多模式航空聲吶浮標(biāo)信號處理與目標(biāo)識別方法與流程

本發(fā)明涉及信號目標(biāo)識別，尤其涉及多模式航空聲吶浮標(biāo)信號處理與目標(biāo)識別方法。

背景技術(shù)：

1、隨著海洋探測和監(jiān)控技術(shù)的不斷發(fā)展，航空聲吶浮標(biāo)作為一種重要的探測工具，已廣泛應(yīng)用于海洋環(huán)境監(jiān)測、資源勘探以及軍事用途，尤其在潛艇探測領(lǐng)域發(fā)揮著關(guān)鍵作用。傳統(tǒng)的航空聲吶浮標(biāo)信號處理方法通常依賴于單一模式的信號采集與處理手段，常見的有基于聲學(xué)信號的處理技術(shù)。然而，單一模式的信號處理方法在面對復(fù)雜的海洋環(huán)境時，往往無法有效應(yīng)對多種環(huán)境噪聲和干擾因素，導(dǎo)致目標(biāo)識別的準(zhǔn)確性和魯棒性下降。此外，現(xiàn)有技術(shù)中多依賴固定參數(shù)的信號處理算法，缺乏對實時環(huán)境變化的自適應(yīng)能力，這進(jìn)一步限制了其在復(fù)雜海況下的應(yīng)用。

2、近年來，多模態(tài)信號處理技術(shù)的興起為解決這一問題提供了新的思路。通過結(jié)合不同類型的信號，如聲學(xué)信號、振動信號以及環(huán)境噪聲信號，利用多模態(tài)數(shù)據(jù)融合技術(shù)，能夠在更大程度上挖掘目標(biāo)特征的互補信息，增強(qiáng)目標(biāo)識別的精度和穩(wěn)定性。然而，目前市面上的多模態(tài)融合技術(shù)仍然面臨數(shù)據(jù)處理復(fù)雜度高、模型適應(yīng)性差的問題，無法在復(fù)雜環(huán)境中達(dá)到理想的識別效果。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供了多模式航空聲吶浮標(biāo)信號處理與目標(biāo)識別方法。

2、多模式航空聲吶浮標(biāo)信號處理與目標(biāo)識別方法，包括以下步驟：

3、s1，多模式信號采集：使用航空聲吶浮標(biāo)在預(yù)定的海域范圍內(nèi)進(jìn)行信號采集，所采集的信號包括聲學(xué)信號、振動信號和環(huán)境噪聲信號，通過不同模式的傳感器模塊同步采集多種類型的信號數(shù)據(jù)，確保數(shù)據(jù)的時間和空間一致性；

4、s2，信號預(yù)處理：對采集到的多模式信號進(jìn)行預(yù)處理，包括去噪、信號增強(qiáng)和頻率濾波操作，采用自適應(yīng)噪聲抑制算法對環(huán)境噪聲進(jìn)行有效抑制，并通過多尺度小波變換方法提取不同頻段的特征信號；

5、s3，信號特征提取與融合：對經(jīng)過預(yù)處理的多模式信號進(jìn)行特征提取，使用基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)提取高維特征，并通過主成分分析對冗余特征進(jìn)行降維，隨后，采用多模態(tài)數(shù)據(jù)融合技術(shù)，將不同信號模式的特征進(jìn)行融合，生成統(tǒng)一的特征向量；

6、s4，目標(biāo)識別模型訓(xùn)練：將融合后的特征向量輸入到預(yù)先訓(xùn)練的目標(biāo)識別模型中，該模型采用混合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，包括卷積層和循環(huán)神經(jīng)網(wǎng)絡(luò)層，用于處理時序信號特征，通過大規(guī)模目標(biāo)樣本數(shù)據(jù)集的訓(xùn)練，模型能夠?qū)崿F(xiàn)對潛在目標(biāo)的精準(zhǔn)識別和分類；

