CN114897033B - 用于多波束窄带历程数据的三维卷积核组计算方法 - Google Patents
用于多波束窄带历程数据的三维卷积核组计算方法 Download PDFInfo
- Publication number
- CN114897033B CN114897033B CN202210818639.5A CN202210818639A CN114897033B CN 114897033 B CN114897033 B CN 114897033B CN 202210818639 A CN202210818639 A CN 202210818639A CN 114897033 B CN114897033 B CN 114897033B
- Authority
- CN
- China
- Prior art keywords
- convolution kernel
- time
- frequency
- azimuth
- dimensional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 35
- 230000008569 process Effects 0.000 title claims description 17
- 238000004364 calculation method Methods 0.000 title abstract description 14
- 238000001228 spectrum Methods 0.000 claims abstract description 57
- 238000000513 principal component analysis Methods 0.000 claims abstract description 14
- 230000005855 radiation Effects 0.000 claims abstract description 7
- 230000000630 rising effect Effects 0.000 claims abstract 2
- 238000013461 design Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000001174 ascending effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及水声信号与信息处理技术领域,具体涉及一种用于多波束窄带历程数据的三维卷积核组计算方法。根据目标位变率设计时间‑方位面卷积核尺寸和个数;基于对局部峰值功率谱的主成分分析设计时间‑频率面卷积核尺寸和个数;基于直线方程计算二维卷积核权值,包括时间‑方位面和时间‑频率面卷积核;通过升维和时间‑方位面卷积核与时间‑频率面卷积核两两组合的方式计算时间‑方位‑频率空间中的三维卷积核权值。本方法计算得到的卷积核组适用于被动声纳的多波束窄带历程数据,将其嵌入神经网络,可实现对目标辐射噪声线谱特征的检测,提高水声目标分类器的分类性能。
Description
技术领域
本发明涉及水声信号与信息处理技术领域,具体涉及一种用于多波束窄带历程数据的三维卷积核组计算方法。
背景技术
多波束窄带历程是在时间-方位-频率空间中的三维数据,通常以准三维的多波束窄带历程图(LOFARGRAMS)的方式显示。水中目标在LOFARGRAMS中呈现复杂性与起伏性,操作员看图辨识水声目标极为费力困难。以深度卷积神经网络为代表的深度学习技术已成功应用于图像识别。基于卷积神经网络的水声目标识别通常把目标辐射噪声的时频图类比为二维图像作为网络输入,这种方法不适用于多波束窄带历程数据,因为当目标跨越多个预成波束运动时,目标线谱特征实际上处于时间-方位-频率三维空间中。此外,传统方法中,卷积核的尺寸和个数基于试验通过网格搜索的方法确定,卷积核的权值经随机初始化后在数据中学习。由于水声数据有限,基于数据驱动的方法会使学习到的卷积核权值出现过拟合,导致分类器的泛化性能不佳。因此,基于该卷积核的神经网络并不能实现对目标辐射噪声线谱特征的准确检测。
发明内容
本发明的目的就是针对现有技术的缺陷,提供一种用于多波束窄带历程数据的三维卷积核组计算方法,其计算得到的卷积核组适用于被动声纳的多波束窄带历程数据,将其嵌入神经网络,可实现对目标辐射噪声线谱特征的检测,提高水声目标分类器的分类性能。
本发明的一种用于多波束窄带历程数据的三维卷积核组计算方法,包括:
根据目标位变率设计时间-方位面卷积核尺寸和个数;
基于对局部峰值功率谱的主成分分析设计时间-频率面卷积核尺寸和个数;
基于直线方程计算二维卷积核权值,包括时间-方位面和时间-频率面卷积核;
通过升维和时间-方位面卷积核与时间-频率面卷积核两两组合的方式计算时间-方位-频率空间中的三维卷积核权值。
较为优选的,所述根据目标位变率设计时间-方位面卷积核尺寸和个数包括:
