一种自主学习的声纳目标个体识别方法技术

本发明专利技术公开了一种自主学习的声纳目标个体识别方法，构建面向声纳目标个体识别的深度学习网络模型，利用历史数据对模型进行训练得到初始模型和模板库，然后接收新数据，利用初始模型对新数据进行预测，提取个体特征模版，在模板库中进行检索匹配，实现对新目标的快速个体识别或同一性认定，并更新模板库，然后再根据声纳平台特点选择模型自主学习更新方法，若为硬件资源充足的平台，则选择基于全历史数据联合学习的更新方法，若为硬件有限的平台，则选择基于现场数据增量学习的更新方法，通过不断学习新数据，实现模型性能提升，更好地满足实战环境需求。足实战环境需求。足实战环境需求。

【技术实现步骤摘要】
一种自主学习的声纳目标个体识别方法


[0001]本专利技术属于声纳信号处理领域，具体来说涉及一种声纳信号处理方法，更具体来说涉及一种自主学习的声纳目标个体识别方法。

技术介绍

[0002]在众多干扰和同平台互扰背景下，如何精确识别个体目标意义重大。传统的声纳目标个体识别通过提取线谱等个体差异性特征，构造特征模板的方法来实现个体目标匹配识别。然而，传统的声纳目标个体识别方法在低信噪比或多干扰条件下，线谱特征被污染、线谱弱或不可见，会导致个体识别性能严重下降。
[0003]深度学习是突破传统声纳目标个体识别性能，实现高性能自主、智能化水下目标识别的重要手段。但现阶段以及未来很长一段时间内，基于深度学习的声纳目标个体识别将面临数据样本少、数据质量不高等问题，导致利用现有数据训练的模型泛化能力不够，实际应用过程中会遇到从未见过的个体目标型号，或者同一个个体目标在新环境下出现时，由于海洋环境、水温条件、目标工况等变化，导致与历史数据存在不同的数据分布，此时，利用历史数据训练的模型对新目标识别效果不佳，无法满足实际应用环境下对未知个体目标或新环境下个体目标的识别需求。

