【技术实现步骤摘要】
本专利技术涉及一种声纳信号处理方法，属于水声工程、声纳技术、主动声纳信号处理领域，尤其涉及一种基于深度学习的多回波相似性特征提取方法。
技术介绍
1、主动声纳已成为水下探测的主要设备之一，通过发射信号，接收经目标散射的回波，对接收回波进行处理分析来实现对水下目标的检测识别。传统的主动声纳目标识别方法通过研究水下目标声散射理论和散射特性，对目标散射回波进行分析处理，提取具有可分性的特征来实现对水下目标类型的判断。多回波相似性特征是指主动声纳多个相邻周期接收到的目标回波之间的相似程度，多回波相似性特征与目标的结构有一定的关系，如海底、海面、鱼群等非人造水下混响体，由于其声散射过程的随机性，多回波之间的相似程度低；而人造金属目标短时间内的多个回波之间可重复性强，多回波相似程度较高，可作为水下目标类型判断的依据。
2、受海洋信道的随机性和时变性影响，相邻的多个主动目标回波也会出现一定的随机起伏，如幅度差异、回波精细结构的变化等，导致多回波相似性特征难以简单用某一个或某几个量来表征。深度学习强大的非线性特征提取和表征学习能力可以挖掘出目标的可鉴别性特征，能区分相似的目标与不同的目标，对复杂海洋环境变换具有较好地泛化性。
技术实现思路
1、本专利技术的目的在于克服现有技术存在的不足，而提供一种基于深度学习的多回波相似性特征提取方法。本专利技术利用深度学习的非线性特征表征提取能力提取多回波相似性特征，可以更好地表征主动目标相邻多个回波之间的特性。
2、本专利技术的目的是通
3、进一步地，该方法具体包括步骤如下：
4、步骤一：构建主动目标连续回波数据集；其中目标回波采用仿真方法产生，仿真多组水文环境参数，每组水文环境参数条件下仿真生成相邻多个单波束目标时域回波，非目标回波从实际海试数据中提取得到，包含若干组相邻多个连续周期的非目标回波；
5、每个主动回波的标签为label＝[group,num,cls]，其中，group表示相邻连续回波的组数，num表示在该组相邻连续回波中的回波序号，cls表示回波的类别属性，cls＝0表示目标回波，cls＝1表示非目标回波；
6、步骤二：构建深度神经网络，网络分为特征提取模块，特征相似性度量模块，损失函数计算模块；
7、特征提取模块用于对原始的主动目标时域回波进行高维特征表示；
8、特征相似性度量模块采用特征距离度量函数计算相邻回波之间的相似性，特征距离越小，认为相似性越高；
9、损失函数计算模块是通过设计损失函数，使得目标的相邻多回波相似性大于非目标的相邻多回波相似性、不相邻非目标回波相似性以及目标与非目标之间的相似性，通过最小化损失函数来学习特征提取网络的参数；
10、步骤三：开展模型训练；
11、步骤四：利用训练完的模型进行预测，对待预测的两个回波z1(t)、z2(t)，输入特征提取网络模型，得到回波的高维特征向量输出g1、g2，计算两个高维特征向量之间的距离dist(g1,g2)，若距离小于阈值，则认为两个回波相似，否则，认为两个回波不相似。
12、进一步地，所述步骤三的开展模型训练包括步骤如下：
13、网络每次接收两个输入，一个目标回波xij(t)，一个非目标回波yij(t)，下标i表示相邻连续回波的组数，下标j表示该回波在该组相邻连续回波中的回波序号；
14、步骤3.1：对目标回波xij(t)，按照标签索引找到其相邻两个回波xij+1(t)、xij+2(t)或者xij-2(t)、xij-1(t)，与该目标回波分别送入特征提取网络，得到高维特征向量f1、f2、f3，每两个特征向量之间利用dist(a,b)函数计算特征向量距离，取最小距离作为该组目标回波的特征距离dist_x，即
15、dist_x＝min(dist(f1,f2),dist(f1,f3),dist(f2,f3))