较为优选的,所述基于对局部峰值功率谱的主成分分析设计时间-频率面卷积核尺寸和个数包括:
利用多波束窄带历程数据制作局部峰值功率谱样本库;
较为优选的,所述利用多波束窄带历程数据制作局部峰值功率谱样本库包括:
当第t帧在波束b检测到目标时,以(t, b)为中心截取三维数据切片;
将切片数据沿时间轴和方位轴求和得到功率谱;
确定局部分析窗大小,令窗口在功率谱中移动,若局部分析窗内最大值位于窗口中心,则截取并归一化得到一个局部峰值功率谱样本;
提取所有多波束窄带历程数据切片中的局部峰值功率谱,形成局部峰值功率谱样本库。
较为优选的,所述基于直线方程计算二维卷积核权值包括:
基于直线方程和位变率计算时间-方位面卷积核权值;
基于直线方程和线谱频率漂移速率计算时间-频率面卷积核权值。
较为优选的,所述基于直线方程和位变率计算权值包括:
将二维卷积核用网格表示,过中心单元作直线,所述直线被卷积核网格截为若干线段;
计算每个网格单元内的线段长度与所有线段总长度之比,并将其设置为该网格单元的权值;
作不同斜率的直线,所述斜率的每个取值对应卷积核组中的一个卷积核;
较为优选的,所述通过升维和时间-方位面卷积核与时间-频率面卷积核两两组合的方式计算时间-方位-频率空间中的三维卷积核权值包括:
本发明的有益效果为:时间-方位面卷积核能够累积多帧、多波束的目标能量,多个卷积核能够检测不同位变率的目标。基于主成分分析确定的频率轴卷积核尺寸,使得时间-频率面卷积核能够容忍一定范围内的线谱频率漂移。三维卷积核直接在时间-方位-频率的三维空间中滑动以检测线谱特征,避免数据向低维投影,最大程度保留线谱的原有特征信息。将三维卷积核组嵌入神经网络,网络具有良好的泛化性能。
附图说明
图1为本发明的流程示意图;
图2为多波束窄带历程图示意图;
图3为目标窄带特征在时间-方位-频率三维空间中的示意;
图4为三维卷积核在时间-方位-频率三维空间中滑动的示意;
图5为根据最大位变率确定卷积核波束轴尺寸示意图;
图6为实施例中对局部峰值功率谱进行主成分分析结果的第一主成分向量;
图7为基于直线方程计算时间-方位面卷积核示意图;
图8~12为实施例中部分时间-方位面卷积核权值;
图13为基于直线方程计算时间-频率面卷积核权值的示意图;
图14~16为实施例的时间-频率面卷积核组;
图17为一个时间-方位面卷积核;
图18为一个时间-频率面卷积核;
图19为时间-方位面卷积核沿频率轴复制后得到的三维卷积核;
图20为时间-频率面卷积核沿方位轴复制后得到的三维卷积核;
图21为组合后的三维卷积核。
具体实施方式
为了使本申请所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。“多个”表示“两个或两个以上”。
图1示出了本申请较佳实施例(图1示出了本申请第一实施例)提供的一种用于多波束窄带历程数据的三维卷积核组计算方法的结构示意图,为了便于说明,仅示出了与本实施例相关的部分,详述如下:
本发明的一种用于多波束窄带历程数据的三维卷积核组计算方法,包括:
(1)根据目标位变率设计时间-方位面卷积核尺寸和个数;
(2)基于对局部峰值功率谱的主成分分析设计时间-频率面卷积核尺寸和个数;
(3)基于直线方程计算二维卷积核权值,包括时间-方位面和时间-频率面卷积核;
(4)通过升维和时间-方位面卷积核与时间-频率面卷积核两两组合的方式计算时间-方位-频率空间中的三维卷积核权值。
多波束窄带历程数据由声纳阵列信号经过波束形成和窄带信号处理得到,所述三维卷积核直接在多波束窄带历程数据所在的时间-方位-频率三维空间中移动。所述目标是指声纳探测范围内的噪声源,其与阵列作相对运动。
较为优选的,所述(1)中,根据目标位变率设计时间-方位面卷积核尺寸和个数包括:
较为优选的,所述(2)基于对局部峰值功率谱的主成分分析设计时间-频率面卷积核尺寸和个数包括:
S4:利用多波束窄带历程数据制作局部峰值功率谱样本库;
较为优选的,所述S4中利用多波束窄带历程数据制作局部峰值功率谱样本库包括:
当第t帧在波束b检测到目标时,以(t, b)为中心截取三维数据切片,时间轴截取范围为[t-T, t+T],方位轴截取范围为[b-B, b+B],频率轴包含窄带分析所有频段;
将切片数据沿时间轴和方位轴求和得到功率谱;
确定局部分析窗大小,令窗口在功率谱中移动,若局部分析窗内最大值位于窗口中心,则截取并归一化得到一个局部峰值功率谱样本;
提取所有多波束窄带历程数据切片中的局部峰值功率谱,形成局部峰值功率谱样本库。
较为优选的,所述(3)中基于直线方程计算二维卷积核权值包括:
S7:基于直线方程和位变率计算时间-方位面卷积核权值;
S8:基于直线方程和线谱频率漂移速率计算时间-频率面卷积核权值。
较为优选的,所述基于直线方程和位变率计算权值包括:
将二维卷积核用网格表示,过中心单元作直线,所述直线被卷积核网格截为若干线段;
