【技術實現步驟摘要】
本專利技術涉及基于機器學習的線譜自動檢測方法，屬于水聲目標定位跟蹤領域。
技術介紹
1、lofar譜包含了水聲目標的各類信息，對lofar譜采用機器學習方法進行技術研究，可以提高線譜特征提取的精確度，獲得譜圖中研究所需要的有效信息，從而提升水聲目標檢測的準確率。lofar譜作為一種常用的包含目標信號各種特征信息的載體，其檢測誤差會隨著信噪比的降低而升高，在復雜水下環境下目標信號的重要特征往往被丟失，許多方法的適用信噪比范圍被大大限制。
2、現有關于機器學習的線譜檢測方法如下：
3、一種是直接用卷積神經網絡來分析lofar譜圖。它將每個lofar譜分成幾個小塊，用cnn模型來預測小塊中是否含有線譜。研究中的仿真數據為頻率不變的信號，因此不適用頻率隨機波動的線譜檢測。
4、另一種方法在預處理階段采用基于多步決策算法的lofar譜增強方法來恢復lofar譜中的斷點，采用增強的lofar譜作為卷積神經網絡的輸入，通過卷積神經網絡進行線譜在線識別。這種方法可以實現線譜斷點的恢復，并應用于船舶噪聲的識別，但訓練及仿真時并未探討低信噪比下線譜的恢復檢測情況。
技術實現思路
1、針對現有線譜檢測方法在低信噪比下，線譜特征提取精度低的問題，本專利技術提供一種基于機器學習的線譜自動檢測方法。
2、本專利技術的一種基于機器學習的線譜自動檢測方法，包括，
3、采用信號生成模型生成低信噪比下不規則波動頻率線的多組特征信號st；
4、對每
5、搭建基于卷積神經網絡的目標線譜檢測模型，包括編碼器和解碼器，編碼器包括編碼卷積層、注意力層和編碼池化層；
6、采用訓練集對目標線譜檢測模型進行迭代訓練，由目標線譜檢測模型輸出的預測目標線譜與真實目標線譜計算得到檢測誤差，根據檢測誤差調整目標線譜檢測模型的網絡參數，以最小化損失函數；直到檢測誤差小于期望誤差或達到預設迭代次數，得到最終目標線譜檢測模型；
7、將采集得到的lofar譜圖輸入最終目標線譜檢測模型，得到目標線譜。
8、根據本專利技術的基于機器學習的線譜自動檢測方法，所述編碼器依次包括第一編碼卷積層、第一編碼池化層、第二編碼卷積層、注意力層、第二編碼池化層、第三編碼卷積層、第四編碼卷積層和第三編碼池化層；解碼器依次包括第一解碼卷積層、第一上采樣層、第二解碼卷積層、第二上采樣層、第三解碼卷積層、第三上采樣層和第四解碼卷積層。
9、根據本專利技術的基于機器學習的線譜自動檢測方法，所述注意力層包括注意力卷積層、全鏈接層和加權層；
10、第二編碼卷積層輸出的特征經注意力卷積層和全鏈接層輸入至加權層，注意力卷積層輸出的特征同時輸入至加權層，加權層輸出的特征再輸入至第二編碼池化層。
11、根據本專利技術的基于機器學習的線譜自動檢測方法，信號生成模型采用paris提出的信號生成模型；
12、每組特征信號st表示為：
13、st＝at?sin(2πft+φt)+εt,t＝0,...,t-1，
14、式中t表示時間點，at為幅值，ft表示瞬時頻率，每相鄰后一個時間點瞬時頻率由前一個時間點瞬時頻率加隨機擾動得到，φt為相位，εt為加性零均值高斯白噪聲；t為時間點數；
15、εt～n(0,σ2)，
16、其中n表示高斯分布，σ2為方差。
17、根據本專利技術的基于機器學習的線譜自動檢測方法，由每組特征信號st進行短時傅里葉變換得到lofar譜圖的方法為：
18、
19、式中stft表示短時傅里葉變換，ω表示窗函數，τ為窗的中心位置。
20、根據本專利技術的基于機器學習的線譜自動檢測方法，短時傅里葉變換的具體過程為：
