本发明涉及一种舰船辐射噪声线谱提取方法，特别是涉及一种基于循环门单元深度自编码(gatedrecurrentunitdeepautoencoder,gru-ae)网络的舰船辐射噪声线谱提取方法。
背景技术：
船舶辐射噪声在低频段具有丰富的线谱成分，是一种较稳定的特征信息。线谱成分的提取对水下目标识别具有重要意义。
传统的舰船辐射噪声线谱提取方法主要是针对lofar图上线谱进行人工提取。但由于海洋环境的复杂性，如其他舰船目标的噪声干扰、海洋环境噪声、海洋动物叫声等，都会导致lofar图中的线谱时明时暗，出现断点，甚至出现交叉重叠。这些因素导致传统舰船辐射噪声线谱提取的方法性能不理想，其要经过信号预处理、时频变换、时间累积、去连续谱趋势等过程，再通过人工设定阈值或者人工手动提取线谱。该过程需要丰富的先验知识和专家知识，同时也需要大量的人工参与，花费大量的时间及精力。
近些年随着深度学习方法的发展，基于深度学习的舰船辐射噪声线谱提取方法为线谱的提取提供了一种新的途径，其通过多层次的神经网络结构对输入数据逐级提取从底层到高层的特征，能有效的提取出线谱特征。有研究人员将深度学习方法应用于线谱检测问题，其使用卷积神经网络对线谱图像和噪声图像进行分类，并利用可视化策略恢复线谱，从而达到检测线谱的目的。但现有线谱检测方法中使用卷积神经网络没有考虑到舰船辐射噪声的时序结构，导致难以提取lofar图中明暗不定、时断时续的线谱成分。
技术实现要素：
针对舰船辐射噪声的线谱提取问题，本发明提出一种基于gru-ae网络的舰船辐射噪声线谱提取方法，利用ae网络实现信号编码重构和去噪任务，利用gru网络的时序序列记忆能力，将舰船辐射噪声时序结构联系起来，可以有效的提取到lofar图中明暗不定、时断时续的线谱成分，为舰船辐射噪声的线谱提取提供一种新的技术途径和方法。
本发明的技术方案为：
所述一种基于gru-ae网络的舰船辐射噪声线谱提取方法，包括以下步骤：
步骤1：获取舰船发出的辐射噪声信号x，将辐射噪声信号x分为k个等时长信号，并经过处理后得到lofar图的数据矩阵xi；将xi按列等分为n个矩阵，记作[xij|i＝1,…,k；j＝1,…,n]，每个xij为一个训练样本；
步骤2：将j相等的样本xij组成一个样本集，共得到n个包含k个训练样本的样本集：trj＝{xij|i＝1,…,k}，其中j＝1,…,n；
步骤3：利用gru模块搭建ae网络模型，得到gru-ae模型，设置网络结构参数：网络层数q、各层神经元节点数{q1,q2,…,qq}、学习率r、衰减速率ρ；
步骤4：利用每个样本集，分别对gru-ae网络模型进行训练：
步骤4.1：设置训练参数：迭代总次数s、批大小α；对gru编码器神经元节点数
步骤4.2：初始化gru-ae网络模型参数θ，θ中包含网络权重矩阵w及偏置矩阵b；设置迭代次数s＝1；将训练样本集trj分为int(k/α)组批大小为α的小批量数据，每组小批量数据表示为：{x'ij|i＝1,…,α}；
步骤4.3：对于每组小批量数据x'ij，将其作为gru-ae网络模型的输入，在模型参数θ作用下，计算出重构输出
步骤4.4：当满足s＞s时，则停止迭代，得到训练好的gru多任务学习模型，并得到该小批量数据对应的重构输出
步骤4.5：将当前样本集中所有小批量数据的重构输出
步骤5：将各个样本集重构后的数据矩阵
进一步的，步骤1中对等时长信号依次经过均值归一化处理、短时傅里叶变换和最大最小归一化处理后，得到lofar图的数据矩阵xi。
进一步的，对于辐射噪声信号x分为的k个等时长信号[xi|i＝1,…,k]，先进行均值归一化处理：xi＝(xi-mean(xi))/max(xi|)，再对均值归一化处理后的信号xi进行短时傅里叶变换，得到信号lofar图对应的数据矩阵：xi＝stft(xi)，之后对lofar图的数据矩阵xi进行最大最小归一化处理：xi＝[xi-min(xi)]/[max(xi)-min(xi)]。
进一步的，对均值归一化处理后的信号xi进行短时傅里叶变换得到的信号lofar图对应的数据矩阵xi维度为m×n，m表示时间上的维度，n表示频率上的维度；xi的时间跨度为t，时间分辨率为
进一步的，将xi按列等分为n个维度为
进一步的，步骤4.1中，gru-ae网络模型第1层到第q-1层激活函数为线性整流函数，第q层激活函数为softmax函数。
进一步的，步骤4.1中，gru-ae网络模型的误差计算方法使用二次损失函数：
进一步的，步骤4.2中，网络权重矩阵w使用glorot均匀分布初始化方法及生成正交矩阵初始化程序进行初始化，偏置矩阵b初始化为零矩阵。
