一種水聲目標(biāo)信號聲紋特征提取裝置和方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種聲紋特征提取裝置和方法，特別是一種水聲目標(biāo)信號聲紋特征提 取裝置和方法，屬于水下聲紋特征提取領(lǐng)域。
【背景技術(shù)】
[0002] 艦船輻射噪聲主要由發(fā)電機(jī)、推進(jìn)系統(tǒng)和船上輔助設(shè)備等聲源產(chǎn)生，可以被探測 設(shè)備所偵測獲取。偵測到的水聲目標(biāo)信號中存在著與其多聲源相應(yīng)的區(qū)別與其他型號艦船 的特征線譜，即聲紋特征。聲紋特征包含簡單特征和復(fù)雜特征。聲紋特征中的線譜就是簡單 特征，這些特征線譜可以用頻率、幅值和寬度描述，而特征線譜間存在的關(guān)聯(lián)關(guān)系則為復(fù)雜 特征，可以更精細(xì)地用重構(gòu)信號的譜圖表示。
[0003] 近些年來，深度學(xué)習(xí) （Deep Learning)作為機(jī)器學(xué)習(xí) （Machine Leaning)研究中的 一個新的領(lǐng)域，以其在各個機(jī)器學(xué)習(xí)任務(wù)中所展現(xiàn)出來的優(yōu)良的性能，得到了廣泛的關(guān)注。 深度學(xué)習(xí)的引入也在一定程度上使得機(jī)器學(xué)習(xí)更加接近其原始的目標(biāo)：人工智能 (Artificial Intelligent)。在經(jīng)典機(jī)器學(xué)習(xí)方法中，人工智能系統(tǒng)基于系統(tǒng)輸入特征學(xué) 習(xí)得到模型，從而實現(xiàn)分類和識別。在表示學(xué)習(xí) （Representation Learning)方法中，人工 智能系統(tǒng)不僅學(xué)習(xí)如何從給定特征映射到系統(tǒng)輸出，而且學(xué)習(xí)如何選擇輸入特征。然而在 實際應(yīng)用中，影響輸入觀察的因素非常多，如何從中抽取出更具代表性的高層特征，是表示 學(xué)習(xí)所面臨的困難。而基于深度學(xué)習(xí)的人工智能系統(tǒng)則實現(xiàn)了從底層的簡單概念中構(gòu)建得 到高層復(fù)雜概念的能力。深度學(xué)習(xí)之所以被稱為"深度"，是相對支撐向量機(jī)（Support Vector Machine)、提升方法(Boosting)、最大熵方法等"淺層學(xué)習(xí)"方法而言的。深度學(xué)習(xí) 的概念源于人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network)的研究，最早由多倫多大學(xué)的 Hinton等提出，其中在輸入層和輸出層之間包含超過一個隱層的神經(jīng)網(wǎng)絡(luò)，即深層神經(jīng)網(wǎng) 絡(luò)（Deep Neural Network)，就是一種深度學(xué)習(xí)結(jié)構(gòu)。在機(jī)器視覺領(lǐng)域，深層神經(jīng)網(wǎng)絡(luò)在 ImageNet競賽中帶來的顯著性能提升。在自然語言處理領(lǐng)域，循環(huán)神經(jīng)網(wǎng)絡(luò)語言模型被廣 泛應(yīng)用到各個領(lǐng)域，取得了顯著優(yōu)于N元文法的性能?；谏窠?jīng)網(wǎng)絡(luò)的方法也被應(yīng)用到了許 多自然語言處理任務(wù)中，例如機(jī)器翻譯，命名體識別，詞性標(biāo)注，語義分析等?；谏顚由窠?jīng) 網(wǎng)絡(luò)的語音識別聲學(xué)模型成為了主流的建模方法，并在信息產(chǎn)業(yè)上取得了成功。
[0004] 針對水聲偵測信號的聲紋特征提取問題，淺層結(jié)構(gòu)算法的局限性在于有限樣本和 計算單元情況下對復(fù)雜函數(shù)的表示能力有限，其泛化能力受到一定制約。深度學(xué)習(xí)具有多 層非線性映射的深層結(jié)構(gòu)，實現(xiàn)復(fù)雜的函數(shù)逼近，表征輸入數(shù)據(jù)分布式表示，并展現(xiàn)了強(qiáng)大 的從少數(shù)樣本集中學(xué)習(xí)數(shù)據(jù)集本質(zhì)特征的能力。聲紋特征的提取需要從具有一定信噪比的 噪聲中重構(gòu)出聲紋信號。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的技術(shù)解決問題是：克服現(xiàn)有技術(shù)的不足，提供了一種水聲目標(biāo)信號聲紋 特征提取裝置和方法，從原始信號譜中提取出目標(biāo)的基頻和諧波;并利用原始信號譜、目標(biāo) 的基頻和諧波對原始信號譜進(jìn)行重構(gòu)，得到聲紋特征，本發(fā)明可以有效提取水聲目標(biāo)信號 聲紋特征，并具有一定的抗噪聲干擾和頻率漂移能力。
[0006] 本發(fā)明的技術(shù)解決方案是:一種水聲目標(biāo)信號聲紋特征提取裝置，主要包括：
