申请/专利权人：中国科学院声学研究所东海研究站

申请日：2022-01-04

公开（公告）日：2024-04-30

公开（公告）号：CN114460566B

主分类号：G01S7/52

分类号：G01S7/52;G01S7/537;G01S15/88;G06F18/213;G06F18/24;G06F18/241;G06F18/10;G06N3/04;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.30#授权;2022.05.27#实质审查的生效;2022.05.10#公开

摘要：本发明公开了水声目标实时识别方法、系统及装置，方法中利用实采数据量规模变化，进行不同阶段多种场景的动态模型训练，形成特征关联且适用于边缘计算平台、满足场景应用需求的多种目标识别模型，基于选择确定的融合特征，利用各个目标识别模型进行水声目标的识别分析，利用边缘计算平台进行逻辑控制规则的自定义配置，根据各目标识别模型的识别结果，推理获得水声目标的当前分类结果及性能分析报告。本发明由于直接利用不断积累的待识别水声目标的数据进行动态模型训练，因此可在任意复杂环境下进行水声目标识别，满足基于深度学习的多种水声目标算法进行水中应用的需求，为在边缘计算平台上实现高性能复杂水声目标算法提供了可行的处理方案。

主权项：1.一种水声目标识别方法，其特征在于，所述方法包括：S110，利用数据采集规则配置，控制并接收实时采集的水声目标的声学信号数据；S120，利用数据预处理规则配置，对实采的所述声学信号数据进行信号预处理后，形成满足水声目标识别归一化配置的若干声学信号数据集合；根据不同距离下不同大类目标的探测需求，通过对各所述声学信号数据集合进行不同场景以及不同维度的特征值提取，形成所述水声目标识别所需的基于数据量规模动态变化的具备索引及筛选功能的多模式特征库；S130，利用模型训练规则配置，按照不同数据量规模需求进行不同阶段多种场景的动态模型训练；通过将所述多模式特征库中的特征值输入到预先搭建的多种深度学习神经网络中，分别对所述多模式特征库中的特征值进行端对端的动态并行模型训练，形成特征关联且适用于边缘计算平台、满足不同应用场景需求的目标识别模型，以此实现利用边缘计算平台中的模型识别规则配置，接收并部署适配于当前所述声学信号数据的数据量规模的多种所述目标识别模型以及映射缓存的所述多模式特征库，在接收选择确定的所述多模式特征库中的融合特征后，利用边缘推理计算规则控制各所述目标识别模型对选择确定的融合特征进行并行识别分析，从而利用所述水声目标不同维度的识别分析结果，推理获得水声目标当前分类结果及性能分析报告；在所述步骤S120中包括：利用信噪比评估对采集的所述声学信号数据进行包括筛选、过滤、数字束波形成、均衡、归一化、存储在内的信号处理；统计当前水声目标的所述声学信号数据的实时数据量；根据不同阶段各模型训练所需数据量规模的阈值范围，将所述实时数据量与各个阶段阈值范围的临界值进行比较；在实时数据量低于最小数据量规模的阈值范围临界值时，提取预存的水声公开数据集中的部分数据作为存储的所述声学信号数据；利用多源数据融合技术将存储后的所述声学信号数据进行打散及自适应划分，得到满足水声目标识别要求的若干声学信号数据集合；在所述步骤S120中还包括：在实时数据量高于最小数据量规模的阈值范围临界值时，直接利用多源数据融合技术将存储后的所述声学信号数据进行打散及自适应划分，得到满足水声目标识别要求的若干声学信号数据集合；所述步骤S120还包括，预先设置包括波形特征、时频域特征、听觉特征在内的特征库分类；其中，在所述波形特征库中预设包括直接波形幅度、过零率、能量在内的提取参数，筛选出所述声学信号数据集合中符合所述波形特征的特征值；在所述时频域特征库中预设包括小波特征、Wigner-Ville分布特征在内的二维时频特征，计算筛选出所述声学信号数据集合中符合所述二维时频特征的特征值；在所述听觉特征库中预设包括伽马通频率倒谱系数、梅尔倒谱系数、梅尔谱及差分梅尔谱、对数梅尔谱、各类自设的听觉滤波器组在内的二维特征，计算筛选出所述声学信号数据集合中符合所述二维特征的特征值；通过索引关系关联各特征库分类，形成具备索引及筛选的多模式特征库，以便在使用确定相关特征时，依据不同距离下不同大类目标的探测需求，进行特征索引和筛选；在所述步骤S130中，利用模型训练规则配置，按照不同数据量规模需求进行不同阶段多种场景的动态模型训练的方法中，还包括：基于实时数据量与当前各所述目标识别模型所需数据量规模的阈值范围临界值的比较结果，在实时数据量超过当前对应所述目标识别模型所需数据量规模的阈值范围临界值时，控制执行模型重训练，动态更新相应种类的所述目标识别模型；否则直接进入下一步骤基于选择确定的融合特征利用各所述目标识别模型执行识别分析；在所述步骤S130中，利用融合特性最优选择以及端对端的复杂深度学习分类器技术对所述多模式特征库中的特征值进行多GPU分布式数据动态并行逻辑训练，形成适用于所述边缘计算平台的至少满足三种不同需求的所述目标识别模型；以及，利用减少参数计算量的模型压缩算法对各所述目标识别模型进行压缩后，至少形成包括资源节约模型、精度最优模型以及资源精度平衡模型在内的目标识别模型。

全文数据：

权利要求：

百度查询： 中国科学院声学研究所东海研究站 水声目标实时识别方法、系统及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD