。同类舰船噪声具有一定的相关性，而不同类型的舰船噪声存在差 异。这一特性，被广泛应用于水声自动目标识别技术中。 目前国内外有许多机构都开展了水声自动目标识别技术的研究，这些研究在特征 提取和分类器设计等方面各不相同。LiXungao、FengXinxin和GeYi2005年在Chinese JournalofAcoustics上发表的Dynamicrecognitionfromship-radiatednoise文章 从舰船辐射噪声数据中提取一系列包络谱特征，利用基于多级模糊识别系统的动态识别法 对三类舰船目标分类识别。柳革命、孙超和杨益新2009年在西北工业大学学报上发表的 两种倒谱特征提取技术在水声目标识别中的应用，文中从舰船辐射噪声数据中提取倒谱特 征，进而通过神经网络对舰船目标进行识别。张岩和尹力2009年在应用声学上发表了主成 分分析在舰船辐射噪声分类识别中的应用，文中提取了舰船辐射噪声数据的功率谱特征， 利用主成分分析法对舰船目标的功率谱特征进行降维，进而通过聚类分析的方法对舰船目 标分类。 上述这些方法的共同缺点如下： (1)只研究了各次舰船辐射噪声之间的关系，而忽略了数据内蕴含的舰船发声体 之间固定的空间结构和遮挡特性，当识别目标增多的时候，识别性能下降较快。 (2)没有考虑同一目标在不同观测角度下发声体相对位置和遮挡情况的不同所 造成的辐射噪声数据差异，对一个舰船目标只建立了一个模型，模型较为粗糙，识别性能不 佳。 (3)没有考虑可用于训练的样本数较少情况下模型的识别性能，当用于训练的样 本数比较少的时候，识别性能大大下降。 (4)存在手动模型选择问题，即通过人工确定模型的参数集大小，而参数集大小给 定的正确与否决定了最终的识别性能。当数据较多时，很难确定正确的参数集大小导致识 别性能不佳。 故，针对目前现有技术中存在的上述缺陷，实有必要进行研究，以提供一种方案， 解决现有技术中存在的缺陷，避免造成水声目标的识别性能不佳，在条件变化状态下识别 性能下降较快的问题。
技术实现思路
为解决上述问题，本专利技术的目的在于提供一种基于舰船辐射噪声MFCC融合特征 的水声目标识别方法，以通过对舰船训练辐射噪声数据进行角域分帧处理，将训练数据进 行角域分帧，然后进行能量归一化的预处理，之后提取目标的MFCC特征以及差分MFCC特 征，进而将目标的MFCC特征以及差分MFCC特征结合得到MFCC融合特征，最后按照每个舰 船目标的不同角域，利用MFCC融合特征建立一组多任务截断stick-breaking先验隐马尔 可夫模型，提高水声目标识别的性能。多任务截断stick-breaking先验马尔可夫模型中的 多任务特性将同一舰船目标不同角域的样本共同训练，当用于训练的样本数比较少的时 候，仍能保持很好的识别特性；同时在建立的隐马尔可夫模型中引入了stick-breaking先 验，该先验使模型拥有很好的稀疏性质，具备自动确定正确的隐马尔可夫模型参数的能力， 避免了手动模型选择问题。 为实现上述目的，本专利技术的技术方案为： 一种基于舰船辐射噪声MFCC特征的水声目标识别方法，其特征在于，包括以下步 骤： 步骤1，对舰船目标训练辐射噪声数据进行角域分帧操作； 步骤2,对用于训练和测试的舰船目标辐射噪声数据进行能量归一化的预处理； 步骤3,提取训练和测试的舰船目标辐射噪声数据的目标的梅尔频率倒谱系数 MFCC特征和差分MFCC特征； 步骤4,融合训练和测试的舰船目标辐射噪声数据的目标的MFCC特征和差分MFCC 特征得到舰船目标辐射噪声数据的MFCC融合特征； 步骤5,对舰船目标训练辐射噪声数据每一帧的MFCC融合特征训练多任务截断 stick-breaking先验隐马尔可夫模型，进而确定舰船目标辐射噪声数据中每一帧的多任务 截断stick-breaking先验隐马尔可夫模型参数； 步骤6,根据确定的舰船福射噪声数据每一巾贞的多任务截断stick-breaking先验 隐马尔可夫模型的参数，计算测试舰船目标辐射噪声数据的MFCC融合特征与训练舰船目 标福射噪声数据的每一巾贞相对应的多任务截断stick-breaking先验隐马尔可夫模型的条 件似然函数值； 步骤7,将最大条件似然函数值所对应舰船目标训练辐射噪声数据那一帧的类别 属性作为舰船目标测试辐射噪声数据的类别属性。 优选地，在步骤1中，对用于训练的舰船目标辐射噪声数据进行角域分帧具体为， 按照30度的角域等角域间隔划分360度全角域，一个舰船目标共计分为12帧。 优选地，步骤3中提取训练和测试的舰船目标辐射噪声数据的目标的MFCC特征和 差分MFCC特征具体为， (3a)舰船目标辐射噪声数据按80毫秒时间间隔进行分块； (3b)对分块后的数据做离散傅立叶变换，得到变换后的数据 Y1 =DFT(Y1)，1 = 1, ...L 其中，DFT( ?)表示离散傅立叶变换操作，yi表示舰船目标辐射噪声数据y所分的 第1块，L表示舰船目标辐射噪声数据y所分的总块数； (3c)计算得到分块后的数据的能量谱{尽}；^ E1 =IY112, 1 = 1，…L 其中，I?I表示取模操作，Y1表示舰船目标辐射噪声数据y所分的第1块所对应 的傅立叶变换，L表示舰船目标辐射噪声数据y所分的总块数； (3d)将能量谱通过由R个滤波器构成的一组Mel尺度的三角形滤波组，得到对数 能量K1 本文档来自技高网...

【技术保护点】
一种基于舰船辐射噪声MFCC特征的水声目标识别方法，其特征在于，包括以下步骤： 步骤1，对舰船目标训练辐射噪声数据进行角域分帧操作； 步骤2，对用于训练和测试的舰船目标辐射噪声数据进行能量归一化的预处理； 步骤3，提取训练和测试的舰船目标辐射噪声数据的目标的梅尔频率倒谱系数MFCC特征和差分MFCC特征； 步骤4，融合训练和测试的舰船目标辐射噪声数据的目标的MFCC特征和差分MFCC特征得到舰船目标辐射噪声数据的MFCC融合特征； 步骤5，对舰船目标训练辐射噪声数据每一帧的MFCC融合特征训练多任务截断stick‑breaking先验隐马尔可夫模型，进而确定舰船目标辐射噪声数据中每一帧的多任务截断stick‑breaking先验隐马尔可夫模型参数； 步骤6，根据确定的舰船辐射噪声数据每一帧的多任务截断stick‑breaking先验隐马尔可夫模型的参数，计算测试舰船目标辐射噪声数据的MFCC融合特征与训练舰船目标辐射噪声数据的每一帧相对应的多任务截断stick‑breaking先验隐马尔可夫模型的条件似然函数值； 步骤7，将最大条件似然函数值所对应舰船目标训练辐射噪声数据那一帧的类别属性作为舰船目标测试辐射噪声数据的类别属性。...