7、s5，目標(biāo)識別與分類：基于訓(xùn)練好的目標(biāo)識別模型，對實時輸入的多模式信號進(jìn)行處理，實現(xiàn)對海域目標(biāo)的識別與分類，結(jié)合使用支持向量機(jī)與神經(jīng)網(wǎng)絡(luò)的分類器，對識別結(jié)果進(jìn)行進(jìn)一步優(yōu)化，提高分類的準(zhǔn)確性。

8、可選的，所述的卷積神經(jīng)網(wǎng)絡(luò)用于提取多模式信號的空間特征，其網(wǎng)絡(luò)結(jié)構(gòu)包括多個卷積層和池化層，卷積層用于捕捉信號的局部特征，而池化層用于對特征進(jìn)行下采樣，從而降低數(shù)據(jù)維度和計算復(fù)雜度，池化層在每個卷積層之后實施，在保留主要特征的同時減少冗余信息，并通過最大池化或平均池化方式提升特征提取的效率，以優(yōu)化信號處理的速度和精度。

9、可選的，所述的混合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)，其中卷積層負(fù)責(zé)提取信號的空間特征，循環(huán)神經(jīng)網(wǎng)絡(luò)負(fù)責(zé)提取信號的時序特征，通過這一組合網(wǎng)絡(luò)結(jié)構(gòu)，能夠更好地處理多模式信號中的時空依賴關(guān)系，所述的循環(huán)神經(jīng)網(wǎng)絡(luò)處理信號的時序信息，其隱藏層根據(jù)歷史輸入動態(tài)更新狀態(tài)，使系統(tǒng)在面對連續(xù)輸入信號時能夠保持對目標(biāo)的有效跟蹤與識別，特別是在動態(tài)變化的環(huán)境中，確保識別的連續(xù)性和準(zhǔn)確性。

10、可選的，所述目標(biāo)識別與分類過程通過結(jié)合使用支持向量機(jī)與神經(jīng)網(wǎng)絡(luò)實現(xiàn)，支持向量機(jī)用于處理來自混合神經(jīng)網(wǎng)絡(luò)輸出的高維特征，利用其對邊界數(shù)據(jù)的敏感性，進(jìn)一步提升分類的精度，確保在復(fù)雜環(huán)境下的多目標(biāo)識別和分類能力。

11、可選的，所述支持向量機(jī)采用非線性核函數(shù)，以適應(yīng)不同類型信號之間的非線性關(guān)系，從而提高系統(tǒng)在處理多模式數(shù)據(jù)時的分類效果，該非線性核函數(shù)的使用能夠增強(qiáng)對復(fù)雜目標(biāo)的識別精度，并應(yīng)對海洋環(huán)境中的噪聲干擾。

12、可選的，所述卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)包括多個卷積層和池化層，其中卷積操作定義為：其中，為第l層的卷積輸出，為上一層的輸入，為第l層的卷積核權(quán)重，b(l)為偏置項，池化層下采樣卷積輸出，以減少特征維度和計算復(fù)雜度，池化操作定義為：其中，表示第l層的池化輸出，最大池化和平均池化均可應(yīng)用。

13、可選的，所述混合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)采用卷積層和循環(huán)神經(jīng)網(wǎng)絡(luò)層的組合，其中循環(huán)神經(jīng)網(wǎng)絡(luò)層用于捕捉信號的時序特征，循環(huán)神經(jīng)網(wǎng)絡(luò)層的隱藏層狀態(tài)更新公式為：ht＝σ(whht-1+wxxt+bh)其中，ht為第t時刻的隱藏狀態(tài)，ht-1為上一時刻的隱藏狀態(tài)，xt為當(dāng)前時刻的輸入，wh和wx分別為權(quán)重矩陣，bh為偏置項，σ為激活函數(shù)。

