本發(fā)明涉及目標(biāo)識(shí)別，尤其是指一種水聲目標(biāo)識(shí)別方法、裝置及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、水聲目標(biāo)識(shí)別是指通過(guò)對(duì)水下聲音信號(hào)進(jìn)行分析和處理，從而識(shí)別水中是否存在目標(biāo)物體或現(xiàn)象，在海洋科研、海洋資源開(kāi)發(fā)等領(lǐng)域均具有重要作用。傳統(tǒng)成熟的智能水聲目標(biāo)識(shí)別技術(shù)主要聚焦于特征選擇、特征提取和分類(lèi)器設(shè)計(jì)，通過(guò)特征提取獲取可以表征目標(biāo)本質(zhì)的特征值，然后結(jié)合分類(lèi)器進(jìn)行分類(lèi)識(shí)別。

2、現(xiàn)有技術(shù)中已經(jīng)提出多種智能水聲目標(biāo)識(shí)別方法，例如，公開(kāi)號(hào)為cn118606804a的專(zhuān)利提出了一種基于模糊支持向量中心的水聲目標(biāo)識(shí)別方法，通過(guò)采集待識(shí)別海域的船舶輻射噪聲信號(hào)并提取不同維度的聲紋切片統(tǒng)計(jì)量特征，將特征輸入至模糊支持向量機(jī)中進(jìn)行訓(xùn)練，利用訓(xùn)練好的模糊支持向量輸出模糊支持向量，計(jì)算各統(tǒng)計(jì)量特征到模糊支持向量中心的距離，從而確定隸屬度分配函數(shù)，利用改隸屬度分配函數(shù)結(jié)合不同維度的統(tǒng)計(jì)量特征生成新的訓(xùn)練集，再次對(duì)模糊支持向量機(jī)進(jìn)行訓(xùn)練，以得到最優(yōu)模糊支持向量機(jī)，從而對(duì)新的船舶輻射噪聲信號(hào)進(jìn)行分類(lèi)，以識(shí)別待識(shí)別海域中是否存在目標(biāo)。公開(kāi)號(hào)為cn118131200a的專(zhuān)利公開(kāi)了一種基于度量學(xué)習(xí)的水下聲學(xué)目標(biāo)識(shí)別方法，通過(guò)采集待識(shí)別海域的聲吶信號(hào)，計(jì)算聲吶信號(hào)的時(shí)頻譜特征，進(jìn)而生成水下聲學(xué)信號(hào)數(shù)據(jù)集，構(gòu)建基于注意力優(yōu)化的深度殘差網(wǎng)絡(luò)實(shí)現(xiàn)高效的信號(hào)幅相特征挖掘，然后采用基于度量學(xué)習(xí)的損失函數(shù)挖掘水下聲學(xué)信號(hào)中的關(guān)鍵識(shí)別特征，從而對(duì)待識(shí)別海域?qū)崿F(xiàn)高準(zhǔn)確、高泛化的目標(biāo)識(shí)別。公開(kāi)號(hào)為cn106250848a的專(zhuān)利公開(kāi)了一種基于多模型融合的單類(lèi)水聲目標(biāo)識(shí)別方法，利用深度自編碼神經(jīng)網(wǎng)絡(luò)提取水聲目標(biāo)的特征，然后利用adaboost算法進(jìn)行單類(lèi)分類(lèi)器集成學(xué)習(xí)，從而得到單類(lèi)水聲目標(biāo)識(shí)別模型，從而可以直接提取水聲信號(hào)中的目標(biāo)特征，以判斷待識(shí)別海域中是否存在目標(biāo)。