计算每个网格单元内的线段长度与所有线段总长度之比,并将其设置为该网格单元的权值;
作不同斜率的直线,所述斜率的每个取值对应卷积核组中的一个卷积核;
S11:将二者对应元素相乘得到时间-方位-频率三维卷积核权值,遍历所有两两组合得到包含个卷积核的三维卷积核组,其中,为时间-方位面卷积核的个数,为时间-频率面卷积核的个数。值得注意的是,对卷积核权值作等比例缩放不影响其使用效果。
实施例二
本发明提供一种用于多波束窄带历程数据的三维卷积核组计算方法的较优实施例,结合目标运动知识和线谱特征知设计的卷积核,可直接在时间-方位-频率三维空间中滑动,检测目标窄带特征,将其嵌入神经网络可提高分类模型的泛化性能。
图2为多波束窄带历程图,图中每一格表示一个预成波束,每个波束内显示所在方位的窄带历程信息。
图3为目标窄带特征在时间-方位-频率三维空间中的示意,目标窄带特征表现为在时间-方位-频率三维空间中的“曲线”,“曲线”所在处谱值显著高于周围空间;其在时间-方位面的投影为目标的窄带方位历程,其在时间-频率面的投影为目标的窄带历程。
图4为三维卷积核在时间-方位-频率三维空间中的示意,卷积核直接在三维空间中滑动检测目标窄带特征。实施例的多波束窄带历程数据,每个时间分辨单元为8秒,每个方位分辨单元为0.5度,每个频率分辨单元为0.125赫兹。
结合图2~4,本实施例的流程如下:
步骤S2,根据最大位变率确定卷积核波束轴尺寸。实施例中设定目标最大位变率为0.2度/秒,则2帧16秒内目标跨越的最大角度等于3.2度。那么,最大位变率下目标跨越6.4个波束,据此确定卷积核波束轴尺寸为。参考图5,图中黑色实线为目标运动轨迹,7个波束宽度之和为3.5度,若目标在2帧16秒内跨过7个波束,则位变率为0.219度/秒。
步骤S4,制作局部峰值功率谱样本库。人工确定第t帧在波束b检测到目标。以(t,b)为中心截取三维数据切片,时间轴截取范围为[t-T, t+T],方位轴截取范围为[b-B, b+B],频率轴包含窄带分析所有频段,实施例中,。将切片数据沿时间轴和方位轴求和得到功率谱。确定局部分析窗大小,令窗口在功率谱中移动,若局部分析窗内最大值位于窗口中心,则截取作为样本。对每个截取的局部峰值除以局部谱值之和,得到归一化的局部峰值功率谱。实施例中截取的局部分析窗的带宽为3.125赫兹共25个分辨单元。提取所有多波束窄带历程数据切片中的局部峰值功率谱形成样本库。
步骤S5,对局部峰值功率谱进行主成分分析,观察第一主成分向量中与峰值同号的元素的个数。图6为实施例主成分分析的第一主成分向量,它表现为局部峰值的形式,峰值为正,峰值相邻的2个元素也为正值,据此确定频率轴尺寸为。
步骤S7,基于直线方程和位变率计算时间-方位面卷积核权值。参考图7,以位变率等于0.05度/秒对应的卷积核为例。首先将卷积核表示成网格形式,以时间-方位面卷积核的中心为原点建立平面直角坐标系,横轴为方位b,纵轴为时间t。图中每个网格是时间-方位空间中的离散分辨单元。过原点作斜率为0.05的线段,线段端点为(-1, -20)和(1, 20)。各网格内线段长度与线段总长度之比,即为该网格对应卷积核元素的权值。为方便表示,实施例中将权值放大5倍,以使最大权值为1。图7的卷积核权值为
图8-12为实施例设计的时间-方位面卷积核组部分卷积核,对应的位变率分别为0、0.025、0.05、0.1和0.2。图8-12中卷积核左右翻转后为位变率小于零时的卷积核,图中未画出,所有9个卷积核共同组成时间-方位面卷积核组。图中实线为计算时用到的线段,白色表示该单元权值为0(图中未用数字标出),黑色表示该单元权值为1,其余单元根据权值大小填成灰色。图11、12中当位变率较大导致线段超出卷积核网格范围时,可通过添加分辨单元的方式辅助计算。
步骤S8,基于直线方程和线谱频率漂移速率计算时间-频率面卷积核权值。计算方法与步骤S4同理。参考图13,设线谱频率在40秒内漂移0.375赫兹。将卷积核表示成网格形式,以时间-频率面卷积核的中心为原点建立平面直角坐标系,横轴为频率f,纵轴为时间t。图中每个网格是时间-频率空间中的离散分辨单元。过原点作线段,线段端点为(-3/16, -20)和(3/16, 20)。各网格内线段长度与线段总长度之比,即为该网格对应的卷积核元素的权值。为方便表示,实施例中将权值放大5倍,以使最大权值为1。图13的卷积核权值为
图14-16为实施例中的时间-频率面卷积核,分别对应的特征频率在40秒内漂移量分别为-0.375、0和0.375赫兹。图中实线为计算时用到的线段,白色表示该单元权值为0(图中未用数字标出),黑色表示该单元权值为1,其余单元根据权值大小填成灰色。
步骤S11,将步骤S9和S10得到的三维卷积核对应元素相乘得到时间-方位-频率空间中的三维卷积核,遍历所有两两组合得到三维卷积核组。参考图19、20,将图19和图20卷积核对应元素相乘,得到组合后的三维卷积核如21所示。按照此方法,将9个时间-方位面卷积核与3个时间-频率面卷积核两两组合,得到包含27个卷积核的时间-方位-频率空间的三维卷积核组。