14、本發(fā)明的有益效果：

15、本發(fā)明，通過融合多模式信號，包括聲學(xué)信號、振動信號和環(huán)境噪聲信號，利用多模態(tài)數(shù)據(jù)融合技術(shù)，將不同類型信號的特征進(jìn)行整合，有效增強(qiáng)了系統(tǒng)對海洋目標(biāo)的檢測與識別能力，傳統(tǒng)的單模式信號處理方法在復(fù)雜海況下容易受到環(huán)境噪聲的干擾，識別精度不高，本發(fā)明結(jié)合了自適應(yīng)噪聲抑制算法與多尺度小波變換，能夠有效抑制環(huán)境噪聲干擾。

16、本發(fā)明，提出的混合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，將卷積神經(jīng)網(wǎng)絡(luò)(cnn)和循環(huán)神經(jīng)網(wǎng)絡(luò)(rnn)相結(jié)合，既能夠提取信號的空間特征，又能夠捕捉到信號的時序信息，這一結(jié)構(gòu)能夠?qū)Χ嗄Ｊ叫盘栔械膹?fù)雜時空依賴關(guān)系進(jìn)行充分建模，提升了系統(tǒng)在處理連續(xù)性信號時的表現(xiàn)，特別是在面對多目標(biāo)跟蹤的任務(wù)中，卷積神經(jīng)網(wǎng)絡(luò)用于提取局部空間特征，而循環(huán)神經(jīng)網(wǎng)絡(luò)則保證了對信號時序關(guān)系的連續(xù)捕捉，使得系統(tǒng)在動態(tài)環(huán)境下仍能保持高效的識別和跟蹤能力。

17、本發(fā)明，通過結(jié)合支持向量機(jī)(svm)和神經(jīng)網(wǎng)絡(luò)的分類器結(jié)構(gòu)，進(jìn)一步提升了目標(biāo)識別和分類的精度，支持向量機(jī)對混合神經(jīng)網(wǎng)絡(luò)輸出的高維特征進(jìn)行優(yōu)化處理，尤其適用于處理復(fù)雜的邊界樣本。此外，系統(tǒng)具備實時反饋與自適應(yīng)調(diào)整功能，能夠根據(jù)目標(biāo)識別與跟蹤的結(jié)果，動態(tài)調(diào)整浮標(biāo)的工作模式，包括傳感器采集頻率、信號處理參數(shù)等。

技術(shù)特征：

1.多模式航空聲吶浮標(biāo)信號處理與目標(biāo)識別方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的多模式航空聲吶浮標(biāo)信號處理與目標(biāo)識別方法，其特征在于，所述的卷積神經(jīng)網(wǎng)絡(luò)用于提取多模式信號的空間特征，其網(wǎng)絡(luò)結(jié)構(gòu)包括多個卷積層和池化層，卷積層用于捕捉信號的局部特征，而池化層用于對特征進(jìn)行下采樣，從而降低數(shù)據(jù)維度和計算復(fù)雜度，池化層在每個卷積層之后實施，在保留主要特征的同時減少冗余信息，并通過最大池化或平均池化方式提升特征提取的效率，以優(yōu)化信號處理的速度和精度。

3.根據(jù)權(quán)利要求1所述的多模式航空聲吶浮標(biāo)信號處理與目標(biāo)識別方法，其特征在于，所述的混合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)，其中卷積層負(fù)責(zé)提取信號的空間特征，循環(huán)神經(jīng)網(wǎng)絡(luò)負(fù)責(zé)提取信號的時序特征，通過這一組合網(wǎng)絡(luò)結(jié)構(gòu)，能夠更好地處理多模式信號中的時空依賴關(guān)系，所述的循環(huán)神經(jīng)網(wǎng)絡(luò)處理信號的時序信息，其隱藏層根據(jù)歷史輸入動態(tài)更新狀態(tài)，使系統(tǒng)在面對連續(xù)輸入信號時能夠保持對目標(biāo)的有效跟蹤與識別，特別是在動態(tài)變化的環(huán)境中，確保識別的連續(xù)性和準(zhǔn)確性。

