一种基于时空多特征信息的被动声纳目标探测方法及装置制造方法及图纸

本发明专利技术公开了一种基于时空多特征信息的被动声纳目标探测方法及装置，该方法包括以下步骤：S1,多特征串联融合；S2,特征提取与分类器模块离线训练；S3,语义特征提取；S4,信号时域检测；S5,信号空域检测。本发明专利技术解决了现有技术存在的仅基于单一信号特征探测所导致的被动声纳弱目标提取困难、探测准确率低甚至探测失效等问题。失效等问题。失效等问题。

【技术实现步骤摘要】
一种基于时空多特征信息的被动声纳目标探测方法及装置


[0001]本专利技术涉及水声信号处理
，具体是一种基于时空多特征信息的被动声纳目标探测方法及装置。

技术介绍

[0002]声波是在水中衰减最小、传播距离最远的信号形式，是目前唯一能进行水下远程探测、通讯的能量形式。利用声波在水中传播能量所专利技术的声纳仍是迄今为止最有效的水下目标探测工具，广泛用于对水下目标的探测、跟踪、定位和分类。以噪声检测为手段的被动声纳由于本身不发射信号，具有隐蔽自身存在及意图的优势。目标舰艇低频辐射噪声是被动声纳的主要信息来源，但是目标辐射噪声随距离传播其能量十分微弱。此外，被动声纳接收的信号中还包含海洋背景噪声、本舰自噪声，这些信号受海洋环境时空变化影响，在传播过程中又存在各种畸变，其规律极为复杂。因此，被动声纳的目标探测多工作在低信噪比情况下。
[0003]当前，被动声纳目标探测技术主要分为两类，一类为基于时域信息的检测技术，它通过对系统直接采集的时间采样序列进行变换域处理，提取信号特征参数实现目标探测；另一类为基于空域信息的检测技术，这类技术通过对被动声纳阵列接收的信号计算得到的方位历程图进行处理，从而估计噪声门限，再将各次观测的声强数据与噪声门限进行比较得到信号检测结果。
[0004]近年来，从水下目标角度出发，通过研究目标信号在产生、传播与接收过程的特征，并利用目标特征进行高增益处理，以提高对目标信号探测性能成为水声目标探测的研究热点之一。大量目标的固有特征、非线性、非高斯特征等得到研究与应用，一定程度提高了水声探测装备的工作能力。然而，这些方法大多仍然基于单一信号特征的使用，在实际复杂海洋环境条件下，单一特征往往会出现起伏、弱化、被干扰、乃至消失的情况，从而造成弱目标难以提取，导致被动声纳检测率不高甚至无法有效地检测出目标。
[0005]本专利技术将基于时域信息和空域信息的检测手段相结合，通过对目标信号与噪声的差异化特征进行分析提取与融合处理，可提升被动声纳对微弱目标的探测能力。

