(19)國家知識產(chǎn)權局(12)發(fā)明專利(65)同一申請的已公布的文獻號(73)專利權人西北工業(yè)大學地址710072陜西省西安市友誼西路(72)發(fā)明人楊長生茍文博梁紅(74)專利代理機構(gòu)西安凱多思知識產(chǎn)權代理事務所(普通合伙)61290專利代理師劉新瓊本發(fā)明涉及一種基于卷積神經(jīng)網(wǎng)絡的艦船聲尾流檢測方法，屬于目標檢測領域。包括采集有尾流和無尾流時散射回波信號，對采集到的散射回波信號進行預處理，對預處理后的散射回波信號做小波變化得到小波系數(shù)矩陣，將時頻特征圖像集按照一定的比例劃分為測試集和訓練集，搭建卷積神經(jīng)網(wǎng)絡進行訓練，利用訓練好的模型遇足檢利要求是21.一種基于卷積神經(jīng)網(wǎng)絡的艦船聲尾流檢測方法，其特征在于步驟如下：步驟1:采集有尾流和無尾流時散射回波信號；分別采集檢測平臺在不同深度、不同速度、不同信號發(fā)射角度以及發(fā)射不同信號頻率和形式下的有尾流和無尾流時散射回波；步驟2:對采集到的散射回波信號進行預處理，濾除不在頻響范圍內(nèi)的噪聲；步驟3:對預處理后的散射回波信號做小波變化得到小波系數(shù)矩陣，然后進行可視化得到時頻特征圖像集；步驟4:將時頻特征圖像集按照一定的比例劃分為測試集和訓練集，并對每一張時頻圖標注對應的標簽；步驟5:綜合考慮網(wǎng)絡的檢測準確率、計算量和占用內(nèi)存的大小，搭建卷積神經(jīng)網(wǎng)絡；所述的卷積神經(jīng)網(wǎng)絡為WakeNet檢測網(wǎng)絡，WakeNet由三個普通卷積層、四個bottleneck結(jié)構(gòu)和一個全局平均池化層構(gòu)成，輸入網(wǎng)絡的時頻圖首先經(jīng)過卷積核大小為3×3的卷積層捕獲宏觀特征，之后經(jīng)過四層bottleneck結(jié)構(gòu)獲取更深層次的特征，然后經(jīng)過卷積核大小為1×1的卷積層提高網(wǎng)絡的非線性分類性能，隨后采用全局平均池化層對特征矩陣進行降維，最后采用卷積核大小為1×1的卷積層作為全連接層輸出分類結(jié)果；步驟6:使用訓練集訓練和優(yōu)化卷積神經(jīng)網(wǎng)絡；步驟7:將待測數(shù)據(jù)經(jīng)過預處理、時頻特征提取之后，通過優(yōu)化好的神經(jīng)網(wǎng)絡模型給出2.根據(jù)權利要求1所述基于卷積神經(jīng)網(wǎng)絡的艦船聲尾流檢測方法，其特征在于：步驟5所述的bottleneck結(jié)構(gòu)為倒殘差結(jié)構(gòu)，是由Resnet網(wǎng)絡中的殘差結(jié)構(gòu)改進而來，bottleneck結(jié)構(gòu)首先經(jīng)過卷積核大小為1×1的卷積層提高特征維度，然后經(jīng)過3×3的DW卷積提取特征，最后經(jīng)過卷積核大小為1×1的卷積層降低特征維度。3.根據(jù)權利要求1所述基于卷積神經(jīng)網(wǎng)絡的艦船聲尾流檢測方法，其特征在于：步驟6中通過調(diào)節(jié)網(wǎng)絡的超參數(shù)以提高網(wǎng)絡的學習效果和性能，所述的超參數(shù)包括：學習率和批次大小。4.一種計算機系統(tǒng)，其特征在于包括：一個或多個處理器，計算機可讀存儲介質(zhì)，用于存儲一個或多個程序，其中，當所述一個或多個程序被所述一個或多個處理器執(zhí)行時，使得所述一個或多個處理器實現(xiàn)權利要求1所述的方法。5.一種計算機可讀存儲介質(zhì)，其特征在于存儲有計算機可執(zhí)行指令，所述指令在被執(zhí)行時用于實現(xiàn)權利要求1所述的方法。3技術領域[0001]本發(fā)明屬于目標檢測領域，具體涉及一種通過對艦船聲尾流散射回波信號處理實現(xiàn)艦船目標檢測的方法。背景技術[0002]艦船在航行過程中，其尾部會產(chǎn)生含有大量氣泡的湍流。聲學探測尾流由于檢測[0003]國內(nèi)外學者對尾流聲檢測開展了大量的研究，并提出相關的檢測算法，主要集中在提取特征后進行檢測。但人工提取特征需要具備一定的專業(yè)知識，并在提取特征的過程中不可避免的丟失掉部分信息，導致基于特征提取的檢測方法魯棒性和泛化性較差。[0004]深度學習使用多個層逐步從原始輸入中提取更高級別的特征，并將傳統(tǒng)的提取后分類識別的算法整合到一個端對端的分類模型。在圖像處理中，深度學習方法已展現(xiàn)出泛化性和魯棒性的能力。