【技术实现步骤摘要】
本公开实施例涉及声磁信号融合处理，尤其涉及一种基于声磁信息融合的水面-水下目标辨识方法。
技术介绍
1、海上舰船、潜艇等目标运动时，由于螺旋桨转动与海水发生作用，激发产生含有线谱和宽带谱的低频辐射噪声。同时，由于螺旋桨转动引起轴系接触电阻发生周期性变化，导致防腐蚀电流的周期性脉动，激发产生极低频的轴频磁场。目标的低频辐射噪声和极低频的轴频磁场的频谱信息中含有丰富的目标信息，能够快速辨识水面-水下的目标。现有的方法中仅利用单一的物理量识别水面-水下的目标时会导致目标辨识精度低的问题。
技术实现思路
1、为了避免现有技术的不足之处，本专利技术提供一种基于声磁信息融合的水面-水下目标辨识方法，用以解决现有技术中存在单一物理量信息不足导致目标辨识精度低的问题。
2、根据本公开实施例，提供一种基于声磁信息融合的水面-水下目标辨识方法，该方法包括：
3、根据声磁矢量线阵，获取目标的辐射噪声信号和轴频磁场信号，并对辐射噪声信号和轴频磁场信号进行处理，以得到目标的声学频谱信息和磁学频谱信息；
4、根据声学频谱信息和磁学频谱信息，计算得到声场先验特征和磁场先验特征；其中，声场先验特征包括线谱波动特征、线谱能量分布、特定频段线谱数量和梅尔倒谱系数特征，磁场先验特征包括自回归模型系数和希尔伯特边际谱；
5、利用训练好的特征提取网络分别提取目标的声学频谱信息和磁学频谱信息的特征信息，以分别得到声学网络自主特征和磁学网络自主特征；
6、根据声场先验
7、利用训练好的目标辨识网络对声磁辨识特征信息进行融合，输出目标的辨识结果，以实现水面-水下目标的辨识。
8、进一步的，声学频谱信息的表达式为：
9、
10、式中， k为频率，且， n为信号长度，为辐射噪声信号， j是虚数单位， e是自然对数的底数；
11、线谱波动特征的表达式为：
12、
13、线谱能量分布的表达式为：
14、
15、梅尔倒谱系数特征的表达式为：
16、
17、式中， m表示 mel频带数， n表示离散余弦变换的长度，表示对数能量。
18、进一步的，利用自回归系数计算信号的功率谱，其中，轴频磁场信号的功率谱表达式为：
19、
20、
21、式中，为噪声，s( n)为轴频磁场信号， p为模型的阶数，为自回归模型系数；
22、希尔伯特边际谱的表达式为：
23、
24、式中，表示窗口函数，为频率分量。
25、进一步的，利用训练好的特征提取网络分别提取目标的声学频谱信息和磁学频谱信息的特征信息，以分别得到声学网络自主特征和磁学网络自主特征的步骤中，包括：
26、利用标定好的目标声磁数据集训练特征提取网络；
27、将目标的声学频谱信息输入至训练好的特征提取网络中，以输出声学网络自主特征；
28、将目标的磁学频谱信息输入至训练好的特征提取网络中，以输出磁学网络自主特征。
29、进一步的，特征提取网络为model-f网络，model-f网络包括声学频谱信息特征提取模块和轴频磁场频谱特征提取模块；
30、声学频谱信息特征提取模块包括3个第一一维卷积模块和1个第一全连接层；第一个第一一维卷积层中使用8个卷积核，其卷积核长度为100，滑动步长为50，填充类型为valid；第二个第一一维卷积层使用4个卷积核，其卷积核长度为50，滑动步长为25，填充类型为valid；第三个第一一维卷积层使用4个卷积核，其卷积核长度为20，滑动步长为10，填充类型为valid；第一全连接层的神经元个数为10，dropout层的参数rate值为0.5；
31、轴频磁场频谱特征提取模块包括3个第二一维卷积模块和第二全连接层；第一个第二一维卷积层中使用8个卷积核，其卷积核长度为20，滑动步长为10，填充类型为valid；第二个第二一维卷积层使用4个卷积核，其卷积核长度为10，滑动步长为5，填充类型为valid；第三个第二一维卷积层使用4个卷积核，其卷积核长度为5，滑动步长为1，填充类型为valid；第二全连接层的神经元个数为10，dropout层的参数rate值为0.5。
32、进一步的，根据声场先验特征、磁场先验特征、声学网络自主特征和磁学网络自主特征，生成目标的声磁辨识特征信息的步骤中，包括：
33、分别对声场先验特征、磁场先验特征、声学网络自主特征和磁学网络自主特征进行归一化处理；