21、對每組特征信號st進行采樣得到k幀采樣信號序列lk(m)，1≤k≤k；每幀采樣信號包括m個采樣點，1≤m≤m；
22、對每幀采樣信號進行歸一化，得到歸一化信號yk(m)：
23、
24、再對歸一化信號yk(m)進行中心化，得到中心化信號xk(m)：
25、
26、對中心化信號xk(m)進行傅里葉變換，得到第k幀lofar譜ψk(ζ)：
27、ψk(ζ)＝fft[xk(m)]，
28、將所有ψk(ζ)在時間域中進行排列，得到lofar譜圖。
29、根據本專利技術的基于機器學習的線譜自動檢測方法，目標線譜檢測模型中，第四解碼卷積層的卷積核大小為1×1，其它卷積層的卷積核大小均為3×3；訓練集中樣本上和目標線譜檢測模型通道上的步幅均設置為1；激活函數選擇relu；池化層的最大池化尺寸均為2×2。
30、根據本專利技術的基于機器學習的線譜自動檢測方法，損失函數為交叉熵損失函數l：
31、
32、式中p為預設迭代次數，yi為真實目標線譜的訓練標簽，bi為目標線譜的預測輸出。
33、根據本專利技術的基于機器學習的線譜自動檢測方法，根據檢測誤差調整目標線譜檢測模型的網絡參數的方法為：
34、使用誤差的反向傳播方法，利用檢測誤差計算目標線譜檢測模型中各網絡層神經元的梯度誤差，基于鏈式法則向模型輸入端計算梯度，對計算得到的梯度應用梯度下降算法迭代更新目標線譜檢測模型的網絡參數。
35、根據本專利技術的基于機器學習的線譜自動檢測方法，目標線譜檢測模型輸出的預測目標線譜為強度在0～1之間的lofar譜。
36、本專利技術的有益效果：本專利技術方法用于水聲目標的自動檢測。它在利用卷積神經網絡實現多種形態線譜檢測的同時，利用注意力機制對重要特征分配更高權重，使網絡在低信噪比時能進行線譜特征的自動提取，并達到較高精度。
37、本專利技術方法在引入機器學習卷積神經網絡的基礎上搭建了編碼-解碼網絡，能夠實現端到端的提取任務，并作為改進加入注意力機制，加大了特征譜線的權重，增強了網絡的特征提取能力，在線譜頻率波動及低信噪比時也能實現較好的線譜檢測效果，同時網絡體積相對較小，便于訓練使用。
本文檔來自技高網...【技術保護點】
1.一種基于機器學習的線譜自動檢測方法，其特征在于，
2.根據權利要求1所述的基于機器學習的線譜自動檢測方法，其特征在于，
3.根據權利要求2所述的基于機器學習的線譜自動檢測方法，其特征在于，
4.根據權利要求3所述的基于機器學習的線譜自動檢測方法，其特征在于，
5.根據權利要求4所述的基于機器學習的線譜自動檢測方法，其特征在于，
6.根據權利要求5所述的基于機器學習的線譜自動檢測方法，其特征在于，
7.根據權利要求6所述的基于機器學習的線譜自動檢測方法，其特征在于，
8.根據權利要求7所述的基于機器學習的線譜自動檢測方法，其特征在于，
9.根據權利要求1所述的基于機器學習的線譜自動檢測方法，其特征在于，
10.根據權利要求1所述的基于機器學習的線譜自動檢測方法，其特征在于，
【技術特征摘要】
1.一種基于機器學習的線譜自動檢測方法，其特征在于，
2.根據權利要求1所述的基于機器學習的線譜自動檢測方法，其特征在于，
3.根據權利要求2所述的基于機器學習的線譜自動檢測方法，其特征在于，
4.根據權利要求3所述的基于機器學習的線譜自動檢測方法，其特征在于，
5.根據權利要求4所述的基于機器學習的線譜自動檢測方法，其特征在于，
6...
【專利技術屬性】
技術研發人員：師俊杰，孫大軍，梁民帥，熊凌霜，呂云飛，
申請(專利權)人：哈爾濱工程大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。