基于深度学习方法的水下目标识别技术研究

发布时间：2020-07-10 21:03

【摘要】：对水下目标的探测、跟踪、识别和定位是声纳系统的重要功能,对于战场态势感知、水下作战具有关键作用。随着海军装备信息化、智能化进程的推进,未来海战将建立在多武器系统协同使用、编队联合作战的基础上,战场环境将更加复杂多变。能否及时准确地对水下目标进行识别分析,为各级指挥系统提供准确的战场信息,成为关乎水面舰、水面舰编队综合战斗力和克敌制胜的关键。近年来以机器学习(Machine Learning,ML)、深度学习(Deep Learning,DL)为代表的人工智能技术(Artificial Intelligence,AI)飞速发展,为水下目标识别技术提供了新的思路和发展方向。通过大数据、模式识别、机器学习技术,深入研究和挖掘水声目标信号特征,对识别系统进行信息化、智能化升级,已成为水下目标识别技术的研究热点。本文首先分析了课题研究的背景和研究现状。通过对当前声纳装备和目标识别技术的发展趋势、发展现状进行分析,并结合当前以深度学习为代表的人工智能技术的蓬勃发展,分析了本课题研究的目的和意义。本文第二部分,给出了与论文工作相关的基本理论。通过对水下目标噪声特性进行分析,将目标梅尔倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)、Gammatone倒谱系数(Gammatone Cepstrum Coefficient,GTCC)两种听觉感知特征应用于水下目标识别中,并结合目标功率谱特征进行分析,经过直观分析初步判定了将其应用于水下目标识别的可行性。并结合机器学习、模式识别原理,选择主成分分析(Principal Component Analysis,PCA)方法对目标特征进行降维处理分析,并确定了识别模型的性能评估方法。本文第三部分,基于K近邻法(K-Nearest Neighbor,KNN)、支持向量机(Support Vector Machine,SVM)两种浅层机器学习算法建立了识别模型,并用目标MFCC、GTCC特征样本集进行预训练。经过改变模型参数配置方案,进行海试数据处理分析,模型评估结果表明浅层机器学习方法结合目标听觉感知特征的方案应用于水下目标识别具有可行性。本文第四部分,在信号短时分析技术的基础上,提出了一种广义的目标时序样本生成,以进行深度学习算法分析的方法。生成了TSMFCC(Time-Sequence Mel Frequency Cepstrum Coefficient)、TSGTCC(Time-Sequence Gammatone Cepstral Coefficient)和TSPSD(Time-Sequence Power Spectrum Density)等高维特征样本。基于卷积神经网络(Convolutional Neural Networks,CNN)、深度置信网络(Deep Belief Net,DBN)两种深度学习算法建立识别模型,并用目标高维特征样本进行预训练,模型性能评估结果表明将目标特征时序处理和深度学习结合的方法,应用于水下目标识别中具有可行性。本文第五部分,从工程应用出发,对本文第三、第四部分中,多种目标识别算法、目标特征结合建立的一系列水下目标识别模型,设计了目标类型、航次、信号信噪比三组模型泛化性能试验,以验证不同识别方案得到的水下目标识别模型对未知类型、不同航次、低信噪比条件下对水下目标的识别性能。并根据试验结果,选择识别模型进行PCA预处理方法对识别模型泛化性能影响的一系列试验。本文第六部分,根据第五部分模型性能试验结果,提出了基于智能学习算法的水下目标智能识别方案,设计了方案中模型预训练和智能识别两个模块。根据识别方案设计了水下目标智能识别系统软件,并进行了海试数据处理及识别系统实时性测试。根据试验结果,结合本文第五部分中相关内容可知,将不同目标特征、不同学习算法组合的方案进行组合的水下目标智能识别系统,可以实现对未知目标类型、不同航次和低信噪比条件下具有较好的识别性能,并且在识别速度、人机交互方面有独特的优势。
【学位授予单位】：中国舰船研究院
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：E273;TP18
【图文】：

报警系统,鱼雷,德国

图 1.1 德国 LFTAS 鱼雷报警系统拖曳阵列声纳（LFTAS）由阿特拉斯电子公司研制，用双线拖题，如图 1.1 所示。在主动工作模式下，ACTAS 发射频率约 2kH波信号，进行远程探测与全景监视。被动接收部分采用独特的28 个基元，可提供出众的左/右舷分辨能力，并抑制目标噪声和含声纳性能预测功能。被动模式允许全景监视，能进行宽带、警[5]。上述研究成果虽然没有详细的技术报告，但证明了研制行性，为我国开展这些方面的工作提供了参考[31]。中科院声学所、哈尔滨工程大学、西北工业大学、东南大学、726 研究所一直坚持水下目标识别领域的研究。“八五”期间识别专家系统兼有主动、被动目标识别功能,得到了应用部门的。

基本流程,水下目标识别,心理声学

图 1.3 模式识别技术基本流程近年来，浅层机器学习、深度学习、模式识别方法在水下目标识别领域取得了一定展。王娜、陈克安等[11-13]将听觉感知特征、心理声学参数特征引入水下目标识别中，通提取舰船辐射噪声的听觉、心理声学特征，以 BP 神经网络进行识别分析的方法，详细析和试验证明了方法的可行性。柳革命、孙超等[14-16]研究了特征融合技术、线性预测倒谱特征、小波特征，结合神经网络进行水下目标识别分析的方法，将多种目标辐射噪声特征引入被动声纳目标识中。常国勇等[17]提出了从能量角度出发，采用小波变换、经验模态分解处理，以 BP 神网络进行水下目标识别的方法。英国的 Sheppard 和 Gent 通过对目标信号进行窄带分析宽带分析、DEMON 分析和瞬态分析等方法提取目标特征，并利用神经网络技术进行识分析[18]。曾渊等[19]将语音识别方法应用于水下目标识别中，通过提取目标辐射噪声线性预测

短时分析,汉明窗,矩形窗,技术

函数一般选择矩形窗或汉明窗，其表达1( )0ωn = 0 n ( N1)n≤ ≤ = 其他值0.54 0.46cos(2 / )( )0n Nw n π= 0 nn≤ =，所提取的特征参数受窗函数 w( n) 的形进行处理[33]。征l Frequency Cepstrum Coefficient，MFCC

【相似文献】