3、由于不同海域的水聲傳播環(huán)境差異大，比如淺海海域水層較薄、海底地形復(fù)雜，水聲信號(hào)在傳播過(guò)程中會(huì)受到反射、散射和吸收影響，而深海海域水層厚、傳播距離長(zhǎng)，聲速隨深度變化明顯，水聲信號(hào)在傳播過(guò)程中容易發(fā)生畸變，因此，不同海域的水聲信號(hào)在頻率、幅度、相位等特性上大不相同。而現(xiàn)有的水聲目標(biāo)識(shí)別方法均是利用待識(shí)別海域的歷史數(shù)據(jù)訓(xùn)練水聲目標(biāo)識(shí)別模型，由于訓(xùn)練好的模型只能針對(duì)性捕捉待識(shí)別海域的水聲信號(hào)的特征，無(wú)法適應(yīng)其他海域數(shù)據(jù)的獨(dú)特特征，導(dǎo)致模型對(duì)其他海域的水聲信號(hào)的識(shí)別結(jié)果準(zhǔn)確性較低。

4、目前解決這一問(wèn)題的方式有兩種，一是對(duì)不同海域進(jìn)行目標(biāo)識(shí)別前均重新采集該海域的水聲信號(hào)數(shù)據(jù)對(duì)模型進(jìn)行針對(duì)性訓(xùn)練，但是這種方法會(huì)增大計(jì)算資源和識(shí)別時(shí)間成本；二是將不同海域的數(shù)據(jù)集直接融合，將融合后數(shù)據(jù)集中的樣本依次輸入模型進(jìn)行訓(xùn)練，但是不同海域數(shù)據(jù)的特征分布差異會(huì)導(dǎo)致模型參數(shù)在訓(xùn)練過(guò)程中更新方向頻繁變化，不僅增加計(jì)算資源和時(shí)間消耗，模型也無(wú)法充分學(xué)習(xí)各種數(shù)據(jù)的特征，甚至可能出現(xiàn)模型無(wú)法收斂的情況，即模型無(wú)法有效識(shí)別水聲信號(hào)中是否存在目標(biāo)。

5、綜上所述，現(xiàn)有的水聲目標(biāo)識(shí)別方法忽略了不同海域水聲信號(hào)的特征差異，導(dǎo)致對(duì)不同海域進(jìn)行目標(biāo)識(shí)別時(shí)存在無(wú)法兼顧識(shí)別效率和識(shí)別準(zhǔn)確率的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、為此，本發(fā)明所要解決的技術(shù)問(wèn)題在于克服現(xiàn)有技術(shù)中的水聲目標(biāo)識(shí)別方法忽略了不同海域水聲信號(hào)的特征差異，導(dǎo)致對(duì)不同海域進(jìn)行目標(biāo)識(shí)別時(shí)存在無(wú)法兼顧識(shí)別效率和識(shí)別準(zhǔn)確率的問(wèn)題。

2、為解決上述技術(shù)問(wèn)題，本發(fā)明提供了一種水聲目標(biāo)識(shí)別方法，包括：

3、從不同海域的數(shù)據(jù)集中獲取多個(gè)類(lèi)別相同的水聲信號(hào)樣本；

4、將每個(gè)水聲信號(hào)樣本輸入卷積神經(jīng)網(wǎng)絡(luò)模塊，輸出每個(gè)水聲信號(hào)樣本屬于各類(lèi)別的預(yù)測(cè)概率；

5、將每個(gè)水聲信號(hào)樣本屬于各類(lèi)別的預(yù)測(cè)概率輸入基本概率分配模塊，利用狄利克雷分布對(duì)每個(gè)水聲信號(hào)樣本屬于各類(lèi)別的預(yù)測(cè)概率進(jìn)行參數(shù)化操作，輸出每個(gè)水聲信號(hào)樣本的預(yù)測(cè)概率置信度分布不確定度；

6、利用dempster-shafer證據(jù)合成規(guī)則對(duì)多個(gè)水聲信號(hào)樣本屬于各類(lèi)別的預(yù)測(cè)概率和預(yù)測(cè)概率置信度分布不確定度分別進(jìn)行融合，得到多個(gè)水聲信號(hào)樣本屬于各類(lèi)別的綜合基本概率賦值和綜合概率分布不確定度，從而輸出多個(gè)水聲信號(hào)樣本的預(yù)測(cè)類(lèi)別，并計(jì)算水聲目標(biāo)識(shí)別損失函數(shù)的值；

7、重新從不同海域的數(shù)據(jù)集中獲取多個(gè)類(lèi)別相同的水聲信號(hào)樣本，對(duì)卷積神經(jīng)網(wǎng)絡(luò)模塊和基本概率分配模塊進(jìn)行訓(xùn)練，直到水聲目標(biāo)識(shí)別損失函數(shù)的值最小，得到訓(xùn)練好的水聲目標(biāo)識(shí)別模型。

8、優(yōu)選地，水聲目標(biāo)識(shí)別損失函數(shù)的構(gòu)建過(guò)程包括：

9、基于每個(gè)水聲信號(hào)樣本的預(yù)測(cè)類(lèi)別和真實(shí)類(lèi)別構(gòu)建每個(gè)水聲信號(hào)樣本的損失函數(shù)；損失函數(shù)為均方誤差損失函數(shù)、交叉熵?fù)p失函數(shù)或似然值損失函數(shù)；

10、以每個(gè)水聲信號(hào)樣本的損失函數(shù)關(guān)于其預(yù)測(cè)概率置信度分布的期望優(yōu)化為目標(biāo)，構(gòu)建每個(gè)水聲信號(hào)樣本的識(shí)別損失函數(shù)；

11、基于多個(gè)水聲信號(hào)樣本的識(shí)別損失函數(shù)之和得到水聲目標(biāo)識(shí)別損失函數(shù)。

12、優(yōu)選地，每個(gè)水聲信號(hào)樣本的預(yù)測(cè)概率置信度分布表示為：

13、，

14、其中，表示第個(gè)水聲信號(hào)樣本的預(yù)測(cè)概率置信度分布；表示第個(gè)水聲信號(hào)樣本屬于各類(lèi)別的預(yù)測(cè)概率向量；表示第個(gè)水聲信號(hào)樣本的狄利克雷分布參數(shù)向量；表示第個(gè)水聲信號(hào)樣本的狄利克雷分布?xì)w一化常數(shù)；表示第個(gè)水聲信號(hào)樣本屬于第個(gè)類(lèi)別的預(yù)測(cè)概率；表示類(lèi)別數(shù)量；表示第個(gè)水聲信號(hào)樣本屬于第個(gè)類(lèi)別的狄利克雷預(yù)測(cè)參數(shù)；為第個(gè)水聲信號(hào)樣本屬于各類(lèi)別的預(yù)測(cè)概率構(gòu)成的集合；

15、當(dāng)損失函數(shù)為均方誤差損失函數(shù)時(shí)，每個(gè)水聲信號(hào)樣本的識(shí)別損失函數(shù)為：

16、，

17、其中，表示第個(gè)水聲信號(hào)樣本的識(shí)別損失函數(shù)；表示第個(gè)水聲信號(hào)樣本的均方誤差損失函數(shù)；表示第個(gè)水聲信號(hào)樣本屬于各類(lèi)別的真實(shí)概率向量；表示第個(gè)水聲信號(hào)樣本屬于第個(gè)類(lèi)別的真實(shí)概率；表示隨機(jī)變量服從參數(shù)向量為的狄利克雷分布；表示隨機(jī)變量；表示參數(shù)向量為的狄利克雷分布；表示在隨機(jī)變量服從參數(shù)向量為的狄利克雷分布的條件下，第個(gè)水聲信號(hào)樣本屬于第個(gè)類(lèi)別的預(yù)測(cè)概率的期望；表示在隨機(jī)變量服從參數(shù)向量為的狄利克雷分布的條件下，第個(gè)水聲信號(hào)樣本屬于第個(gè)類(lèi)別的預(yù)測(cè)概率平方的期望；

18、當(dāng)損失函數(shù)為交叉熵?fù)p失函數(shù)時(shí)，水聲目標(biāo)識(shí)別損失函數(shù)為：

19、，

20、其中，表示第個(gè)水聲信號(hào)樣本的交叉熵?fù)p失函數(shù)；

21、當(dāng)損失函數(shù)為似然值損失函數(shù)時(shí)，水聲目標(biāo)識(shí)別損失函數(shù)為：

22、，

23、其中，表示第個(gè)水聲信號(hào)樣本的似然值損失函數(shù)。

24、優(yōu)選地，得到水聲目標(biāo)識(shí)別損失函數(shù)后還包括：

25、以每個(gè)水聲信號(hào)樣本的預(yù)測(cè)概率置信度分布與坍塌模型分布的差值最小化為目標(biāo)，構(gòu)建每個(gè)水聲信號(hào)樣本的kl散度損失；基于多個(gè)水聲信號(hào)樣本的kl散度損失之和得到目標(biāo)kl散度損失函數(shù)；

26、基于目標(biāo)kl散度損失函數(shù)和熱啟動(dòng)參數(shù)構(gòu)建證據(jù)坍塌正則項(xiàng)；

27、利用證據(jù)坍塌正則項(xiàng)對(duì)水聲目標(biāo)識(shí)別損失函數(shù)進(jìn)行修正，從而利用修正后的水聲目標(biāo)識(shí)別損失函數(shù)對(duì)卷積神經(jīng)網(wǎng)絡(luò)模塊和基本概率分配模塊進(jìn)行訓(xùn)練。

28、優(yōu)選地，修正后的水聲目標(biāo)識(shí)別損失函數(shù)為：

29、，

30、其中，表示修正后的水聲目標(biāo)識(shí)別損失函數(shù)；表示水聲目標(biāo)識(shí)別損失函數(shù)；表示水聲信號(hào)樣本的數(shù)量；表示熱啟動(dòng)參數(shù)；表示目標(biāo)kl散度損失函數(shù)；表示第個(gè)水聲信號(hào)樣本的kl散度損失；表示從第個(gè)水聲信號(hào)樣本的狄利克雷分布參數(shù)向量中，去除預(yù)測(cè)概率不為0類(lèi)別的狄利克雷預(yù)測(cè)參數(shù)后得到的新的狄利克雷分布參數(shù)向量；表示第個(gè)水聲信號(hào)樣本的狄利克雷分布參數(shù)向量為時(shí)的預(yù)測(cè)概率置信度分布；表示全1的狄利克雷分布。

31、優(yōu)選地，多個(gè)水聲信號(hào)樣本屬于各類(lèi)別的綜合基本概率賦值表示為：

32、，

33、其中，表示多個(gè)水聲信號(hào)樣本屬于第個(gè)類(lèi)別的綜合基本概率賦值；表示第1個(gè)水聲信號(hào)樣本屬于第個(gè)類(lèi)別的預(yù)測(cè)概率；表示第2個(gè)水聲信號(hào)樣本屬于第個(gè)類(lèi)別的預(yù)測(cè)概率；表示第n個(gè)水聲信號(hào)樣本屬于第個(gè)類(lèi)別的預(yù)測(cè)概率；，表示類(lèi)別數(shù)量；

34、綜合概率分布不確定度表示為：

35、，

36、其中，表示綜合概率分布不確定度；表示歸一化系數(shù)；表示第1個(gè)水聲信號(hào)樣本的預(yù)測(cè)概率置信度分布不確定度；表示第2個(gè)水聲信號(hào)樣本的預(yù)測(cè)概率置信度分布不確定度；表示第n個(gè)水聲信號(hào)樣本的預(yù)測(cè)概率置信度分布不確定度。

37、優(yōu)選地，將每個(gè)水聲信號(hào)樣本輸入卷積神經(jīng)網(wǎng)絡(luò)模塊包括：

38、對(duì)每個(gè)水聲信號(hào)樣本進(jìn)行分幀、加窗和預(yù)加重處理，得到目標(biāo)水聲信號(hào)樣本；

39、對(duì)每個(gè)目標(biāo)水聲信號(hào)樣本進(jìn)行短時(shí)傅里葉變換，得到目標(biāo)水聲信號(hào)樣本的聲譜圖；

40、將每個(gè)目標(biāo)水聲信號(hào)樣本的聲譜圖輸入卷積神經(jīng)網(wǎng)絡(luò)模塊。

41、優(yōu)選地，利用水聲目標(biāo)識(shí)別模型進(jìn)行水聲識(shí)別的步驟包括：

42、獲取待識(shí)別水聲信號(hào)，將待識(shí)別水聲信號(hào)輸入水聲識(shí)別模型中的卷積神經(jīng)網(wǎng)絡(luò)模塊，輸出待識(shí)別水聲信號(hào)屬于各類(lèi)別的預(yù)測(cè)概率；

43、將待識(shí)別水聲信號(hào)屬于各類(lèi)別的預(yù)測(cè)概率輸入水聲識(shí)別模型中的基本概率分配模塊，利用狄利克雷分布對(duì)待識(shí)別水聲信號(hào)屬于各類(lèi)別的預(yù)測(cè)概率進(jìn)行參數(shù)化操作，輸出待識(shí)別水聲信號(hào)的預(yù)測(cè)概率置信度分布不確定度；

44、基于待識(shí)別水聲信號(hào)屬于各類(lèi)別的預(yù)測(cè)概率和預(yù)測(cè)概率置信度分布不確定度，判定待識(shí)別水聲信號(hào)中是否存在目標(biāo)。

45、本發(fā)明還提供了一種水聲目標(biāo)識(shí)別裝置，包括：

46、數(shù)據(jù)獲取模塊，用于從不同海域的數(shù)據(jù)集中獲取多個(gè)類(lèi)別相同的水聲信號(hào)樣本；

47、類(lèi)別概率預(yù)測(cè)模塊，用于將每個(gè)水聲信號(hào)樣本輸入卷積神經(jīng)網(wǎng)絡(luò)模塊，輸出每個(gè)水聲信號(hào)樣本屬于各類(lèi)別的預(yù)測(cè)概率；

48、不確定度獲取模塊，用于將每個(gè)水聲信號(hào)樣本屬于各類(lèi)別的預(yù)測(cè)概率輸入基本概率分配模塊，利用狄利克雷分布對(duì)每個(gè)水聲信號(hào)樣本屬于各類(lèi)別的預(yù)測(cè)概率進(jìn)行參數(shù)化操作，輸出每個(gè)水聲信號(hào)樣本的預(yù)測(cè)概率置信度分布不確定度；

49、證據(jù)融合模塊，用于利用dempster-shafer證據(jù)合成規(guī)則對(duì)多個(gè)水聲信號(hào)樣本屬于各類(lèi)別的預(yù)測(cè)概率和預(yù)測(cè)概率置信度分布不確定度分別進(jìn)行融合，得到多個(gè)水聲信號(hào)樣本屬于各類(lèi)別的綜合基本概率賦值和綜合概率分布不確定度，從而輸出多個(gè)水聲信號(hào)樣本的預(yù)測(cè)類(lèi)別，并計(jì)算水聲目標(biāo)識(shí)別損失函數(shù)的值；

50、模型訓(xùn)練及獲取模塊，用于重新從不同海域的數(shù)據(jù)集中獲取多個(gè)類(lèi)別相同的水聲信號(hào)樣本，對(duì)卷積神經(jīng)網(wǎng)絡(luò)模塊和基本概率分配模塊進(jìn)行訓(xùn)練，直到水聲目標(biāo)識(shí)別損失函數(shù)的值最小，得到訓(xùn)練好的水聲目標(biāo)識(shí)別模型。

51、本發(fā)明還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述的水聲目標(biāo)識(shí)別方法的步驟。

52、本技術(shù)提供的水聲目標(biāo)識(shí)別方法具有以下有益效果：

53、1、利用狄利克雷分布對(duì)來(lái)自不同海域相同類(lèi)別的各個(gè)水聲信號(hào)樣本的預(yù)測(cè)概率進(jìn)行參數(shù)化操作，輸出每個(gè)水聲信號(hào)樣本的預(yù)測(cè)概率置信度分布的不確定度，利用該不確定度描述每個(gè)水聲信號(hào)樣本預(yù)測(cè)概率的不確定性，考慮了不同海域的數(shù)據(jù)特征差異可能帶來(lái)的不確定性；之后將每個(gè)水聲信號(hào)樣本屬于各類(lèi)別的預(yù)測(cè)概率作為證據(jù)量，將其預(yù)測(cè)概率置信度分布不確定度作為證據(jù)量的不確定性信息，引入dempster-shafer證據(jù)合成規(guī)則對(duì)多個(gè)水聲信號(hào)樣本的證據(jù)量和不確定性信息分別進(jìn)行融合，得到不同海域同一類(lèi)別的多個(gè)水聲信號(hào)屬于各類(lèi)別的綜合概率賦值和綜合概率分布不確定度，由于綜合概率賦值表征了多個(gè)水聲信號(hào)樣本共同屬于各類(lèi)別的預(yù)測(cè)概率，而綜合概率分布不確定度表征了綜合多個(gè)海域數(shù)據(jù)特征差異導(dǎo)致的預(yù)測(cè)概率不確定性，因此利用證據(jù)融合策略融合了不同海域水聲信號(hào)樣本的特征信息以及由于特征信息差異導(dǎo)致的預(yù)測(cè)結(jié)果不確定性；最后直接基于綜合概率賦值和綜合概率分布輸出多個(gè)水聲信號(hào)樣本的預(yù)測(cè)類(lèi)別，通過(guò)構(gòu)建損失函數(shù)對(duì)模型進(jìn)行迭代訓(xùn)練，使得模型能夠在訓(xùn)練過(guò)程中捕捉不同海域相同類(lèi)別水聲信號(hào)的共性特征，經(jīng)過(guò)一次訓(xùn)練得到的模型在應(yīng)對(duì)不同海域的水聲信號(hào)時(shí)均具有較高的目標(biāo)識(shí)別準(zhǔn)確性。

54、2、在常規(guī)的分類(lèi)模型中，分類(lèi)模型輸出的預(yù)測(cè)概率分布是關(guān)于分類(lèi)模型參數(shù)的函數(shù)，因此直接利用均方誤差損失函數(shù)、交叉熵?fù)p失函數(shù)或似然值損失函數(shù)優(yōu)化輸出的預(yù)測(cè)概率分布就可以完成對(duì)分類(lèi)模型參數(shù)的優(yōu)化，而本技術(shù)中引入了基本概率分配模塊，利用狄利克雷分布對(duì)卷積神經(jīng)網(wǎng)絡(luò)的輸出層進(jìn)行參數(shù)化，因此在訓(xùn)練過(guò)程中通過(guò)優(yōu)化均方誤差損失函數(shù)、交叉熵?fù)p失函數(shù)或似然值損失函數(shù)關(guān)于狄利克雷分布的期望來(lái)構(gòu)建水聲目標(biāo)識(shí)別損失函數(shù)，可以引導(dǎo)模型關(guān)注水聲信號(hào)樣本中的特定特征和整體分布規(guī)律，從而使得模型充分學(xué)習(xí)來(lái)自不同海域同一類(lèi)別水聲信號(hào)樣本的共性概率分布特性，進(jìn)一步提高模型在不同海域水聲目標(biāo)識(shí)別上的準(zhǔn)確性。