基于微多普勒特征的水下目标识别方法

摘要

本发明提出一种基于微多普勒特征的水下目标识别方法，主要包括水下目标回波高分辨率微多普勒时频图的获取、采用深度卷积生成对抗网络对时频图样本进行数据增强、选择深度神经网络对样本数据集进行学习、通过计算机仿真生成水下目标的声纳回波信号对所提出的方法进行评估，验证其在水下目标识别中的有效性。本发明通过基于压缩感知的高分辨率时频分析，提高时频图的分辨率，能够更有效地提取出水下目标的微多普勒特征，并对时频图样本进行数据增强后用于神经网络的训练，实现对水下目标识别的目的。

说明书

技术领域

本发明属于水声探测领域，具体涉及一种基于微多普勒特征的水下目标识别方法。

背景技术

美国海军研究实验室(Navy Research Laboratory)的Victor C.Chen最早将微动和微多普勒的概念引入到雷达观测领域，开创了基于微多普勒特征的雷达目标检测识别新领域。通常，目标除质心平动以外的振动、转动等都称为微动，它作为运动目标的一种固有特性而普遍存在，例如弹道导弹中段的进动、直升机旋翼的转动、履带式车辆轮子滚动等。微动会使得雷达信号的多普勒频移上产生额外的频率调制，被称为微多普勒效应，它与目标本身的微动直接相关，且不容易被模拟，因此可以用于对目标的精细特征识别。目前，经过无数科研工作者的多年研究，雷达领域中已经形成了一套较完善的微多普勒理论分析体系，并且在飞行器分类、人体行走和鸟类飞行姿态识别等领域中已经发展到实际应用阶段。

电磁波在水中穿透能力有限、频率高且衰减快，而低频的声信号具有良好的传播特性，所以声信号是在水中进行探测识别的重要手段。然而，在水下环境中，目前还没有基于声纳回波信号的微多普勒目标识别技术，声纳回波信号与雷达信号相比，其信噪比和频率分辨率都比较低，同时考虑到水下目标的微多普勒扩展微小，这大大增加了检测水下微多普勒特征的难度，使得目前在雷达上行之有效的分析体系，在声纳上并不适用。

基于微多普勒目标识别的核心包括微多普勒特征时频分析方法和分类算法的选择。目前雷达上使用的微多普勒特征时频分析方法在对声纳回波这种信噪比低，微多普勒特征扩展微小的信号进行处理时，效果并不理想，只有高精度地分辨微多普勒频移，才能有效地提取声纳回波中的微多普勒特征，为后续的目标识别提供前提条件。

在分类算法方面，传统机器学习非常依赖于特征提取工程(FeatureEngineering)，特征选取的好坏直接决定了目标分类识别的成败。微多普勒的特征提取通常是基于其时频谱图，从图像中选取反映目标运动相关的物理特征，例如微多普勒频移带宽、周期等，或者采用信号变换的特征。然而，特征提取工程十分依赖研究者自身的专业知识和经验，往往需要大量试错，才能实践出可靠有效的目标特征。由于水下目标多个部位的不同运动产生的叠加，目标微多普勒特征复杂多变，加大了手工特征提取的难度。相较于传统机器学习算法，深度神经网络模型可以直接以高维数据作为输入，利用多层神经网络自动提取出目标特征，并以此进行分类识别。然而，在水下环境中，目标样本的收集成本高且难度大，尤其是针对非合作目标，样本数量不是很多，这极大地限制了用微多普勒时频图训练深度学习模型的效果，因此如何对微多普勒时频图数据样本进行数据增强，具有很高的研究价值。

发明内容

声纳回波信号信噪比和频率分辨率都比较低，同时考虑到水下目标的微多普勒扩展微小，传统的时频分析方法在对水下目标回波进行处理时，均存在各自的问题，比如短时傅里叶变换(Short-Time Fourier Transform，STFT)存在时频图分辨率差问题，Wigner-Ville分布(Wigner-Ville Distribution，WVD)存在交叉项干扰问题，加窗的平滑伪Wigner-Ville分布(Smoothed Pseudo Wigner-Ville Distribution,SPWVD)不能完全解决交叉项干扰且时频图分辨率下降等问题。

针对现有技术存在的问题，本发明提出一种基于微多普勒特征的水下目标识别方法，通过基于压缩感知的高分辨率时频分析，提高时频图的分辨率，能够更有效地提取出水下目标的微多普勒特征，并对时频图样本进行数据增强后用于神经网络的训练，实现对水下目标识别的目的。系统总体框图如图1所示，主要包括：水下目标回波高分辨率微多普勒时频图的获取；二是采用深度卷积生成对抗网络对时频图样本进行数据增强；三是选择深度神经网络对样本数据集进行学习，以实现对水下目标的识别；最后，通过计算机仿真生成水下目标的声纳回波信号对所提出的方法进行评估，验证其在水下目标识别中的有效性。