技术实现思路

[0004]本专利技术的目的在于提供一种自主学习的声纳目标个体识别方法，以解决
技术介绍
中基于深度学习的声纳目标个体识别面临数据样本少、数据质量不高而导致的模型泛化能力不够的问题。
[0005]为实现上述目的，本专利技术提供技术方案如下：
[0006]一种自主学习的声纳目标个体识别方法，所述方法包括以下步骤：模型获取，构建面向声纳目标的个体识别网络模型，利用历史声纳目标数据库对模型进行训练，得到初始模型；模板库构建，利用初始模型对历史声纳目标数据提取对应的历史个体特征模板，构建模板库；模板匹配，对获取的每一当前声纳数据，利用初始模型提取当前声纳数据对应的当前个体特征模板，并在模板库中进行检索匹配，获得目标个体识别结果；数据更新，将当前个体特征模板存入模板库，将当前声纳数据存入预设的现场声纳目标数据库；模型更新，在预设时间后，基于历史声纳目标数据库和/或现场声纳目标数据库训练初始模型，基于训练后的初始模型更新模板库，并返回模板匹配步骤。
[0007]优选地，所述模型获取步骤中，利用历史声纳目标数据库对模型进行训练包括以下步骤：对历史声纳目标数据库中任一历史声纳目标数据预处理，获得历史目标谱图；基于历史目标谱图和声纳个体标签对个体识别网络模型进行训练，得到初始模型。
[0008]优选地，所述历史目标谱图为LOFAR谱、DEMON谱或功率谱。
[0009]优选地，所述模板匹配步骤包括以下步骤：对获取的当前声纳数据预处理，获得当前目标谱图；对当前目标谱图利用初始模型进行特征提取，得到对应的当前个体特征模板；
判断当前个体特征模板与模板库中的历史个体特征模板是否一致，若一致，则执行下一步，若不一致则目标个体识别结果失败；判断模板库中与当前个体特征模板一致的历史个体特征模板是否有标签，若有标签则输出对应的标签，若无标签，则当前个体特征模板与对应的历史个体特征模板进行同一性认定。
[0010]优选地，所述判断当前个体特征模板与模板库中的历史个体特征模板是否一致为计算当前个体特征模板与模板库中的历史个体特征模板的特征距离，若特征距离小于设定的阈值，则认为当前个体特征模板与历史个体特征模板一致，否则不一致。
[0011]优选地，所述特征距离为余弦距离、欧式距离或马氏距离。
[0012]优选地，所述数据更新步骤中，将当前声纳数据存入预设的现场声纳目标数据库为人为确定当前声纳数据的目标属性，将当前声纳数据存入现场带标签数据库，若无法人为确定当前声纳数据的目标属性，则直接存入现场无标签数据库。
[0013]优选地，所述模型更新包括以下步骤：通过人为判断当前平台是否为水下无人平台，若是执行基于全数据的模型更新步骤，否则执行基于增量数据的模型更新步骤；基于全数据的模型更新步骤为基于历史声纳目标数据库和现场声纳目标数据库对初始模型进行训练，基于训练后的初始模型对历史声纳目标数据库、现场声纳目标数据库中任一数据提取个体特征模板，更新模板库；基于增量数据的模型更新步骤，基于现场声纳目标数据库对初始模型进行训练，基于训练后的初始模型对现场声纳目标数据库中任一数据提取个体特征模板，更新模板库。
[0014]与现有技术相比，本专利技术的有益效果为：
[0015](1)本专利技术通过深度学习方法实现目标个体识别，相比与传统算法，在线谱弱、无线谱条件下具有更好的个体识别性能；
[0016](2)通过模板检索匹配的方法实现对当前声纳数据的目标个体识别，对未知的目标，也可以让个体识别网络模型在再次见到该目标时实现快速同一性认定。
[0017](3)本专利技术充分考虑现有声纳探测平台特点，提供两种模型的自学习机制，其中基于全数据的模型更新方法可以达到现有数据基础上的最佳识别性能，适合硬件资源充足的大型水面舰平台等，而基于增量数据的模型更新方法，占用计算资源少，更新速度更快，适合硬件资源有限的水下无人平台等。
附图说明
[0018]图1为本专利技术实施例的工作流程图。
[0019]图2为本专利技术的方案示意图。
[0020]图3位实施例中不同自主学习机制识别率对比图。
具体实施方式
[0021]下面将结合附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术的保护范围。
[0022]实施例1：
[0023]图1为本专利技术实施例的工作流程图。参照图1，一种自主学习的声纳目标个体识别方法，该方法包括以下5个步骤。
[0024](1)模型获取步骤：构建面向声纳目标的个体识别网络模型，利用历史声纳目标数据库对模型进行训练，得到初始模型。
[0025](2)模板库构建步骤：利用初始模型对历史声纳目标数据提取对应的历史个体特征模板，构建模板库。
[0026](3)模板匹配步骤：对获取的每一当前声纳数据，利用初始模型提取当前声纳数据对应的当前个体特征模板，并在模板库中进行检索匹配，获得目标个体识别结果。
[0027](4)数据更新步骤，将当前个体特征模板存入模板库，将当前声纳数据存入预设的现场声纳目标数据库。
[0028](5)模型更新步骤：在预设时间后，基于历史声纳目标数据库和/或现场声纳目标数据库训练初始模型，基于训练后的初始模型更新模板库，并返回模板匹配步骤。
[0029]本专利技术步骤(1)中，该历史声纳目标数据库中包括若干历史声纳目标数据，每一历史声纳目标数据为带标签的历史声纳数据，该标签为个体标签，举例来说，该目标个体标签为某型渔船、某型商船、某型水面舰船等，该历史声纳数据可以为目标的辐射噪声时域信号。
[0030]步骤(1)中，利用历史声纳目标数据库对模型进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自主学习的声纳目标个体识别方法，其特征在于，所述方法包括以下步骤：模型获取，构建面向声纳目标的个体识别网络模型，利用历史声纳目标数据库对模型进行训练，得到初始模型；模板库构建，利用初始模型对历史声纳目标数据提取对应的历史个体特征模板，构建模板库；模板匹配，对获取的每一当前声纳数据，利用初始模型提取当前声纳数据对应的当前个体特征模板，并在模板库中进行检索匹配，获得目标个体识别结果；数据更新，将当前个体特征模板存入模板库，将当前声纳数据存入预设的现场声纳目标数据库；模型更新，在预设时间后，基于历史声纳目标数据库和/或现场声纳目标数据库训练初始模型，基于训练后的初始模型更新模板库，并返回模板匹配步骤。2.如权利要求1所述的一种自主学习的声纳目标个体识别方法，其特征在于，所述模型获取步骤中，利用历史声纳目标数据库对模型进行训练包括以下步骤：对历史声纳目标数据库中任一历史声纳目标数据预处理，获得历史目标谱图；基于历史目标谱图和个体标签对个体识别网络模型进行训练，得到初始模型。3.如权利要求2所述的一种自主学习的声纳目标个体识别方法，其特征在于，所述历史目标谱图为LOFAR谱、DEMON谱或功率谱。4.如权利要求2所述的一种自主学习的声纳目标个体识别方法，其特征在于，所述模板匹配步骤包括以下步骤：对获取的当前声纳数据预处理，获得当前目标谱图；对当前目标谱图利用初始模型进行特征提取，得到对应的当前个体特征模板；判断当前个体特征模板与模板库中的历史个体特征模板是否一致，若一致，则执行下一步，若不一致则目标个体识别结果失败；判断模板库中与当前个体特征模板一致的历史个体...

【专利技术属性】
技术研发人员：王青翠，王方勇，杜栓平，罗兆瑞，陈越超，
申请(专利权)人：中国船舶重工集团公司第七一五研究所，
类型：发明
国别省市：