技术实现思路

[0006]为克服现有技术的不足，本专利技术提供了一种基于时空多特征信息的被动声纳目标探测方法及装置，解决现有技术存在的仅基于单一信号特征探测导致的被动声纳弱目标难以提取、探测准确率低甚至探测失效等问题。
[0007]本专利技术解决上述问题所采用的技术方案是：一种基于时空多特征信息的被动声纳目标探测方法，包括以下步骤：S1,提取被动声纳波束形成后信号样本集多特征分量，将各特征分量标准化后进行串联特征融合；S2,离线训练生成堆栈自编码器神经网络参数、SVM二分类器参数；
S3,根据步骤S1得到的串联融合特征向量，利用步骤S2得到的堆栈自编码器神经网络参数提取信号低维高层语义特征；S4,利用步骤S3得到的信号低维高层语义特征，基于步骤S2得到的SVM二分类器参数，判决信号是否属于目标信号，实现时域微弱目标信号检测；S5,根据步骤S4得到的时域目标信号计算生成方位历程图，在方位历程图上基于概率数据关联方法，利用强度、运动和方位尺度信息估计并更新目标检测状态。
[0008]本专利技术将基于时域信息和空域信息的检测手段相结合，通过对目标信号与噪声的差异化特征进行分析提取与融合处理，可最大限度地发掘被动声纳系统的潜力，提高其远距离搜索探测微弱目标的能力。
[0009]作为一种优选的技术方案，所述步骤S1包括以下步骤：S11，分别提取波束形成后信号目标段和噪声段的多维度表征的多特征信息，提取的多特征信息包括时域波形特征、频域能量聚点特征、时频图像Renyi熵特征、Mel倒谱特征和混沌特征的两种及以上；S12，计算各特征向量的均值和标准差，对特征向量进行标准化；S13，将各特征向量前后串联进行特征融合。
[0010]以上步骤实现了对波束形成后信号目标段和噪声段的多维度表征的多特征信息的串联特征融合。
[0011]作为一种优选的技术方案，所述步骤S11包括以下步骤：S111，分别计算提取信号时域均值、峰值、均方根、峭度因子、裕度指数、偏度指数；S112，将步骤S111中各指标串联构成时域波形特征。
[0012]以上步骤完成了对时域波形特征的提取的功能，提取波束形成后信号集目标段和噪声段时域波形特征。
[0013]作为一种优选的技术方案，所述步骤S11包括以下步骤：S113，计算信号x(n)的功率谱s(ω)；S114，给定取值宽度d，利用滑窗在功率谱序列s(ω)上定步长移动，计算各频点ω0处信号功率P(ω0,d)，并求取信号功率的平均值P
a
和最大值P
m
，计算公式如下：其中，ω0为功率谱s(ω)上的频率点；S115，给定λ水平值，得到信号功率谱s(ω)的λ水平能量聚点；计算公式如下：其中f(λ)是变量λ在[0,1]→
[0,1]区间的单增函数；
S116，根据得到的p个λ水平能量聚点处信号能量，建立频率域p阶特征向量，其中p为正整数且p≥1。
[0014]以上步骤完成了对频域能量聚点特征的提取的功能，提取波束形成后信号集目标段和噪声段频域能量聚点特征。
[0015]作为一种优选的技术方案，所述步骤S11包括以下步骤：S117，计算信号x(n)的改进B分布，得到二维时频图像；S118，根据二维时频图像的亮度等级表达灰度值，将时频图转化为灰度图，进行灰度归一化和中值滤波；S119，提取信号多阶灰度图Renyi熵特征。
[0016]以上步骤完成了对时频图像的Renyi熵特征的提取的功能，对二维时频图像进行预处理，提取预处理后时频图像的Renyi熵特征。
[0017]作为一种优选的技术方案，所述步骤S11包括以下步骤：S120，将时域分帧信号x(n)经过N点的离散傅里叶变换，并对得到的频谱X（k）取模平方，得到信号的功率谱；S121，将Mel频域按人耳敏感程度分为M个Mel滤波器，采用的滤波器为三角滤波器，中心频率为f(m),m=1,2,...,M,将信号功率谱通过Mel滤波器组得到Mel频谱，并取Mel频谱的对数能量s(m)：其中，N为正整数，M为正整数且M≥2，m为Mel频谱的对数能量序号，H
m
（k）为第m个滤波器的频谱；S122，对数频谱经过离散余弦变换DCT后得到Mel频谱倒谱系数MFCC，作为表征被动声纳信号的一种特征c(n)：。
