【技术实现步骤摘要】
本专利技术涉及一种声纳及声纳信号处理方法，属于水声工程、声纳技术、人工智能等领域，一种基于区间回归的水下目标尺度预测方法。
技术介绍
1、水下目标探测是水声领域的一个重要研究领域，使用主动声纳进行水中目标信息探测是现在主流的水下目标探测方式之一。当声纳在水中发射的声信号经目标反射被水听器接收后，可以反映目标的一些特征，具体可能包括目标物体尺度、运动速度等，这些特征是进行目标类型判定的重要依据。
2、主动目标回波经目标反射后，其回波相比于发射波形会存在一定的时延展宽，反映了目标的径向尺度特征。传统方法通过对目标回波包络进行分析，寻找回波包络的边缘来对目标径向尺度进行估计，但是传统方法的估计精度受环境影响较大，稳定性差。近年来，随着深度学习等智能方法的兴起，可利用深度神经网络模型直接对目标尺度进行回归预测，然而，直接对目标尺度进行回归预测的方法可解释性较差，不利于模型预测结果分析和优化。
技术实现思路
1、本专利技术针对水下目标尺度特征预测问题，提出一种基于区间回归的水下目标尺度预测方法，将目标尺度预测转换为回波包络的区间预测问题，通过深度学习方法直接预测回波包络区间，可同时给出回波包络的左右边界和预测结果的置信度，大大提高了对水下目标尺度预测的可解释性。
2、本专利技术的技术方案为：
3、本专利技术提出了一种基于区间回归的水下目标尺度预测方法，该方法的步骤包括：
4、步骤1、构建仿真目标回波数据集：按照亮点模型理论，采用下式仿真产生具有
5、
6、其中，an、τn分别表示第n个亮点相对于某一亮点的幅度和时延，n(ω)表示附加的噪声项，一般采用白噪声模型，n是亮点个数；
7、对仿真水下目标回波进行匹配滤波得到其匹配滤波包络，以目标回波为中心，截取回波包络构建仿真目标回波数据集，并生成数据标签。
8、优选的，所述步骤1中，目标回波数据集的总长度为1024，数据标签生成方式为：对数据长度为1024的回波数据设置对应的标签，标签包括目标类型和目标回波的左右边界。
9、步骤2、构建深度学习模型及定义模型联合损失函数：
10、步骤2-1、构建深度学习模型：针对水下目标回波包络结构特点，构建面向回波数据特征提取的深度学习网络模型；
11、步骤2-2、定义模型联合损失函数：模型的联合损失函数，由如下两部分构成：
12、(1)回波包络边界回归损失：回波包络边界回归损失函数用于目标回波尺度估计，一维数据主要分为左右边界，依据二维图像数据检测中的giou损失函数对一维数据的边界回归损失函数进行设计，设计回波边界框回归损失函数如下
13、
14、
15、
16、
17、其中n表示样本数目，l,r表示样本的左右边界标签，表示样本的预测标签；
18、(2)目标分类损失函数：依据回波包络边界回归损失函数获取目标回波包络区间，依据目标分类损失函数获取目标置信度，定义目标分类损失函数如下
19、
20、其中，表示第i个样本的预测置信度，y表示第i个样本的标签；
21、基于此，将联合损失函数定义如下：
22、l＝αl1d-br+βl1d-c
23、其中，α,β为超参数，用于控制每部分损失函数在总损失函数中所占的权重。
24、优选的，所述步骤2-1中，面向回波数据特征提取的深度学习网络模型采用基于transformer构建的数字特征智能提取模型，具体的，在构建的transformer数字特征智能提取模型中对输入的样本使用卷积核大小为16、移动步长为16的一维卷积进行patchembedding操作，获得维度为64x768的初始输入特征向量。
25、优选的，所述步骤2-2中，依据训练效果，将联合损失函数的α,β权重参数分别设置为0.4和0.6。
26、步骤3、深度学习模型训练：使用构建好的适用回波数据特征提取的深度学习模型和联合损失函数对仿真的回波数据进行训练。