应该明白,公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好,应该理解,过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素,并且不是要限于所述的特定顺序或层次。
在上述的详细描述中,各种特征一起组合在单个的实施方案中,以简化本公开。不应该将这种公开方法解释为反映了这样的意图,即,所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反,如所附的权利要求书所反映的那样,本发明处于比所公开的单个实施方案的全部特征少的状态。因此,所附的权利要求书特此清楚地被并入详细描述中,其中每项权利要求独自作为本发明单独的优选实施方案。
为使本领域内的任何技术人员能够实现或者使用本发明,上面对所公开实施例进行了描述。对于本领域技术人员来说;这些实施例的各种修改方式都是显而易见的,并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此,本公开并不限于本文给出的实施例,而是与本申请公开的原理和新颖性特征的最广范围相一致。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括,”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block),单元,和步骤可以通过电子硬件、电脑软件,或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability),上述的各种说明性部件(illustrative components),单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个***的设计要求。本领域技术人员可以对于每种特定的应用,可以使用各种方法实现所述的功能,但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块,或单元都可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于用户终端中。可选地,处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中,本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现,这些功能可以存储与电脑可读的媒介上,或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如,这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置,或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外,任何连接都可以被适当地定义为电脑可读媒介,例如,如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘,磁盘通常以磁性复制数据,而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (4)
1.一种用于多波束窄带历程数据的三维卷积核组计算方法,其特征在于,包括:
根据目标位变率设计时间-方位面卷积核尺寸和个数;
基于对局部峰值功率谱的主成分分析设计时间-频率面卷积核尺寸和个数;
基于直线方程计算二维卷积核权值,包括时间-方位面和时间-频率面卷积核;
通过升维和时间-方位面卷积核与时间-频率面卷积核两两组合的方式计算时间-方位-频率空间中的三维卷积核权值;
所述根据目标位变率设计时间-方位面卷积核尺寸和个数包括:
所述基于对局部峰值功率谱的主成分分析设计时间-频率面卷积核尺寸和个数包括:
利用多波束窄带历程数据制作局部峰值功率谱样本库;
所述基于直线方程计算二维卷积核权值包括:
基于直线方程和位变率计算时间-方位面卷积核权值;
基于直线方程和线谱频率漂移速率计算时间-频率面卷积核权值。
2.根据权利要求1所述用于多波束窄带历程数据的三维卷积核组计算方法,其特征在于,所述利用多波束窄带历程数据制作局部峰值功率谱样本库包括:
当第t帧在波束b检测到目标时,以(t, b)为中心截取三维数据切片;
将切片数据沿时间轴和方位轴求和得到功率谱;
确定局部分析窗大小,令窗口在功率谱中移动,若局部分析窗内最大值位于窗口中心,则截取并归一化得到一个局部峰值功率谱样本;
提取所有多波束窄带历程数据切片中的局部峰值功率谱,形成局部峰值功率谱样本库。
3.根据权利要求2所述用于多波束窄带历程数据的三维卷积核组计算方法,其特征在于,所述基于直线方程和位变率计算权值包括:
将二维卷积核用网格表示,过中心单元作直线,所述直线被卷积核网格截为若干线段;