本发明的技术方案为：

所述一种基于微多普勒特征的水下目标识别方法，包括以下步骤：

步骤1：构建用于训练的样本数据集；

所述样本数据集包括只包含微多普勒频移的水下目标回波信号的时频图和不包含微多普勒频移的水下回波信号的时频图；

其中，通过对从只包含微多普勒频移的水下目标回波信号中提取的微多普勒复包络信号进行基于压缩感知的时频分析，得到所述只包含微多普勒频移的水下目标回波信号的时频图；

步骤2：建立深度神经网络模型，利用步骤1得到的样本数据集进行训练；深度神经网络模型的输入是信号时频图，输出是信号为水下目标回波信号的置信度；

步骤3：对于实际采集的水下回波信号，获取该信号的时频图，再将时频图输入步骤2训练完成的深度神经网络模型，得到实际采集的水下回波信号为水下目标回波信号的置信度。

进一步的，步骤1构建样本数据集时，只包含微多普勒频移的水下目标回波信号通过以下方式得到：

通过声纳探测设备接收经过水下目标频率调制后的回波信号，并经过多普勒估计和降采样的方式去除回波信号中的多普勒频移，得到只包含微多普勒频移的水下目标回波信号。

进一步的，步骤1构建样本数据集时，对所述只包含微多普勒频移的水下目标回波信号的时频图，采用深度卷积生成对抗网络进行数据增强：通过深度卷积生成对抗网络学习已获得的所述只包含微多普勒频移的水下目标回波信号的时频图的数据分布，生成相应的时频图数据，用于扩充样本数据集。

进一步的，步骤1中，采用正交解调方法从只包含微多普勒频移的水下目标回波信号中提取微多普勒复包络信号。

进一步的，步骤1中，对微多普勒复包络信号进行基于压缩感知的时频分析的过程为：

对于微多普勒复包络信号s

对于观测信号f，寻找正交变换基矩阵Ψ，使得该非稀疏的观测信号f在变换域Ψ下具有稀疏表示：f＝Ψx；则压缩感知过程的数学表达式为y＝ΦΨx＝Ax，y为测量向量，A＝ΦΨ为传感矩阵，x为K-稀疏向量；

此时，通过求解l

通过沿着微多普勒复包络信号移动窗函数并依次处理，得到微多普勒复包络信号频率随时间变化的时频图。

进一步的，所述正交变换基矩阵采用离散傅里叶逆变换矩阵。

进一步的，步骤2中，深度神经网络模型采用类VGGNet的结构，每个卷积层卷积核的大小为3×3，激活函数采用ReLU，并且采用批标准化处理加速训练。

进一步的，步骤2中，深度神经网络模型分为三个卷积层，每个卷积层中卷积核的数目依次为32、64和128，在每个卷积层后接一个最大池化层，最大池化层的池化核大小为2×2，并且采用Dropout方法防止过拟合，网络最后接两个全连接层以及一个softmax层用来进行分类。

有益效果

本发明所提出的基于微多普勒特征的水下目标识别方法，在对微多普勒特征进行提取时，相较于雷达中使用的传统时频分析方法，能够得到高分辨率的时频图，其包络聚集性明显提升，提取出的微多普勒特征更加明显，如STFT、WVD、SPWVD方法和本发明提出的时频分析方法得到的时频图分别如图2、图3、图4、图5所示。另外，本发明在使用深度卷积生成对抗网络对时频图样本进行数据增强时，得到的生成样本在保持原有时频图分布的基础上也提高了数据的多样性，生成样本如图6所示，最终的深度神经网络能够实现对目标的准确识别，识别准确率与误差如图7所示。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1：系统总体框图；

图2：STFT处理得到的时频图；

图3：WVD处理得到的时频图；

图4：SPWVD处理得到的时频图；

图5：压缩感知时频分析方法处理得到的时频图；

图6：深度卷积生成对抗网络生成样本；

图7：识别准确率及误差曲线；

图8：正交解调原理框图；

图9：仿真得到的微多普勒复包络信号；

图10：不包含微多普勒频移回波信号时频图；

图11：压缩感知时频分析方法原理框图；

图12：DCGAN结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

本实施例中提出的基于微多普勒特征的水下目标识别方法，包括以下步骤：

步骤1：构建用于训练的样本数据集；

所述样本数据集包括只包含微多普勒频移的水下目标回波信号的时频图和不包含微多普勒频移的水下回波信号的时频图；

其中，通过对从只包含微多普勒频移的水下目标回波信号中提取的微多普勒复包络信号进行基于压缩感知的时频分析，得到所述只包含微多普勒频移的水下目标回波信号的时频图。

本发明的主要思路是通过建立并训练深度神经网络模型来实现水下目标的识别，那么为了训练深度神经网络模型，首先需要的就是构建样本数据集，本发明中采用信号时频图作为训练样本数据，包括只包含微多普勒频移的水下目标回波信号的时频图和不包含微多普勒频移的水下回波信号的时频图。

(1)对于只包含微多普勒频移的水下目标回波信号，可以通过以下方式得到：

对于已知的水下目标，通过声纳探测设备接收经过水下目标频率调制后的回波信号，然后经过多普勒估计和降采样的方式去除回波信号中的多普勒频移，得到只包含微多普勒频移的水下目标回波信号。