27、优选的，所述步骤3中，将模型训练过程中的参数设置为：单批次训练样本数目为512，学习率设置为0.00002，模型优化函数设置为adam；深度学习模型输出为：输入数据中检测到的目标回波左右边界值及置信度。
28、步骤4、深度学习模型预测：对待测的实际数据进行预处理，得到回波包络，构建实际目标回波数据集，并生成数据标签，利用步骤3训练好的模型进行预测，得到实际数据对应的目标回波左右边界值并给出预测结果的置信度。
29、所述步骤4中，实际目标回波数据集的总长度为1024，数据标签生成方式为：对数据长度为1024的回波数据设置对应的标签，标签包括目标类型和目标回波的左右边界。
30、本专利技术的优点在于：本专利技术提供的水下目标尺度预测方法中，将对水下目标直接进行尺度回归预测转换为对回波包络区间的回归预测，设计了一个由回波边界框回归损失和目标分类损失构成的联合损失函数，可同时给出回波包络的左右边界和预测结果的置信度，大大提高了基于深度学习尺度预测的可解释性。
本文档来自技高网...【技术保护点】
1.一种基于区间回归的水下目标尺度预测方法，其特征在于，该方法的步骤包括：
2.根据权利要求1所述的基于区间回归的水下目标尺度预测方法，其特征在于：所述步骤1中，目标回波数据集的总长度为1024，数据标签生成方式为：对数据长度为1024的回波数据设置对应的标签，标签包括目标类型和目标回波的左右边界。
3.根据权利要求1所述的基于区间回归的水下目标尺度预测方法，其特征在于：所述步骤2-1中，面向回波数据特征提取的深度学习网络模型采用基于transformer构建的数字特征智能提取模型。
4.根据权利要求3所述的基于区间回归的水下目标尺度预测方法，其特征在于：所述步骤2-1中，在构建的transformer数字特征智能提取模型中对输入的样本使用卷积核大小为16、移动步长为16的一维卷积进行patch embedding操作，获得维度为64x768的初始输入特征向量。
5.根据权利要求1所述的基于区间回归的水下目标尺度预测方法，其特征在于：所述步骤2-2中，依据训练效果，将α,β权重参数分别设置为0.4和0.6。
6.根据权利
7.根据权利要求1-6任一项所述的基于区间回归的水下目标尺度预测方法，其特征在于，该方法的步骤还包括：
8.根据权利要求7所述的基于区间回归的水下目标尺度预测方法，其特征在于：所述步骤4中，实际目标回波数据集的总长度为1024，数据标签生成方式为：对数据长度为1024的回波数据设置对应的标签，标签包括目标类型和目标回波的左右边界。
...【技术特征摘要】
1.一种基于区间回归的水下目标尺度预测方法，其特征在于，该方法的步骤包括：
2.根据权利要求1所述的基于区间回归的水下目标尺度预测方法，其特征在于：所述步骤1中，目标回波数据集的总长度为1024，数据标签生成方式为：对数据长度为1024的回波数据设置对应的标签，标签包括目标类型和目标回波的左右边界。
3.根据权利要求1所述的基于区间回归的水下目标尺度预测方法，其特征在于：所述步骤2-1中，面向回波数据特征提取的深度学习网络模型采用基于transformer构建的数字特征智能提取模型。
4.根据权利要求3所述的基于区间回归的水下目标尺度预测方法，其特征在于：所述步骤2-1中，在构建的transformer数字特征智能提取模型中对输入的样本使用卷积核大小为16、移动步长为16的一维卷积进行patch embedding操作，获得维度为64x768的初始输入特征向...
【专利技术属性】
技术研发人员：张伟，王青翠，刘卓然，王方勇，
申请(专利权)人：中国船舶集团有限公司第七一五研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。