發(fā)明內(nèi)容[0005]要解決的技術問題[0006]為了克服現(xiàn)有技術的不足，本發(fā)明提出一種基于卷積神經(jīng)網(wǎng)絡的艦船尾流檢測方法，利用卷積神經(jīng)網(wǎng)絡挖掘艦船尾流目標的更深層次特征，進而提高低信噪比下尾流目標檢測的準確率。[0008]一種基于卷積神經(jīng)網(wǎng)絡的艦船聲尾流檢測方法，其特征在于步驟如下：[0009]步驟1:采集有尾流和無尾流時散射回波信號；分別采集檢測平臺在不同深度、不同速度、不同信號發(fā)射角度以及發(fā)射不同信號頻率和形式下的有尾流和無尾流時散射回[0010]步驟2:對采集到的散射回波信號進行預處理，濾除不在頻響范圍內(nèi)的噪聲；[0011]步驟3:對預處理后的散射回波信號做小波變化得到小波系數(shù)矩陣，然后進行可視化得到時頻特征圖像集；[0012]步驟4:將時頻特征圖像集按照一定的比例劃分為測試集和訓練集，并對每一張時頻圖標注對應的標簽；[0013]步驟5:綜合考慮網(wǎng)絡的檢測準確率、計算量和占用內(nèi)存的大小，搭建卷積神經(jīng)網(wǎng)結(jié)構(gòu)和一個全局平均池化層構(gòu)成，輸入網(wǎng)絡的時頻圖首先經(jīng)過卷積核大小為3×3的卷積層捕獲宏觀特征，之后經(jīng)過四層bottleneck結(jié)構(gòu)獲取更深層次的特征，然后經(jīng)過卷積核大小為1×1的卷積層提高網(wǎng)絡的非線性分類性能，隨后采用全局平均池化層對特征矩陣進行降維，最后采用卷積核大小為1×1的卷積層作為全連接層輸出分類結(jié)果；[0014]步驟6:使用訓練集訓練和優(yōu)化卷積神經(jīng)網(wǎng)絡；4[0015]步驟7:將待測數(shù)據(jù)經(jīng)過預處理、時頻特征提取之后，通過優(yōu)化好的神經(jīng)網(wǎng)絡模型給出檢測結(jié)果，實現(xiàn)艦船尾流目標檢測。[0016]本發(fā)明進一步的技術方案：步驟5所述的bottleneck結(jié)構(gòu)為倒殘差結(jié)構(gòu)，是由Resnet網(wǎng)絡中的殘差結(jié)構(gòu)改進而來，bottleneck結(jié)構(gòu)首先經(jīng)過卷積核大小為1×1的卷積層提高特征維度，然后經(jīng)過3×3的DW卷積提取特征，最后經(jīng)過卷積核大小為1×1的卷積層降低特征維度。[0017]本發(fā)明進一步的技術方案：步驟6中通過調(diào)節(jié)網(wǎng)絡的超參數(shù)以提高網(wǎng)絡的學習效于存儲一個或多個程序，其中，當所述一個或多個程序被所述一個或多個處理器執(zhí)行時，使得所述一個或多個處理器實現(xiàn)上述的方法。[0019]一種計算機可讀存儲介質(zhì)，其特征在于存儲有計算機可執(zhí)行指令，所述指令在被執(zhí)行時用于實現(xiàn)上述的方法。[0020]有益效果[0021]本發(fā)明提供的一種基于卷積神經(jīng)網(wǎng)絡的艦船聲尾流檢測方法，該方法提高了低信噪比下的艦船尾流檢測準確率。相對于傳統(tǒng)檢測算法，該方法利用卷積神經(jīng)網(wǎng)路挖掘更深層次的信息，提高了低信噪比下的檢測準確率。附圖說明[0022]附圖僅用于示出具體實施例的目的，而并不認為是對本發(fā)明的限制，在整個附圖[0023]圖1是本發(fā)明基于卷積神經(jīng)網(wǎng)絡的艦船聲尾流檢測算法的流程圖；[0024]圖2是bottleneck結(jié)構(gòu)示意圖。具體實施方式[0025]為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下結(jié)合附圖和實施例，對本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。此外，下面描述的本發(fā)明各個實施方式中所涉及到的技術特征只要彼此之間未構(gòu)成沖突就可以相互組合。[0026]本發(fā)明解決其技術問題所采用的技術方案是：首先采集散射回波信號并構(gòu)建的時頻特征圖像集，然后搭建卷積神經(jīng)網(wǎng)絡，最后訓練和優(yōu)化卷積神經(jīng)網(wǎng)絡實現(xiàn)艦船尾流檢測。本方法的總框圖如附圖1,主要步驟如下：[0027]步驟1:采集有尾流和無尾流時散射回波信號。為了提高艦船尾流檢測的泛化性，分別采集檢測平臺在不同深度、不同速度、不同信號發(fā)射角度以及發(fā)射不同信號頻率和形式下的有尾流和無尾流時散射回波。