4.根據(jù)權(quán)利要求1所述的多模式航空聲吶浮標(biāo)信號處理與目標(biāo)識別方法，其特征在于，所述目標(biāo)識別與分類過程通過結(jié)合使用支持向量機(jī)與神經(jīng)網(wǎng)絡(luò)實現(xiàn)，支持向量機(jī)用于處理來自混合神經(jīng)網(wǎng)絡(luò)輸出的高維特征，利用其對邊界數(shù)據(jù)的敏感性，進(jìn)一步提升分類的精度，確保在復(fù)雜環(huán)境下的多目標(biāo)識別和分類能力。

5.根據(jù)權(quán)利要求1所述的多模式航空聲吶浮標(biāo)信號處理與目標(biāo)識別方法，其特征在于，所述支持向量機(jī)采用非線性核函數(shù)，以適應(yīng)不同類型信號之間的非線性關(guān)系，從而提高系統(tǒng)在處理多模式數(shù)據(jù)時的分類效果，該非線性核函數(shù)的使用能夠增強(qiáng)對復(fù)雜目標(biāo)的識別精度，并應(yīng)對海洋環(huán)境中的噪聲干擾。

6.根據(jù)權(quán)利要求2所述的多模式航空聲吶浮標(biāo)信號處理與目標(biāo)識別方法，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)包括多個卷積層和池化層，其中卷積操作定義為：其中，為第l層的卷積輸出，為上一層的輸入，為第l層的卷積核權(quán)重，b(l)為偏置項，池化層下采樣卷積輸出，以減少特征維度和計算復(fù)雜度，池化操作定義為：其中，表示第l層的池化輸出，最大池化和平均池化均可應(yīng)用。

7.根據(jù)權(quán)利要求3所述的多模式航空聲吶浮標(biāo)信號處理與目標(biāo)識別方法，其特征在于，所述混合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)采用卷積層和循環(huán)神經(jīng)網(wǎng)絡(luò)層的組合，其中循環(huán)神經(jīng)網(wǎng)絡(luò)層用于捕捉信號的時序特征，循環(huán)神經(jīng)網(wǎng)絡(luò)層的隱藏層狀態(tài)更新公式為：ht＝σ(whht-1+wxxt+bh)其中，ht為第t時刻的隱藏狀態(tài)，ht-1為上一時刻的隱藏狀態(tài)，xt為當(dāng)前時刻的輸入，wh和wx分別為權(quán)重矩陣，bh為偏置項，σ為激活函數(shù)。

技術(shù)總結(jié)
本發(fā)明涉及信號目標(biāo)識別技術(shù)領(lǐng)域，具體涉及多模式航空聲吶浮標(biāo)信號處理與目標(biāo)識別方法，包括以下步驟：使用航空聲吶浮標(biāo)在預(yù)定的海域范圍內(nèi)進(jìn)行信號采集；對采集到的多模式信號進(jìn)行預(yù)處理；對經(jīng)過預(yù)處理的多模式信號進(jìn)行特征提取，生成統(tǒng)一的特征向量；將融合后的特征向量輸入到預(yù)先訓(xùn)練的目標(biāo)識別模型中，該模型采用混合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，包括卷積層和循環(huán)神經(jīng)網(wǎng)絡(luò)層，用于處理時序信號特征；基于訓(xùn)練好的目標(biāo)識別模型，對實時輸入的多模式信號進(jìn)行處理，實現(xiàn)對海域目標(biāo)的識別與分類，結(jié)合使用支持向量機(jī)與神經(jīng)網(wǎng)絡(luò)的分類器，對識別結(jié)果進(jìn)行優(yōu)化。本發(fā)明，保證了對信號時序關(guān)系的連續(xù)捕捉，使得系統(tǒng)在動態(tài)環(huán)境下仍能保持高效的識別和跟蹤能力。

技術(shù)研發(fā)人員：李斌,陳航,鄭琨
受保護(hù)的技術(shù)使用者：西安瑞祥深海科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/30