计算每个网格单元内的线段长度与所有线段总长度之比,并将其设置为该网格单元的权值;
作不同斜率的直线,所述斜率的每个取值对应卷积核组中的一个卷积核;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210818639.5A CN114897033B (zh) | 2022-07-13 | 2022-07-13 | 用于多波束窄带历程数据的三维卷积核组计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210818639.5A CN114897033B (zh) | 2022-07-13 | 2022-07-13 | 用于多波束窄带历程数据的三维卷积核组计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114897033A CN114897033A (zh) | 2022-08-12 |
CN114897033B true CN114897033B (zh) | 2022-09-27 |
Family
ID=82730440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210818639.5A Active CN114897033B (zh) | 2022-07-13 | 2022-07-13 | 用于多波束窄带历程数据的三维卷积核组计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897033B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6151378A (en) * | 1998-03-28 | 2000-11-21 | U.S. Philips Corporation | Method and device for processing of medical image data |
CN110471048A (zh) * | 2019-07-25 | 2019-11-19 | 南京信息工程大学 | 基于声呐三维图像置信度的自适应变尺度卷积核计算方法 |
CN111665489A (zh) * | 2019-03-08 | 2020-09-15 | 中国科学院声学研究所 | 一种基于目标特性的线谱提取方法 |
CN112904279A (zh) * | 2021-01-18 | 2021-06-04 | 南京工程学院 | 基于卷积神经网络和子带srp-phat空间谱的声源定位方法 |
CN113592076A (zh) * | 2021-07-30 | 2021-11-02 | 南京广捷智能科技有限公司 | 一种卷积神经网络加速***及方法 |
CN113808607A (zh) * | 2021-03-05 | 2021-12-17 | 北京沃东天骏信息技术有限公司 | 基于神经网络的语音增强方法、装置及电子设备 |
CN114091328A (zh) * | 2021-11-11 | 2022-02-25 | 中国船舶重工集团公司第七一五研究所 | 加窗二维解卷多波束功率谱估计算法 |
CN114706084A (zh) * | 2021-12-30 | 2022-07-05 | 杭州电子科技大学 | 一种基于yolo算法的水声被动跟踪多目标的方法 |
-
2022
- 2022-07-13 CN CN202210818639.5A patent/CN114897033B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6151378A (en) * | 1998-03-28 | 2000-11-21 | U.S. Philips Corporation | Method and device for processing of medical image data |
CN111665489A (zh) * | 2019-03-08 | 2020-09-15 | 中国科学院声学研究所 | 一种基于目标特性的线谱提取方法 |
CN110471048A (zh) * | 2019-07-25 | 2019-11-19 | 南京信息工程大学 | 基于声呐三维图像置信度的自适应变尺度卷积核计算方法 |
CN112904279A (zh) * | 2021-01-18 | 2021-06-04 | 南京工程学院 | 基于卷积神经网络和子带srp-phat空间谱的声源定位方法 |
CN113808607A (zh) * | 2021-03-05 | 2021-12-17 | 北京沃东天骏信息技术有限公司 | 基于神经网络的语音增强方法、装置及电子设备 |