进一步的，步骤4.3中，gru-ae网络模型参数θ的更新公式为：
θ＝θ-(r/(sqrt(a) δ))·g，其中，a＝ρ·α (1-ρ)·g·g，δ＝1e-7，g＝(▽θl)/α。
有益效果
本文提出了一种基于gru-ae网络的舰船辐射噪声线谱提取方法，用gru模块构建的自编码网络，完成对输入信号的重构和去噪，进而提取出线谱。针对舰船辐射噪声具有时序结构的特点，本文采用具有时序记忆功能的gru构建深度自编码网络，能有效地提取出舰船辐射噪声线谱特征。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1：本发明方法的gru-ae网络模型结构图。
图2：本发明方法的流程图。
图3：本发明方法提取线谱前后lofar图。
具体实施方式
本发明的发明构思是利用ae网络实现信号编码重构和去噪任务，利用gru网络的时序记忆能力，将舰船辐射噪声时序结构联系起来，进而提取出其线谱，具体包括以下步骤：
步骤1：获取舰船发出的辐射噪声信号x，并分为k个等时长信号[xi|i＝1,…,k]，对舰船发出的辐射噪声信号xi进行均值归一化处理：xi＝(xi-mean(xi))/max(|xi|)。
对均值归一化处理后的信号xi进行短时傅里叶变换(shorttimefouriertransform,stft)，得到信号lofar图对应的数据矩阵：xi＝stft(xi)，xi维度为m×n，m表示时间上的维度，n表示频率上的维度；xi的时间跨度(即等时长信号的时长)为t(单位：s)，即时间分辨率为
对lofar图的数据矩阵xi进行最大最小归一化处理：
xi＝[xi-min(xi)]/[max(xi)-min(xi)]。
将xi按列等分(即将lofar图按等频带划分)为n个维度为
由于lofar图数据矩阵中的元素值随频率的增大而减小(即列数越高，矩阵元素值越小)，传统的线谱提取方法在进行时间累积后导致频率低的部分幅值大，频率高的部分数幅值小，利用人工设计阈值提取线谱时，阈值易被低频部分的高幅值影响，导致阈值偏大，继而导致高频部分线谱被忽略，部分线谱无法被提取出来，进而影响后续任务。故本发明将lofar图数据矩阵按列(频率)平分，同一频带之中数据差异较小，缩小矩阵数据之间差异，达到更准确、更完全提取出lofar图线谱的目的。
步骤2：将j相等(即频带相同)的样本xij组成一个样本集，共得到n个包含k个训练样本的样本集：trj＝{xij|i＝1,…,k}，其中j＝1,…,n。
步骤3：利用gru模块搭建ae网络模型，得到gru-ae模型，设置网络结构参数：网络层数q、各层神经元节点数{q1,q2,…,qq}、学习率r、衰减速率ρ。
步骤4：利用每个样本集，分别对gru-ae网络模型进行训练：
步骤4.1：设置训练参数：迭代总次数s、批大小α；对gru编码器神经元节点数
步骤4.2：初始化gru-ae网络模型参数θ，θ中包含网络权重矩阵w及偏置矩阵b，w使用glorot均匀分布初始化方法及生成正交矩阵初始化程序进行初始化，b初始化为零矩阵；设置迭代次数s＝1；将训练样本集trj分为int(kα)组批大小为α的小批量数据，每组小批量数据表示为：{xi'j|i＝1,…,α}。这样分为小批量数据训练能使训练过程用时更少。
步骤4.3：对于每组小批量数据x'ij，将其作为gru-ae网络模型
利用设置的gru-ae网络模型误差计算方法更新gru-ae网络模型的损失：
步骤4.4：当满足s＞s时，则停止迭代，得到训练好的gru多任务学习模型
步骤4.5：将当前样本集中所有小批量数据的重构输出
步骤5：将各个样本集重构后的数据矩阵
基于上述过程，下面给出具体实施例：
本例样本介绍：利用舰船辐射噪声x总时长为111s。
1、训练样本的预处理。将x分74段数据时长为1.5s的xi，对xi依次进行均值归一化处理、短时傅里叶变换和最大最小归一化处理后得lofar图的数据矩阵xi，xi的维度为10×980，时间跨度为1.5s，即时间分辨率为0.15s，频率跨度为10-500hz，带宽为490hz，即时间分辨为0.5hz。
2、将xi按每20列(10hz等频带)划分为{xij,i＝1,…,74；j＝1,…,49}，xij维数为10×20，将j相等的xij组成训练样本集trj：trj＝{xij|i＝1,2,…,74}。