【技术特征摘要】
1. 一种基于舰船辐射噪声MFCC特征的水声目标识别方法，其特征在于，包括以下步 骤： 步骤1，对舰船目标训练辐射噪声数据进行角域分帧操作； 步骤2,对用于训练和测试的舰船目标辐射噪声数据进行能量归一化的预处理； 步骤3,提取训练和测试的舰船目标辐射噪声数据的目标的梅尔频率倒谱系数MFCC特 征和差分MFCC特征； 步骤4,融合训练和测试的舰船目标辐射噪声数据的目标的MFCC特征和差分MFCC特征 得到舰船目标辐射噪声数据的MFCC融合特征； 步骤5,对舰船目标训练辐射噪声数据每一帧的MFCC融合特征训练多任务截断 stick-breaking先验隐马尔可夫模型，进而确定舰船目标辐射噪声数据中每一帧的多任务 截断stick-breaking先验隐马尔可夫模型参数； 步骤6,根据确定的舰船福射噪声数据每一巾贞的多任务截断stick-breaking先验隐马 尔可夫模型的参数，计算测试舰船目标辐射噪声数据的MFCC融合特征与训练舰船目标辐 射噪声数据的每一巾贞相对应的多任务截断stick-breaking先验隐马尔可夫模型的条件似 然函数值； 步骤7,将最大条件似然函数值所对应舰船目标训练辐射噪声数据那一帧的类别属性 作为舰船目标测试辐射噪声数据的类别属性。2. 根据权利要求1所述的基于舰船辐射噪声MFCC特征的水声目标识别方法，其特征在 于，在步骤1中，对用于训练的舰船目标辐射噪声数据进行角域分帧具体为，按照30度的角 域等角域间隔划分360度全角域，一个舰船目标共计分为12帧。3. 根据权利要求1或2所述的基于舰船辐射噪声MFCC特点的水声目标识别方法，其特 征在于，步骤3中提取训练和测试的舰船目标辐射噪声数据的目标的MFCC特征和差分MFCC 特征具体为， (3a)舰船目标辐射噪声数据按80毫秒时间间隔进行分块； (3b)对分块后的数据做离散傅立叶变换，得到变换后的数据{1^；^ Y1 = DFT(Y1), I = 1,…L 其中，DFT( ?)表示离散傅立叶变换操作，yi表示舰船目标辐射噪声数据y所分的第1 块，L表示舰船目标辐射噪声数据y所分的总块数； (3c)计算得到分块后的数据的能量谱 E1 = Iy1I2, I = 1,…L 其中，I ? I表示取模操作，Y1表示舰船目标辐射噪声数据y所分的第1块所对应的傅 立叶变换，L表示舰船目标辐射噪声数据y所分的总块数； (3d)将能量谱通过由R个滤波器构成的一组Mel尺度的三角形滤波组，得到对数能量其中，S1W表示舰船目标辐射噪声数据y所分的第Ii1块所对应的对数能量，S1W表 示对数能量S1中的第r维，E1 (k)表示能量谱E1中的第k维，札(k)代表Mel尺度的三角形 滤波组第r个滤波器中的第k个元素所对应的值，R为滤波器组的数目，L表示舰船目标辐 射噪声数据y所分的总块数； (3e)经离散余弦变换得到MFCC系数其中，MFCC1OJ表示舰船目标辐射噪声数据y所分的第1块所对应的MFCC特征， MFCC1 (r0)表示MFCC特征的第r0维，R0为MFCC特征的维数，L表示舰船目标辐射噪声数据 y所分的总块数；其中，amfccZ1表示舰船目标辐射噪声数据y所分的第Ii1块所对应的差分MFCC特征， AMFCq(Q)表示差分MFCC特征AMFCq的第&维，?表示一阶差分的时间差，其值可取丄 或2, Rtl为MFCC特征的维数，L表示舰船目标辐射噪声数据y所分的总块数。4. 根据权利要求3所述的基于舰船辐射噪声MFCC特征的水声目标识别方法，其特征在 于，步骤4中舰船目标辐射噪声数据的MFCC融合特征x = 具体的计算方法如下： X1 = I [MFCC1 A MFCC1] 其中，X1表示MFCC融合特征X的第1个，卜I表示取模操作，[MFCCi AMFCC1]表示将 第1个MFCC特征和第1个MFCC差分特征按顺序拼合得到一个长特征向量，L表示舰船目 标辐射噪声数据y所分的总块数。5. 根据权利要求4所述的基于舰船辐射噪声MFCC特征的水声目标识别方法，其特征在 于，步骤5具体为， (5a)把舰船训练目标辐射噪声数据中的每一个数据所提取的MFCC融合特征构成的马 尔可夫序列，代入到多任务截断stick-breaking先验隐马尔可夫模型中； (5b)通过变分贝叶斯期望最大VB-EM算法，确定舰船训练目标辐射噪声数据每一帧的 多任务截断stick-breaking先验隐马尔可夫模型的参数： 5bl)设置多任务截断stick-breaking先验隐马尔可夫模型中超参数曰。和1^，变分贝 叶斯期望最大VB-EM算法的终止门限e，作为终止条件； 5b2)更新截断stick-breaking先验隐马尔可夫模型中的特征分布参数概率值q( Q ) 分(Q(c)) = Kftlc) X exp (M?fl(n(c) |H(C))+五(s(c...

【专利技术属性】
技术研发人员：潘勉，章雪挺，刘敬彪，蔡文郁，于海滨，盛庆华，刘纯虎，李竹，周涛，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33