[0018]以上步骤完成了对信号倒谱特征的提取的功能，对波束形成后信号进行分帧处理后，提取信号倒谱特征。
[0019]作为一种优选的技术方案，所述步骤S11包括以下步骤：S123，将相空间中两个无限接近的点β
n1
和β
n2
间的距离表示为||β
n1
‑
β
n2
||=δ0≤1，在一段时间后，起始于这两点的两个轨迹之间的距离为δ
Δn
=||β
n1+Δn
‑
β
n2+Δn
||，最大Lyapunov指数λ可表示为：其中δ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空多特征信息的被动声纳目标探测方法，其特征在于，包括以下步骤：S1,提取被动声纳波束形成后信号样本集多特征分量，将各特征分量标准化后进行串联特征融合；S2,离线训练生成堆栈自编码器神经网络参数、SVM二分类器参数；S3,根据步骤S1得到的串联融合特征向量，利用步骤S2得到的堆栈自编码器神经网络参数提取信号低维高层语义特征；S4,利用步骤S3得到的信号低维高层语义特征，基于步骤S2得到的SVM二分类器参数，判决信号是否属于目标信号，实现时域微弱目标信号检测；S5,根据步骤S4得到的时域目标信号计算生成方位历程图，在方位历程图上基于概率数据关联方法，利用强度、运动和方位尺度信息估计并更新目标检测状态。2.根据权利要求1所述的一种基于时空多特征信息的被动声纳目标探测方法，其特征在于，所述步骤S1包括以下步骤：S11，分别提取波束形成后信号目标段和噪声段的多维度表征的多特征信息，提取的多特征信息包括时域波形特征、频域能量聚点特征、时频图像Renyi熵特征、Mel倒谱特征和混沌特征的两种及以上；S12，计算各特征向量的均值和标准差，对特征向量进行标准化；S13，将各特征向量前后串联进行特征融合。3.根据权利要求2所述的一种基于时空多特征信息的被动声纳目标探测方法，其特征在于，所述步骤S11包括以下步骤：S111，分别计算提取信号时域均值、峰值、均方根、峭度因子、裕度指数、偏度指数；S112，将步骤S111中各指标串联构成时域波形特征。4.根据权利要求2所述的一种基于时空多特征信息的被动声纳目标探测方法，其特征在于，所述步骤S11包括以下步骤：S113，计算信号x(n)的功率谱s(ω)；S114，给定取值宽度d，利用滑窗在功率谱序列s(ω)上定步长移动，计算各频点ω0处信号功率P(ω0,d)，并求取信号功率的平均值P
a
和最大值P
m
，计算公式如下：其中，ω0为功率谱s(ω)上的频率点；S115，给定λ水平值，得到信号功率谱s(ω)的λ水平能量聚点；计算公式如下：其中f(λ)是变量λ在[0,1]
→
[0,1]区间的单增函数；S116，根据得到的p个λ水平能量聚点处信号能量，建立频率域p阶特征向量，其中p为正
整数且p≥1。5.根据权利要求2所述的一种基于时空多特征信息的被动声纳目标探测方法，其特征在于，所述步骤S11包括以下步骤：S117，计算信号x(n)的改进B分布，得到二维时频图像；S118，根据二维时频图像的亮度等级表达灰度值，将时频图转化为灰度图，进行灰度归一化和中值滤波；S119，提取信号多阶灰度图Renyi熵特征。6.根据权利要求2所述的一种基于时空多特征信息的被动声纳目标探测方法，其特征在于，所述步骤S11包括以下步骤：S120，将时域分帧信号x(n)经过N点的离散傅里叶变换，并对得到的频谱X（k）取模平方，得到信号的功率谱；S121，将Mel频域按人耳敏感程度分为M个Mel滤波器，采用的滤波器为三角滤波器，中心频率为f(m),m=1,2,...,M,将信号功率谱通过Mel滤波器组得到Mel频谱，并取Mel频谱的对数能量s(m)：其中，N为正整数，M为正整数且M≥2，m为Mel频谱的对数能量序号，H
m
（k）为第m个滤波器的频谱；S122，对数频谱经过离散余弦变换DCT后得到Mel频谱倒谱系数MFCC，作为表征被动声纳信号的一种特征c(n)：。7.根据权利要求2所述的一种基于时空多特征信息的被动声纳目标探测方法，其特征在于，所述...

【专利技术属性】
技术研发人员：杨阳，刘林岩，赵杨，曹东，王海波，卢德勇，
申请(专利权)人：中国空气动力研究与发展中心计算空气动力研究所，
类型：发明
国别省市：