(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110775874.4 (22)申请日 2021.07.09 (65)同一申请的已公布的文献号 申请公布号 CN 113850013 A (43)申请公布日 2021.12.28 (73)专利权人 西北工业大 学 地址 710072 陕西省西安市友谊西路127号 (72)发明人 申晓红　陈创　马石磊　王涵西　 杨舸　王海燕　马高悦　 (74)专利代理 机构 西安凯多 思知识产权代理事 务所(普通 合伙) 61290 专利代理师 刘新琼 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/10(2020.01) (56)对比文件 CN 111027454 A,2020.04.17 CN 112307926 A,2021.02.02 李海涛等.融合人 耳听觉特性与SAE模型的 船舶辐射噪声分类方法. 《舰船 科学技术》 .2020, (第15期), 审查员 张一良 (54)发明名称 一种舰船辐射噪声分类方法 (57)摘要 本发明提供了一种舰船辐射噪声分类方法， 将舰船辐射噪声信号进行分帧和加窗， 并进行归 一化处理； 搭建变分自编码器模型， 优化损失函 数生成仿真信号， 搭建基于卷积网络的仿真信号 分类模型， 将网络模型进行优化， 将待测的真实 舰船辐射噪声片段信号输入到优化并且训练好 的网络模型中， 即可得到真实信号的分类概率， 根据样本判别为3类目标的概率值， 得到最终的 舰船辐射噪声信号分类结果。 本发 明有效的应对 由于舰船辐射噪声样本数量不足而引起的网络 模型分类效果不佳的问题， 在一定程度上节约了 舰船辐射噪声采集试验的成本， 具有很高的实用 性。 权利要求书3页 说明书7页 附图5页 CN 113850013 B 2022.09.13 CN 113850013 B 1.一种舰船辐射噪声分类方法， 其特 征在于包括下述 步骤： 步骤一： 舰船辐射噪声信号的分帧和 加窗 对水听器采集到的声信号y(t)进行分帧和加窗处理， 处理后的信 号为X(t)＝{xi(t)|i ＝1,2,...,N}： X(t)＝enframe(y(t) )＝{xi(t)|i＝1,2,...,N} 其中， xi(t)是第i帧的片段信号， N代表总的帧长， t代表时间， enframe( ·)代表分帧加 窗运算， X(t)是片段信号的集 合； 步骤二： 舰船辐射噪声片段信号的归一 化处理； 对步骤一中得到的每一个片段信号xi(t)做归一 化处理； 步骤三： 搭建变分自编码器模型； 变分自编码器模型V AE包含两个部分： 编码器Encoder和解码器Decoder； 自编码器模型V AE表示如下： fVAE(·)＝{Encoder( ·),Decoder( ·)} 其中， Encoder( ·)代表编码器运算， Decoder( ·)代表解码器运算， fVAE(·)代表自编 码器网络运 算； 步骤四： 优化损失函数生成仿真信号； VAE模型中的损失函数包括两个部分： 重构误差和分布误差； 重构误差采用最小均方误 差计算， 分布 误差采用KL散度计算； 片段信号z(t)最终经过变 分自编码 器模型VAE生成仿真 信号z′(t)： μ,log( σ2)＝Encoder(z(t) ) z′(t)＝Decoder( μ,l og( σ2)) 其中， Z′是解码器Decoder生成的仿真信号z ′(t)的集合， Z是步骤二 中得到的片段信号 z(t)的集合， p(x)和q(x)分别是信号真实的概率分布和想要逼近的概率分布， KL(p|q)即是 KL散度误差； μ和log(σ2)分别代表输入VAE的片段信号z(t)的均值和对数方差； 最终整个 VAE模型的运 算表示为： z′(t)＝fVAE(z(t)) fVAE(·)代表自编码器网络运 算； 步骤五： 搭建基于卷积网络的仿真信号分类模型； 将步骤三中搭建的编码器Encoder模型复制一份， 复制的模型称为Encoder2， 然后将 Encoder2模型中的第四层修改为一个全连接层， 即可提取输入信号的深度特征， 将此时的 Encoder2模型的前四层网络模型定义为模型F； 再在Encoder2模型的第四层之后加一个非 线性激活函数， 紧接着是第五层分类判别层； 经过上述修改后的Encoder2模 型， 重新命名为 基于卷积神经网络的分类模型C；权　利　要　求　书 1/3 页 2 CN 113850013 B 2其中k是深度特征的维度， z ′Fea是片段信号z ′的深度特征， Featurek是第k维的深度特 征； Prob是输入分类模型C的仿真信号z ′判别为每一类样本的概率， p1、 p2、 p3是片段信号z ′ 判别为样本1、 样本2和 样本3的概率值， fF(·)和fC(·)分别代表深度 特征提取运算和卷积 神经网络分类运 算； 步骤六： 网络模型的优化 调整卷积神经网络模型C中的超参数， 并选取不同的激活函数和梯度下降优化算法提 升该卷积神经网络的表现， 得到最终优化 好的网络模型为C ′； 优化的标准为提升网络模型C在验证集上的准确率， 当无论是增大或者缩小模型的学 习率都会使验证集准确率下降时， 此时的模型C ′为优化好的模型， 最终优化好的模型C ′的 分类准确率在90％以上； 步骤七： 真实舰船辐射噪声数据的分类判别； 将待测的真实舰船辐射噪声片段信号ztest输入到优化并且训练好的网络模型C ′中， 即 可得到真实信号的分类概 率： 其中， fC′(·)代表已经优化好的卷积神经网络分类运算， p1true,p2true,p3true分别是片 段信号ztest判别为样本1、 样本2和样本 3的概率值； 最后， 根据 样本ztest判别为3类目标的概率值， 得到最终的舰船辐射噪声信号 分类结果， 判别依据如下： 其中， RJudgment代表最终的分类结果， fmax(·)输出概率值最大的类别名， 如P1true最大 时， 2.根据权利要求1所述的舰船辐射噪声分类方法， 其特 征在于： 所述步骤二中归一 化的方法如下：权　利　要　求　书 2/3 页 3 CN 113850013 B 3