[0007] 信號獲取模塊，用于獲取水聲目標(biāo)信號的原始信號譜；
[0008] 特征提取模塊，用于從原始信號譜中提取出目標(biāo)的基頻和諧波；
[0009] 重構(gòu)模塊，利用原始信號譜、目標(biāo)的基頻和諧波對原始信號譜進(jìn)行重構(gòu)，得到聲紋 特征。
[0010] 所述特征提取模塊采用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)從原始信號譜中提取出目標(biāo)的基頻和諧波。
[0011] 所述特征提取模塊采用深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)從原始信號譜中提取出目標(biāo)的基頻和 諧波。
[0012] 所述重構(gòu)模塊采用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對原始信號譜進(jìn)行重構(gòu)，所述重構(gòu)信號即為水聲 目標(biāo)信號聲紋特征。
[0013] 所述重構(gòu)模塊采用深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對原始信號譜進(jìn)行重構(gòu)。
[0014] 所述深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱層和輸出層，所述輸入層中的節(jié)點數(shù)為原 始信號譜的頻點數(shù)、基頻取值范圍內(nèi)的所有頻率的頻點數(shù)以及諧波階次之和，隱層的層數(shù) 大于等于1，輸出層的節(jié)點數(shù)為原始信號譜的頻點數(shù)。
[0015] 所述隱層節(jié)點數(shù)小于輸入節(jié)點數(shù)。
[0016] -種水聲目標(biāo)信號聲紋特征提取方法，主要包括：
[0017] 信號獲取步驟，用于獲取水聲目標(biāo)信號的原始信號譜；
[0018] 特征提取步驟，從原始信號譜中提取出目標(biāo)的基頻和諧波；
[0019] 重構(gòu)步驟，利用原始信號譜、目標(biāo)的基頻和諧波對原始信號譜進(jìn)行重構(gòu)，得到聲紋 特征。
[0020] 本發(fā)明與現(xiàn)有技術(shù)相比的有益效果是：
[0021] 本發(fā)明針對聲源信號在原始信號譜中具有諧波結(jié)構(gòu)的特性，提取水聲目標(biāo)信號聲 紋特征諧波和基頻特征，并基于提取出的諧波和基頻對原始信號譜進(jìn)行重構(gòu)，得到去噪以 后的聲紋特征，與現(xiàn)有方法相比，具有一定的抗噪聲干擾和頻率漂移能力。
【附圖說明】
[0022] 圖1為本發(fā)明的裝置示意圖；
[0023]圖2為本發(fā)明的方法流程圖；
[0024]圖3為信噪比為_20dB時深層神經(jīng)網(wǎng)絡(luò)的重構(gòu)結(jié)果示意圖；
[0025]圖4為信噪比為_28dB時深層神經(jīng)網(wǎng)絡(luò)的重構(gòu)結(jié)果示意圖；
[0026]圖5為原始信號譜基頻提取誤差統(tǒng)計圖。
【具體實施方式】
[0027]下面結(jié)合附圖對本發(fā)明的【具體實施方式】進(jìn)行進(jìn)一步的詳細(xì)描述。
[0028]如圖1所示為本發(fā)明中的裝置示意圖，從圖1可知，本發(fā)明提出的一種水聲目標(biāo)信 號聲紋特征提取裝置，主要包括：
[0029]信號獲取模塊101，用于獲取水聲目標(biāo)信號的原始信號譜;所述獲取方式為采用目 前常用的任何信號采集裝置或者傳感器獲得的真實原始信號譜數(shù)據(jù)，或者為試驗狀態(tài)下通 過縮比模型等獲取的仿真原始信號譜，或者為計算機(jī)通過無噪聲的水聲目標(biāo)信號與各種噪 聲疊加獲得的模擬原始信號譜，水聲目標(biāo)的原始信號譜因為發(fā)電機(jī)、推進(jìn)系統(tǒng)和船上輔助 設(shè)備等設(shè)備運(yùn)行過程中產(chǎn)生的噪音的影響，一般含有噪聲，無法清晰的看出水聲目標(biāo)信號 的聲紋特征。
[0030] 特征提取模塊102,用于從原始信號譜中提取出目標(biāo)的基頻和諧波;聲源信號在原 始信號譜中具有諧波結(jié)構(gòu)特性，是重要的聲紋特征，因此對水聲目標(biāo)信號的基頻和諧波進(jìn) 行提取，并基于提取的基頻和諧波進(jìn)行原始信號譜的重構(gòu)，可以提取出更加清晰干凈的原 始信號譜。
[0031] 從原始信號譜中提取出目標(biāo)的基頻和諧波，常用的方法主要是基于規(guī)則的方法， 即首先提取穩(wěn)定線譜，再通過諧波是基頻的倍數(shù)的規(guī)則，確定線譜間存在的諧波關(guān)系，從而 確定基頻和諧波特征等。
[0032] 本發(fā)明中的特征提取模塊102采用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)從原始信號譜中提取出目標(biāo)的基 頻和諧