CN113592076A (zh) * | 2021-07-30 | 2021-11-02 | 南京广捷智能科技有限公司 | 一种卷积神经网络加速***及方法 |
CN114091328A (zh) * | 2021-11-11 | 2022-02-25 | 中国船舶重工集团公司第七一五研究所 | 加窗二维解卷多波束功率谱估计算法 |
CN114706084A (zh) * | 2021-12-30 | 2022-07-05 | 杭州电子科技大学 | 一种基于yolo算法的水声被动跟踪多目标的方法 |
Non-Patent Citations (2)
Title |
---|
Ships Classification Using Deep Neural Network Based on Attention Mechanism;Min-Zhang Xu et al;《2021 OES China Ocean Acoustics (COA)》;20210717;全文 * |
基于双对数谱和卷积网络的船舶辐射噪声分类;徐源超等;《电子与信息学报》;20220615;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114897033A (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10360465B2 (en) | Liveness testing methods and apparatuses and image processing methods and apparatuses | |
CN103093215B (zh) | 人眼定位方法及装置 | |
CN110866958B (zh) | 一种文本到图像的方法 | |
US20200117906A1 (en) | Space-time memory network for locating target object in video content | |
US20200285959A1 (en) | Training method for generative adversarial network, image processing method, device and storage medium | |
TWI766201B (zh) | 活體檢測方法、裝置以及儲存介質 | |
CN101341733B (zh) | 单图像晕映纠正 | |
CN110717470B (zh) | 一种场景识别方法、装置、计算机设备和存储介质 | |
CN117079139B (zh) | 一种基于多尺度语义特征的遥感图像目标检测方法及*** | |
CN104143185A (zh) | 一种污点区域检测方法 | |
Niloy et al. | CFL-Net: image forgery localization using contrastive learning | |
WO2021051939A1 (zh) | 一种证件区域定位的方法及装置 | |
US20150356350A1 (en) | unsupervised non-parametric multi-component image segmentation method | |
US10248835B2 (en) | Methods and apparatuses for authentication using biometric information | |
GB2579262A (en) | Space-time memory network for locating target object in video content | |
US20170213071A1 (en) | Face detection method and apparatus | |
CN111079794B (zh) | 一种基于类别间相互融合的声音数据增强方法 | |
CN113850264A (zh) | 评估目标检测模型的方法和*** | |
CN114417942B (zh) | 一种杂波识别方法及***及装置及介质 | |
CN116383791A (zh) | 一种客户身份认证方法、装置、电子设备及介质 | |
US9928408B2 (en) | Signal processing | |
CN114897033B (zh) | 用于多波束窄带历程数据的三维卷积核组计算方法 | |
CN111191781A (zh) | 训练神经网络的方法、对象识别方法和设备以及介质 | |
US20170046590A1 (en) | Image feature classification | |
CN113780330A (zh) | 图像校正方法及装置、计算机存储介质、电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |