【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及聲學領(lǐng)域，尤其涉及一種基于深度學習算法的新型聲學信號特征頻率識別方法。
技術(shù)介紹
1、在聲學領(lǐng)域中，目標識別是指基于目標物的特征對其通過主動或被動裝備輔以深度學習算法、敏感傳感裝置、視覺圖像處理等綜合途徑對目標進行檢測跟蹤、成像、識別分類。在生物保護、經(jīng)濟發(fā)展與民生等諸多領(lǐng)域具有重要的現(xiàn)實意義。
2、隨著現(xiàn)代傳感技術(shù)與深度學習算法的高速發(fā)展，目標檢測與識別分類技術(shù)的研究與應用愈發(fā)成熟。r2索尼克有限公司(cn116794661a)提供了一種多信號消息并解構(gòu)相匹配多信號回聲的方法；哈爾濱工程大學提供了一種基于深海下會聚區(qū)接收信號互相關(guān)函數(shù)匹配的聲源被動定位系統(tǒng)及其定位方法(cn116840842a)。但現(xiàn)有研究多數(shù)集中在對目標的定位、檢測是否存在目標物、對目標物的成像以及分類上，相比之下，主動型目標物特征頻率識別的研究相對匱乏。
3、現(xiàn)有技術(shù)與研究存在的缺陷包括：現(xiàn)有技術(shù)與研究缺乏一種具有寬頻工作效益且針對聲學信號特征頻率的識別方法；基于超聲換能器的傳統(tǒng)方法受到換能器自身頻帶寬度制約，識別范圍單一，器件靈活性差且設(shè)計過程復雜；基于傳統(tǒng)方法的目標頻率識別依賴經(jīng)驗判斷，無法滿足現(xiàn)代智能化檢測與識別裝備的需求；現(xiàn)有方法需要大樣本數(shù)據(jù)訓練深度學習算法，且檢測準確率低。
4、因此，提供一種基于深度學習算法的新型聲學信號特征頻率識別方法具有創(chuàng)新意義。
技術(shù)實現(xiàn)思路
1、為了優(yōu)化現(xiàn)有技術(shù)的不足和缺陷，本專利技術(shù)提出了一種基于深度學習算法的新型聲學信
2、深度學習算法包括但不限于前饋神經(jīng)網(wǎng)絡算法(mlp)、循環(huán)神經(jīng)網(wǎng)絡算法(rnn)、長短期記憶網(wǎng)絡算法(lstm)、生成對抗網(wǎng)絡算法(gan)、自動編碼器(autoencoder)。
3、深度學習算法基于優(yōu)化算法收斂到最優(yōu)解，優(yōu)化算法包括但不限于梯度下降法、rmsprop、adagrad、adam、遺傳算法、模擬退火算法。
4、寬頻超聲換能器作為聲學信號接收器，寬頻超聲換能器包括單一的寬頻超聲換能器單元與陣列化寬頻超聲換能器。
5、深度學習算法基于特征數(shù)據(jù)集訓練做小樣本學習(fsl)并生成更寬頻段范圍聲學信號的特征分布。
6、深度學習算法的訓練包括基于單一特征數(shù)據(jù)集的訓練與基于多特征數(shù)據(jù)集的訓練。
7、對特征數(shù)據(jù)集做數(shù)據(jù)尺度變換，包括但不限于歸一化，標準化，數(shù)據(jù)縮放，尺度平移。
8、特征數(shù)據(jù)集中的特征值包括信號振蕩衰減周期特征、信號的傅里葉頻譜特征、信號脈沖特征、信號能量及功率特征、信號相位特征、信號自身電壓電流特征中的至少一種。
9、優(yōu)選的，寬頻超聲換能器為基于離散超聲換能器陣列的寬頻超聲換能器。
10、優(yōu)選的，深度學習算法為基于遺傳優(yōu)化算法優(yōu)化的mlp算法。
11、優(yōu)選的，利用特征數(shù)據(jù)集訓練的深度學習算法輸出存儲全局最優(yōu)解的深度學習結(jié)果，最優(yōu)解學習結(jié)果用于準確識別信號特征頻率。
12、與現(xiàn)有技術(shù)相比較，本專利技術(shù)提供的一種基于深度學習算法的新型聲學信號特征頻率識別方法具備以下有益效果，包括：
13、所述方法實現(xiàn)了針對聲學信號特征頻率的高準確率識別，整體僅需要少量的離散超聲換能器，且裝置成本低，無需開發(fā)新工藝。
14、所述方法結(jié)合深度學習算法，使得對聲學信號特征頻率的識別具有寬頻工作效益，有效地克服了傳統(tǒng)方法檢測頻帶單一的缺陷。