[0028]步驟2:對采集到的散射回波信號進行預處理，濾除不在頻響范圍內(nèi)的噪聲。[0029]步驟3:對預處理后的散射回波信號做小波變化得到小波系數(shù)矩陣，然后進行可視化得到時頻特征圖像集。[0030]步驟4:將時頻特征圖像集按照一定的比例劃分為測試集和訓練集，并對每一張時5頻圖標注對應的標簽。[0031]步驟5:綜合考慮網(wǎng)絡的檢測準確率、計算量和占用內(nèi)存的大小，搭建卷積神經(jīng)網(wǎng)[0032]步驟6:訓練和優(yōu)化卷積神經(jīng)網(wǎng)絡。[0033]步驟7:實現(xiàn)艦船尾流目標的檢測。[0034]為了使本領域技術人員更好地理解本發(fā)明，下面結(jié)合具體實施例對本發(fā)明進行詳細說明。[0035]本發(fā)明的基本思路是首先構(gòu)建時頻特征圖像集，包括采集有/無尾流時散射回波信號、預處理回波信號和提取預處理后信號的時頻特征圖。然后搭建卷積神經(jīng)網(wǎng)絡。最后訓練和優(yōu)化卷積神經(jīng)網(wǎng)絡實現(xiàn)對時頻特征圖像集的分類進而實現(xiàn)艦船尾流檢測。上述步驟的具體實施方式如下：[0036]步驟一：水聽器采集散射回波信號x(t),包括有尾流時散射回波信號和和無尾流時散射回波信號。為了提高艦船尾流檢測的泛化性，分別采集檢測平臺在不同深度、不同速度、不同信號發(fā)射角度以及不同信號發(fā)射頻率和形式下的有尾流和無尾流時散射回波。[0039]步驟二：對采集到的散射回波信號進行預處理，濾除不在頻響范圍內(nèi)的噪聲。依據(jù)發(fā)射信號中心頻率和多普勒頻移計算帶通濾波器的沖擊響應函數(shù)h(t)。[0040]則散射回波信號經(jīng)過帶通濾波器后為[0042]步驟三：對預處理后的散射回波信號y(t)做小波變化：函數(shù)。信號做小波變化后得到小波系數(shù)矩陣，然后進行可視化得到時頻特征圖像集。[0045]步驟四：將時頻特征圖像集按照1:5的比例劃分為測試集和訓練集，并對每一張時頻圖標注對應的標簽。[0046]步驟五：構(gòu)建卷積神經(jīng)網(wǎng)絡。傳統(tǒng)卷積神經(jīng)網(wǎng)絡內(nèi)存需求大，運算量大導致無法在嵌入式設備上運行，本發(fā)明綜合考慮卷積網(wǎng)絡的檢測準確率、計算量和占用內(nèi)存的大小，設計了WakeNet檢測網(wǎng)絡。[0047]WakeNet由三個卷積層、四個bottleneck結(jié)構(gòu)和一個全局平均池化層構(gòu)成。WakeNet第一層為卷積核大小為3×3的卷積層捕獲宏觀特征，之后經(jīng)過四層bottleneck結(jié)構(gòu)獲取更深層次的特征，然后經(jīng)過卷積核大小為1×1的卷積層提高網(wǎng)絡的非線性分類性能，隨后采用全局平均池化層對特征矩陣進行降維，最后采用卷積核大小為1×1的卷積層作為全連接層輸出分類結(jié)果，網(wǎng)絡結(jié)構(gòu)參數(shù)如表1。下圖2。擴展因子是經(jīng)過bottleneck結(jié)構(gòu)的第一個卷積層后輸出特征矩陣的深度相對于輸6入特征矩陣深度的擴展倍率。[0049]圖2中BN層類似于數(shù)據(jù)預處理操作，主要用于神經(jīng)網(wǎng)絡加速訓練和收斂，目前已成為卷積神經(jīng)網(wǎng)絡的必備層。激活函數(shù)為Relu6。[0051]步驟六：訓練和優(yōu)化卷積神經(jīng)網(wǎng)絡。通過調(diào)節(jié)網(wǎng)絡的超參數(shù)以提高網(wǎng)絡的學習效[0052]步驟七：實現(xiàn)艦船尾流目標的檢測。將待測數(shù)據(jù)經(jīng)過預處理、時頻特征提取之后，通過優(yōu)化好的神經(jīng)網(wǎng)絡模型給出檢測結(jié)果，實現(xiàn)艦船尾流目標檢測。[0053]通過在仿真數(shù)據(jù)集上對該檢測算法進行驗證，結(jié)果表明，該算法在信噪比為-24dB以上可以實現(xiàn)95%以上的檢測準確率，網(wǎng)絡的參數(shù)量為64386個，處理1幅時頻圖的平均時間為24.3ms,說明該檢測模型具有較好的實時性。[0054]表1WakeNet網(wǎng)絡結(jié)構(gòu)參數(shù)結(jié)構(gòu)1212612612612-11-1--2[0056]