长短时记忆网络水下目标噪声智能识别方法
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第 41 卷 第 12 期 2019 年 12 月
舰船科学技术 SHIP SCIENCE AND TECHNOLOGY
Vol. 41, No. 12 Dec. , 2019
长短时记忆网络水下目标噪声智能识别方法
张少康1，王 超1，田德艳2，张小川1 (1. 海军潜艇学院，山东 青岛 266000；2. 海洋科学与技术国家实验室，山东 青岛 266000)
收稿日期: 2018 – 09 – 05 作者简介: 张少康 (1990 – )，男，博士研究生，研究方向为海洋环境效应技术。
谱相关分析研究，文献 [12 – 14] 则就舰船辐射噪声的 时域及非线性特征提取方法进行了研究。但是，传统 水声目标特征提取方法大都需要通过人工分析手段提 取时频谱特征或其他类型的特征，目标识别过程具有 较强的人机交互特性，需要研究人员具备较强的数据 分析能力、先验知识及专业素养。
近几年，随着浮标潜标、水下滑翔机、AUV、
关键词：深度学习；长短时记忆网络；水下目标辐射噪声；特征提取；智能识别
中图分类号：TP391.4 文献标识码：A
文章编号： 1672 – 7649(2019)12 – 0181 – 05
doi：10.3404/j.issn.1672 – 7649.2019.12.035
Intelligent recognition of underwater target noise based on long short-term memory networks
Abstract: In the future, the underwater acoustic target detection system based on the unmanned underwater platform requires the platform itself to have tgnition, while the traditional method of underwater target noise recognition needs to manually extract the feature data with strong generalization ability. And the recognition process has a strong human-computer interaction characteristics, which can not meet this requirement. To solve this problem, an intelligent underwater target noise recognition method based on long short-term memory network (LSTM) is studied in this paper. The time domain time series data, frequency spectrum data and Mel frequency cepstrum coefficient(MFCC) data of underwater target noise are extracted and recognized by long short-term memory network (LSTM). The method is verified by underwater acoustic target noise signal. The results show that the long-short term memory network adopted in this paper can effectively achieve underwater target noise feature extraction and intelligent recognition under the above three input data conditions.
ZHANG Shao-kang1, WANG Chao1, TIAN De-yan2, ZHANG Xiao-chuan1 (1. Navy Submarine Academy, Qingdao 266000, China; 2. National Laboratory for Marine
Science and Technology, Qingdao 266000, China)
Key words: deep learning；long short-term memory network；underwater target radiated noise；feature extraction； intelligent recognition
0 引 言
特征向量提取方法一直以来都是水下目标辐射噪 声识别问题的研究重点。文献 [1 – 4] 就舰船螺旋桨空 化噪声调制线谱特征提取方法及建模进行了相关研 究，文献 [5 – 8] 就舰船辐射噪声的低频线谱特征的提 取进行了研究，文献 [9 – 11] 开展了舰船辐射噪声功率
摘 要: 未来基于水下无人平台的水声目标探测体系要求平台自身具备目标智能化识别能力，而传统水下目 标噪声识别方法需要人工提取泛化能力强的特征数据，且识别过程具有较强的人机交互特性，无法满足这一要求。 针对这一问题，本文研究一种基于长短时记忆网络（LSTM）的水下目标噪声智能识别方法，借助深度学习自主学 习数据特征的能力，应用长短时记忆网络（LSTM）分别对水下目标噪声的时域时间序列数据、频谱数据、梅尔倒 谱（MFCC）数据进行深层次特征提取与识别，并使用实际水声目标噪声信号对该方法进行了验证。结果表明，在 上述 3 种输入数据情况下，采用 LSTM 长短时记忆模型均能有效实现水下目标噪声特征提取与智能识别。
舰船科学技术 SHIP SCIENCE AND TECHNOLOGY
Vol. 41, No. 12 Dec. , 2019
长短时记忆网络水下目标噪声智能识别方法
张少康1，王 超1，田德艳2，张小川1 (1. 海军潜艇学院，山东 青岛 266000；2. 海洋科学与技术国家实验室，山东 青岛 266000)
收稿日期: 2018 – 09 – 05 作者简介: 张少康 (1990 – )，男，博士研究生，研究方向为海洋环境效应技术。
谱相关分析研究，文献 [12 – 14] 则就舰船辐射噪声的 时域及非线性特征提取方法进行了研究。但是，传统 水声目标特征提取方法大都需要通过人工分析手段提 取时频谱特征或其他类型的特征，目标识别过程具有 较强的人机交互特性，需要研究人员具备较强的数据 分析能力、先验知识及专业素养。
近几年，随着浮标潜标、水下滑翔机、AUV、
关键词：深度学习；长短时记忆网络；水下目标辐射噪声；特征提取；智能识别
中图分类号：TP391.4 文献标识码：A
文章编号： 1672 – 7649(2019)12 – 0181 – 05
doi：10.3404/j.issn.1672 – 7649.2019.12.035
Intelligent recognition of underwater target noise based on long short-term memory networks
Abstract: In the future, the underwater acoustic target detection system based on the unmanned underwater platform requires the platform itself to have tgnition, while the traditional method of underwater target noise recognition needs to manually extract the feature data with strong generalization ability. And the recognition process has a strong human-computer interaction characteristics, which can not meet this requirement. To solve this problem, an intelligent underwater target noise recognition method based on long short-term memory network (LSTM) is studied in this paper. The time domain time series data, frequency spectrum data and Mel frequency cepstrum coefficient(MFCC) data of underwater target noise are extracted and recognized by long short-term memory network (LSTM). The method is verified by underwater acoustic target noise signal. The results show that the long-short term memory network adopted in this paper can effectively achieve underwater target noise feature extraction and intelligent recognition under the above three input data conditions.
ZHANG Shao-kang1, WANG Chao1, TIAN De-yan2, ZHANG Xiao-chuan1 (1. Navy Submarine Academy, Qingdao 266000, China; 2. National Laboratory for Marine
Science and Technology, Qingdao 266000, China)
Key words: deep learning；long short-term memory network；underwater target radiated noise；feature extraction； intelligent recognition
0 引 言
特征向量提取方法一直以来都是水下目标辐射噪 声识别问题的研究重点。文献 [1 – 4] 就舰船螺旋桨空 化噪声调制线谱特征提取方法及建模进行了相关研 究，文献 [5 – 8] 就舰船辐射噪声的低频线谱特征的提 取进行了研究，文献 [9 – 11] 开展了舰船辐射噪声功率
摘 要: 未来基于水下无人平台的水声目标探测体系要求平台自身具备目标智能化识别能力，而传统水下目 标噪声识别方法需要人工提取泛化能力强的特征数据，且识别过程具有较强的人机交互特性，无法满足这一要求。 针对这一问题，本文研究一种基于长短时记忆网络（LSTM）的水下目标噪声智能识别方法，借助深度学习自主学 习数据特征的能力，应用长短时记忆网络（LSTM）分别对水下目标噪声的时域时间序列数据、频谱数据、梅尔倒 谱（MFCC）数据进行深层次特征提取与识别，并使用实际水声目标噪声信号对该方法进行了验证。结果表明，在 上述 3 种输入数据情况下，采用 LSTM 长短时记忆模型均能有效实现水下目标噪声特征提取与智能识别。