16、步骤3.2：对非目标回波yij(t)，其通过特征提取网络后输出高维特征向量fn1，在训练中计算非目标回波距离dist_y；
17、步骤3.3：定义损失函数如下
18、l＝max(dist_x-dist_y+margin,0)
19、其中，margin为一个大于0的常数，通过优化损失函数达到相邻多个目标回波之间的相似性要大于目标回波与非目标回波、相邻多个非目标回波以及不相邻非目标回波之间的相似性。
20、进一步地，所述计算非目标回波距离dist_y包括计算目标回波xij(t)与非目标回波yij(t)的高维特征向量之间的特征距离。
21、进一步地，所述计算非目标回波距离dist_y包括按照步骤3.1，计算相邻多个非目标回波之间的距离。
22、进一步地，所述计算非目标回波距离dist_y包括从非目标回波中任意选取两个非目标回波，通过特征提取网络后输出高维特征向量frn1、frn2，计算特征距离，并选取最小的距离为非目标回波距离。
23、本专利技术的有益效果为：本专利技术提供的多回波相似性特征提取方法，利用深度学习的非线性特征表征能力挖掘主动目标回波的可鉴别性特征，设计损失函数，使得相邻目标回波的之间的相似性高于目标回波与非目标回波/相邻非目标回波/不相邻非目标回波之间的相似性，对多回波相似性特征具有较好地特征表征效果，受环境影响小，泛化性强。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的多回波相似性特征提取方法，其特征在于：利用深度学习的非线性特征表征能力挖掘主动目标回波的可鉴别性特征，选取相邻目标回波计算特征距离度量目标回波相似性，计算相邻非目标回波/不相邻非目标回波/目标与非目标回波之间的特征距离度量非目标回波相似性，设计损失函数，使得相邻目标回波的之间的相似性高于目标回波与非目标回波/相邻非目标回波/不相邻非目标回波之间的相似性。
2.根据权利要求1所述的基于深度学习的多回波相似性特征提取方法，其特征在于：包括步骤如下：
3.根据权利要求2所述的基于深度学习的多回波相似性特征提取方法，其特征在于：所述步骤三的开展模型训练包括步骤如下：
4.根据权利要求3所述的基于深度学习的多回波相似性特征提取方法，其特征在于：所述计算非目标回波距离dist_y包括计算目标回波xij(t)与非目标回波yij(t)的高维特征向量之间的特征距离。
5.根据权利要求3所述的基于深度学习的多回波相似性特征提取方法，其特征在于：所述计算非目标回波距离dist_y包括按照步骤3.1，计算相邻多个非目标回波之间的距离。
6.根据权利要求3所述的基于深度学习的多回波相似性特征提取方法，其特征在于：所述计算非目标回波距离dist_y包括从非目标回波中任意选取两个非目标回波，通过特征提取网络后输出高维特征向量frN1、frN2，计算特征距离，并选取最小的距离为非目标回波距离。
...【技术特征摘要】
1.一种基于深度学习的多回波相似性特征提取方法，其特征在于：利用深度学习的非线性特征表征能力挖掘主动目标回波的可鉴别性特征，选取相邻目标回波计算特征距离度量目标回波相似性，计算相邻非目标回波/不相邻非目标回波/目标与非目标回波之间的特征距离度量非目标回波相似性，设计损失函数，使得相邻目标回波的之间的相似性高于目标回波与非目标回波/相邻非目标回波/不相邻非目标回波之间的相似性。
2.根据权利要求1所述的基于深度学习的多回波相似性特征提取方法，其特征在于：包括步骤如下：
3.根据权利要求2所述的基于深度学习的多回波相似性特征提取方法，其特征在于：所述步骤三的开展模型训练包括步骤如下：
4.根据...
【专利技术属性】
技术研发人员：王青翠，王方勇，张伟，杜栓平，刘卓然，
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。