CN114818789B 一种基于数据增强的船舶辐射噪声识别方法 （南京大学）

一种基于数据增强的船舶辐射噪声识别方法本发明公开了一种基于数据增强的船舶辐样特征向量并将其输入变分自编码器数据增强2步骤3，将训练集B4中的数据梅尔频率倒谱系数I输步骤5，计算输入数据梅尔频率倒谱系数I和重构梅尔频率倒谱系数MFCC数据O之间的分为若干段长度为W的加窗信号，每一段加窗信号的类别标签为其所属的原始数据的类别3所述时延卷积编码器由三个时延卷积单元级联组成，每个时延卷积单元包含了卷积、所述转置时延卷积解码器是变分自编码器数据增强模型的另一组成骤5中，计算输入数据梅尔频率倒谱系数I和重构梅尔频率倒谱系数MFCC数据O之间的重构其中，损失函数中重构误差项mse_loss(O,I)计算了输出重构梅尔频率倒谱系数MFCC数据O和输入梅尔频率倒谱系数I之间的均方误差，输出重构梅尔频率倒谱系数MFCC数据OKL(N(M,S^2)|N(0,1))计算了深度特征向量概率分布N(M,S^2)和标准正态分布N使用误差反向传播算法来利用这些误差值计算模型的参数更新输出该数据在特征空间的概率分布，在特征空间中基于该概率分布采样得到一个特征向ResNet-18分类器中进行训练，使用交叉熵损失函数来计算训练过程中输出的预测类别标4签和真实的样本类别标签之间的偏差，通过反向传播算法计算ResNet-18模型参数的更新的船只类别。10.根据权利要求9所述的一种基于数据增强的船舶辐射噪声识别方法，其特征在于，扩散卷积：扩散卷积操作将转置特征向量的每个元素扩散为转置批归一化：缓解多层非线性运算导致的向量分布漂移，每个扩残差连接：在转置时延卷积的输入和批归一化层的输出之间加入一条残差连接支路，5到专业人员培训的成本以及人工识别效率的限制，该项技术目前的应用范围仍然非常有6[0011]步骤5，计算输入数据梅尔频率倒谱系数I和重构梅尔频率倒谱系数MFCC数据O之集B2中的原始数据分为若干段长度为W的加窗信号，每一段加窗信号的类别标签为其所属的原始数据的类别标签，从加窗得到的片段信号中提取对应的梅尔频率倒谱系数MFCC特分组成，输入数据先通过时延卷积编码器结构学习得到输入数据对应的特征空间概率分7延卷积解码器由三个转置时延卷积单元级联组成，每个转置时延卷积单元包括了转置操[0026]其中，损失函数中重构误差项mse_loss(深度特征向量概率分布N(M,S^2)和标准正态分布N(0,1)之间的KL[0027]使用误差反向传播算法(参考：RUMELHARTDE,HINTONGE,WILLIAMSRJ.Learningrepresentationsbyback-propagatingerrors[J].nature,1986,323降算法(参考：LiM,ZhangT,ChenY,etal.Efficientmini-batchtrainingforstochasticoptimization[C]//Proceedingsofthe20thACMSIGKDDinternationalconferenceonKnowledgediscoveryanddatamining.2014:661-670.)对变分自编码样本类别标签输入ResNet-18分类器中进行训练，使用交叉熵损失函数来计算训练过程中输出的预测类别标签和真实的样本类别标签之间的偏差，通过反向传播算法计算ResNet-18模型参数的更新值，使用随机梯度下降算法来更新ResNet-18模型的参数，重复多轮训8[0030]本发明步骤8中，利用步骤7得到的ResNet-18分类器对测试集B3中的测试信号进辐射噪声信号所属的船只类别。[0039]下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述[0043]图4为本发明中经过时延卷积变分自编码器数据增强模型得到的生成MFCC数据与9号，片段信号的船只类别标签和对应的原始信号标签相同，将片段信号的梅尔倒谱系数[0050]步骤5，计算输入数据梅尔频率倒谱系数I和重构梅尔频率倒谱系数MFCC数据O之偏差项计算由时延卷积编码器和转置时延卷积解码器组成的变分自编码器数据增强模型作为分类模型的输入复杂度过高。因此这里使用固定的窗口大小W，(梅尔频率倒谱系数，B2中的原始辐射噪声数据分为若干段长度为W的加窗信号，每一段加窗信号的类别标签为representationsformonosyllabicwordrecognitionincontinuouslyspokensentences[J].IEEEtransactionsonacoustics,speech,andsignalprocessing,1980,28(4):357–366.)[0056]步骤3中，从训练集B4中选取数据作为变分自编码器数据增强模型的输入梅尔频到深度特征随机分布的均值M和标准差S。.(参考文献：KingmaDP,WellingM.Auto-encodingvariationalbayes[J].arXivpreprintarX[0066]转置时延卷积解码器由一系列和时延卷积编码器中的时延卷积层具有相反输入[0071]步骤5中，计算输入数据梅尔频率倒谱系数I和重构梅尔频率倒谱系数MFCC数据O[0073]损失函数中重构误差项mse_loss(O,I)计算了输出重构梅尔频率倒谱系数MFCC数据O和输入梅尔频率倒谱系数I之间的均方误差，输出重构梅尔频率倒谱系数MFCC数据O和(N(M,S^2)|N(0,1))计算了深度特征向量概率分布N(M,S^2)和标准正态分布N(0小批次梯度下降算法对变分自编码器数据增强模[0075]步骤6中，将训练集B4中每个辐射噪声信号的MFCC特征输入变分自编码器数据增[0076]步骤7中，利用经过扩充后的训练集B5，将其中的数据结合对应的样本标签输入ResNet-18(18层残差卷积神经网络，ResidualNetwork-18，ResNet-18)分类器中进行训练。使用交叉熵损失函数来计算训练过程中ResNet-18输出的预测标签和真实样本标签之[0077]步骤8中，利用步骤7得到的ResNet-18(18层残差卷积神经网络，ResidualResNet-18分类器进行预测，得到该段辐射噪声信号所属的船只类别。(参考文献：HeK,ZhangX,RenS,etal.Deepresiduallearningforimagerecognition[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2016:770–778.)[0081]本发明分别从上述两个辐射噪声数据集中抽取33％的原始辐射噪声信号作为测为若干段长度为W的加窗信号，每一段加窗信号的类别标签为其所属的原始数据的类别标[0086]1.3使用处理好的样本集作[0088]1.5计算输入数据和重构输出数据[0089]1.6将训练集数据输入训练好的变分[0097]图2列出了本发明中的识别算法部分在本发明采集的辐射噪声数据集1上对于分代表本发明中使用的残差卷积神经网络结构；“数据增强”指示不同的数据增强方法，提出的变分自编码器数据增强模型进行扩充后的