对于典型的水下航行器而言，本实施例中通过仿真建立的只包含微多普勒频移的回波信号是由水下壳体振动而产生的微多普勒回波信号s

s

其中，f

(2)在得到只包含微多普勒频移的水下目标回波信号后，采用正交解调方法从只包含微多普勒频移的水下目标回波信号中提取微多普勒复包络信号。

对于只包含微多普勒频移的回波信号s

设I通道载波s

s

将信号s

通过低通滤波器，得到混频器输出信号中的低频微多普勒信息，经过滤波器后I通道的输出信号I(t)为：

Q通道混频器中的载波信号相对I通道载波信号具有90°相移，因此该通道的载波信号s

s

经过和I通道同样的混频以及滤波处理后得到Q通道的输出信号Q(t)为：

将滤波后得到的两路信号I(t)和Q(t)组合形成复包络信号为：

由仿真得到的微多普勒复包络信号如图9所示。

(3)通过传统的时频分析可以得到时频图，例如上述样本中，对于不包含微多普勒频移的水下回波信号，采用STFT方法得到的时频图如图10所示；但如发明内容部分所述，传统的时频分析方法在对包含微多普勒频移的水下目标回波信号进行处理时，均存在各自的问题，为此，本发明对微多普勒复包络信号进行基于压缩感知的时频分析，得到微多普勒时频图，从而能够得到有效表示微多普勒特征的时频图样本。基于压缩感知的时频分析方法处理框图如图11所示。

假设信号x是一个K-稀疏的N维信号，那么压缩感知过程可以描述如下：

y＝Φx

其中，y为M维测量向量，x为K-稀疏向量，Φ为M×N维的测量矩阵。

而对于微多普勒复包络信号s

那么通过求解l

min‖x‖

实现由测量向量y高概率的精确重建信号x，信号x即为对应时间窗内信号的高分辨率频域信息，频率分辨率为f

对于包含微多普勒频移的信号，由STFT、WVD、SPWVD和本发明提出的时频分析方法得到的时频图分别如图2、图3、图4、图5所示。由图可知，本发明提出的基于压缩感知的时频分析方法得到的时频图分辨率明显提升，包络聚集性明显，能够有效地提取出水下目标引起的微多普勒特征。

(4)考虑到水下目标回波信号采集成本高、难度大以及常规的数据增强方法不能提高样本的多样性，在得到只包含微多普勒频移的水下目标回波信号的时频图后，本发明采用深度卷积生成对抗网络进行数据增强，即通过深度卷积生成对抗网络(DeepConvolutional Generative Adversarial Nets，DCGAN)学习已获得的所述只包含微多普勒频移的水下目标回波信号的时频图的数据分布，生成相应的时频图数据，用于扩充样本数据集。

DCGAN主要包括了一个生成器G和一个判别器D，生成器通过输入随机噪声生成图像，生成的图像记为G(z)。判别器用来将输入样本与真实样本作比较，实现对输入样本的真假二分类判别，得到该图像是真实样本的概率，它的输入是生成器生成的图像样本，其输出即代表为真实图像的概率，当判别器判断输入为真实样本时，接近1，判断为生成的假图像样本时，接近0。DCGAN的核心思想就是在训练过程中，通过G和D的不断优化，提高生成器G的样本生成能力，使其生成的样本G(z)在判别器D上的表现D(G(z))和真实样本x在判别器D上的表现D(x)一致，而判别器D则是提高对真假样本二分类的判别能力，通过训练，两者达到纳什平衡。理想情况下，训练完成后，当生成器G生成的图像样本G(z)分布与真实样本x的分布一致，判别器D无法对其进行区分，此时生成图像G(z)便可以用于数据增强来对数据集进行扩充。DCGAN结构示意图如图12所示，生成样本如图6所示。

步骤2：建立深度神经网络模型，利用步骤1得到的样本数据集进行训练；深度神经网络模型的输入是信号时频图，输出是信号为水下目标回波信号的置信度。

根据时频图的样本特点，设计了深度神经网络模型，模型采用类VGGNet的结构，每个卷积层卷积核的大小为3×3，激活函数采用ReLU，并且采用了批标准化处理加速训练。该网络模型共分为三个卷积层，每个卷积层中卷积核的数目依次为32、64和128，在每个卷积层后接一个最大池化层，池化层的池化核大小为2×2，并且采用Dropout方法来防止过拟合，网络最后接两个全连接层以及一个softmax层用来进行分类。

将步骤1得到的样本数据集分为训练集和验证集。利用训练集对深度神经网络模型进行训练，并利用验证集对训练好的神经网络进行验证，根据识别结果，不断调整模型的超参数，使其达到最好的识别效果，识别的准确率和误差曲线如图7所示。

步骤3：训练完成后，在实际应用过程中，对于实际采集的水下回波信号，获取该信号的时频图，再将时频图输入步骤2训练完成的深度神经网络模型，得到实际采集的水下回波信号为水下目标回波信号的置信度。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。