34、对归一化处理后的声场先验特征、磁场先验特征、声学网络自主特征和磁学网络自主特征进行聚合，以生成声磁辨识特征信息。
35、进一步的，利用训练好的目标辨识网络对声磁辨识特征信息进行融合，输出目标的辨识结果，以实现水面-水下目标的辨识的步骤中，包括：
36、利用标定好的目标声磁数据集训练目标辨识网络，以构建声磁信息与目标类别的映射关系；
37、将声磁辨识特征信息输入至训练好的目标辨识网络进行融合，以输出目标的辨识结果。
38、进一步的，目标辨识网络为model-r网络，model-r网络包括输入层、隐藏层1、隐藏层2、隐藏层3和输出层；其中，
39、输入层神经元个数为声磁特征的个数，隐藏层1的神经元个数为64，激活函数为relu；隐藏层2的神经元个数为32，激活函数为relu；隐藏层3的神经元个数为16，激活函数为relu；隐藏层1的神经元个数为3；激活函数为softmax。
40、进一步的，声磁矢量线阵包括水听器和磁传感器。
41、本公开的实施例提供的技术方案可以包括以下有益效果：
42、本公开的实施例中，通过上述基于声磁信息融合的水面-水下目标辨识方法，一方面，基于目标的声学频谱信息和磁学频谱信息的先验知识，构建具有明确物理含义的特征信息，即声场先验特征和磁场先验特征；基于特征提取网络的特征信息自主提取，构建目标声磁频谱特征的丰富多维特征信息，即声学网络自主特征和磁学网络自主特征；聚合声场先验特征、磁场先验特征、声学网络自主特征和磁学网络自主特征，构建声磁关联的声磁辨识特征信息；基于目标辨识网络的多维特征信息融合，输出目标的辨识结果。另一方面，通过目标声磁信息的特征构建与融合，实现水面/水下目标的快速辨识，解决了单一水声信息或磁场信息在目标辨识中识别率局限性本文档来自技高网...
【技术保护点】
1.一种基于声磁信息融合的水面-水下目标辨识方法，其特征在于，该方法包括：
2.根据权利要求1所述基于声磁信息融合的水面-水下目标辨识方法，其特征在于，声学频谱信息的表达式为：
3.根据权利要求2所述基于声磁信息融合的水面-水下目标辨识方法，其特征在于，利用自回归系数计算信号的功率谱，其中，轴频磁场信号的功率谱表达式为：
4.根据权利要求1所述基于声磁信息融合的水面-水下目标辨识方法，其特征在于，利用训练好的特征提取网络分别提取目标的声学频谱信息和磁学频谱信息的特征信息，以分别得到声学网络自主特征和磁学网络自主特征的步骤中，包括：
5.根据权利要求4所述基于声磁信息融合的水面-水下目标辨识方法，其特征在于，特征提取网络为Model-F网络，Model-F网络包括声学频谱信息特征提取模块和轴频磁场频谱特征提取模块；
6.根据权利要求1所述基于声磁信息融合的水面-水下目标辨识方法，其特征在于，根据声场先验特征、磁场先验特征、声学网络自主特征和磁学网络自主特征，生成目标的声磁辨识特征信息的步骤中，包括：
7.根据权
8.根据权利要求7所述基于声磁信息融合的水面-水下目标辨识方法，其特征在于，目标辨识网络为Model-R网络，Model-R网络包括输入层、隐藏层1、隐藏层2、隐藏层3和输出层；其中，
9.根据权利要求8所述基于声磁信息融合的水面-水下目标辨识方法，其特征在于，声磁矢量线阵包括水听器和磁传感器。
...【技术特征摘要】
1.一种基于声磁信息融合的水面-水下目标辨识方法，其特征在于，该方法包括：
2.根据权利要求1所述基于声磁信息融合的水面-水下目标辨识方法，其特征在于，声学频谱信息的表达式为：
3.根据权利要求2所述基于声磁信息融合的水面-水下目标辨识方法，其特征在于，利用自回归系数计算信号的功率谱，其中，轴频磁场信号的功率谱表达式为：
4.根据权利要求1所述基于声磁信息融合的水面-水下目标辨识方法，其特征在于，利用训练好的特征提取网络分别提取目标的声学频谱信息和磁学频谱信息的特征信息，以分别得到声学网络自主特征和磁学网络自主特征的步骤中，包括：
5.根据权利要求4所述基于声磁信息融合的水面-水下目标辨识方法，其特征在于，特征提取网络为model-f网络，model-f网络包括声学频谱信息特征提取模块和轴频...
【专利技术属性】
技术研发人员：樊黎明，雷波，
申请(专利权)人：西北工业大学青岛研究院，
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。