15、所述方法有效優(yōu)化了小樣本訓練數(shù)據(jù)前提下，深度學習算法識別不準確的問題，改善了傳統(tǒng)方法在目標檢測與識別領(lǐng)域高度依賴經(jīng)驗判斷的問題，操作簡單，響應速度快。
16、所述方法可以使超聲換能器工作在突破-6db工作頻帶限制的狀態(tài)，有效地拓寬超聲換能器的有效工作頻帶范圍，巧妙地優(yōu)化了傳統(tǒng)超聲換能器、水聽器及其陣列工作頻帶單一且適應性差的缺點。
本文檔來自技高網(wǎng)...【技術(shù)保護點】
1.一種基于深度學習算法的新型聲學信號特征頻率識別方法，包括：創(chuàng)新結(jié)合深度學習算法與寬頻超聲換能器，針對聲學信號特征頻率，實現(xiàn)寬頻范圍的高準確率準確識別，同時拓寬超聲換能器的有效工作頻帶。
2.根據(jù)權(quán)利要求1所述的一種基于深度學習算法的新型聲學信號特征頻率識別方法，其特征在于，所述深度學習算法包括但不限于前饋神經(jīng)網(wǎng)絡算法(MLP)、循環(huán)神經(jīng)網(wǎng)絡算法(RNN)、長短期記憶網(wǎng)絡算法(LSTM)、生成對抗網(wǎng)絡算法(GAN)、自動編碼器(Autoencoder)。
3.根據(jù)權(quán)利要求1所述的一種基于深度學習算法的新型聲學信號特征頻率識別方法，其特征在于，所述深度學習算法基于優(yōu)化算法收斂到最優(yōu)解，所述優(yōu)化算法包括但不限于梯度下降法、RMSProp、AdaGrad、Adam、遺傳算法、模擬退火算法。
4.根據(jù)權(quán)利要求1所述的一種基于深度學習算法的新型聲學信號特征頻率識別方法，其特征在于，所述寬頻超聲換能器作為聲學信號接收器，所述寬頻超聲換能器包括單一的寬頻超聲換能器單元與陣列化寬頻超聲換能器。
5.根據(jù)權(quán)利要求1所述的一種基于深度學習算法的新型聲
6.根據(jù)權(quán)利要求5所述的一種基于深度學習算法的新型聲學信號特征頻率識別方法，其特征在于，對所述深度學習算法的訓練還包括基于單一特征數(shù)據(jù)集的訓練與基于多特征數(shù)據(jù)集的訓練。
7.根據(jù)權(quán)利要求5所述的一種基于深度學習算法的新型聲學信號特征頻率識別方法，其特征在于，所述特征數(shù)據(jù)集需要數(shù)據(jù)尺度變換，包括但不限于歸一化，標準化，數(shù)據(jù)縮放，尺度平移。
8.根據(jù)權(quán)利要求5所述的一種基于深度學習算法的新型聲學信號特征頻率識別方法，其特征在于，所述特征數(shù)據(jù)集中的特征值包括信號振蕩衰減周期特征、信號的傅里葉頻譜特征、信號脈沖特征、信號能量及功率特征、信號相位特征、信號自身電壓電流特征中的至少一種。
...【技術(shù)特征摘要】
1.一種基于深度學習算法的新型聲學信號特征頻率識別方法，包括：創(chuàng)新結(jié)合深度學習算法與寬頻超聲換能器，針對聲學信號特征頻率，實現(xiàn)寬頻范圍的高準確率準確識別，同時拓寬超聲換能器的有效工作頻帶。
2.根據(jù)權(quán)利要求1所述的一種基于深度學習算法的新型聲學信號特征頻率識別方法，其特征在于，所述深度學習算法包括但不限于前饋神經(jīng)網(wǎng)絡算法(mlp)、循環(huán)神經(jīng)網(wǎng)絡算法(rnn)、長短期記憶網(wǎng)絡算法(lstm)、生成對抗網(wǎng)絡算法(gan)、自動編碼器(autoencoder)。
3.根據(jù)權(quán)利要求1所述的一種基于深度學習算法的新型聲學信號特征頻率識別方法，其特征在于，所述深度學習算法基于優(yōu)化算法收斂到最優(yōu)解，所述優(yōu)化算法包括但不限于梯度下降法、rmsprop、adagrad、adam、遺傳算法、模擬退火算法。
4.根據(jù)權(quán)利要求1所述的一種基于深度學習算法的新型聲學信號特征頻率識別方法，其特征在于，所述寬頻超聲換能器作為聲學信號接收器，所述寬頻超聲換...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：劉玉菲，楊廣浩，吳梓鳴，
申請(專利權(quán))人：重慶大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。