3、利用gru模块构建gru编码器，其网络节点分别为20，10，1；同理利用gru模块构建gru解码器，其网络节点分别为10，20。构建gru-ae网络模型，将构建的编码器解码器组合，如图1所示。gru编码器和解码器层构成的5层深度自编码网络，网络节点数分别为20，10，1，10，20。设置gru-ae网路模型学习率r＝0.01。
4、利用每个样本集，分别对gru-ae网络模型进行训练：
步骤4.1：设置迭代总次数s为100，批大小α＝10，设置网络第1层到第4层激活函数为relu函数，第5层激活函数为softmax函数。设置gru-ae网络模型的误差计算方法，使用带惩罚项的二次损失函数：
步骤4.2：设置迭代次数s＝1；将训练样本集trj分为8个批大小为10的小批量数据，每个小批量数据表示为：{x'ij|i＝1,2,…,10}。
步骤4.3：对于每组小批量数据x'ij，将其作为gru-ae网络模型
利用设置的gru-ae网络模型误差计算方法更新gru-ae网络模型的损失：
步骤4.4：当满足s＞s时，则停止迭代，得到训练好的gru多任务学习模型
步骤4.5：将当前样本集中所有小批量数据的重构输出
步骤5：将各个样本集重构后的数据矩阵
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
1.一种基于gru-ae网络的舰船辐射噪声线谱提取方法，其特征在于：包括以下步骤：
步骤1：获取舰船发出的辐射噪声信号x，将辐射噪声信号x分为k个等时长信号，并经过处理后得到lofar图的数据矩阵xi；将xi按列等分为n个矩阵，记作[xij|i＝1,…,k；j＝1,…,n]，每个xij为一个训练样本；
步骤2：将j相等的样本xij组成一个样本集，共得到n个包含k个训练样本的样本集：trj＝{xij|i＝1,…,k}，其中j＝1,…,n；
步骤3：利用gru模块搭建ae网络模型，得到gru-ae模型，设置网络结构参数：网络层数q、各层神经元节点数{q1,q2,…,qq}、学习率r、衰减速率ρ；
步骤4：利用每个样本集，分别对gru-ae网络模型进行训练：
步骤4.1：设置训练参数：迭代总次数s、批大小α；对gru编码器神经元节点数
步骤4.2：初始化gru-ae网络模型参数θ，θ中包含网络权重矩阵w及偏置矩阵b；设置迭代次数s＝1；将训练样本集trj分为int(k/α)组批大小为α的小批量数据，每组小批量数据表示为：{xi'j|i＝1,…,α}；
步骤4.3：对于每组小批量数据xi'j，将其作为gru-ae网络模型的输入，在模型参数θ作用下，计算出重构输出
步骤4.4：当满足s＞s时，则停止迭代，得到训练好的gru多任务学习模型，并得到该小批量数据对应的重构输出
步骤4.5：将当前样本集中所有小批量数据的重构输出
步骤5：将各个样本集重构后的数据矩阵
2.根据权利要求1所述一种基于gru-ae网络的舰船辐射噪声线谱提取方法，其特征在于：步骤1中对等时长信号依次经过均值归一化处理、短时傅里叶变换和最大最小归一化处理后，得到lofar图的数据矩阵xi。
3.根据权利要求1所述一种基于gru-ae网络的舰船辐射噪声线谱提取方法，其特征在于：对于辐射噪声信号x分为的k个等时长信号[xi|i＝1,…,k]，先进行均值归一化处理：xi＝(xi-mean(xi))/max(|xi|)，再对均值归一化处理后的信号xi进行短时傅里叶变换，得到信号lofar图对应的数据矩阵：xi＝stft(xi)，之后对lofar图的数据矩阵xi进行最大最小归一化处理：xi＝[xi-min(xi)]/[max(xi)-min(xi)]。
4.根据权利要求1所述一种基于gru-ae网络的舰船辐射噪声线谱提取方法，其特征在于：步骤1中，对均值归一化处理后的信号xi进行短时傅里叶变换得到的信号lofar图对应的数据矩阵xi维度为m×n，m表示时间上的维度，n表示频率上的维度；xi的时间跨度为t，时间分辨率为
5.根据权利要求1所述一种基于gru-ae网络的舰船辐射噪声线谱提取方法，其特征在于：步骤1中，将xi按列等分为n个维度为
6.根据权利要求1所述一种基于gru-ae网络的舰船辐射噪声线谱提取方法，其特征在于：步骤4.1中，gru-ae网络模型第1层到第q-1层激活函数为线性整流函数，第q层激活函数为softmax函数。
7.根据权利要求1所述一种基于gru-ae网络的舰船辐射噪声线谱提取方法，其特征在于：步骤4.1中，gru-ae网络模型的误差计算方法使用二次损失函数：
8.根据权利要求1所述一种基于gru-ae网络的舰船辐射噪声线谱提取方法，其特征在于：步骤4.2中，网络权重矩阵w使用glorot均匀分布初始化方法及生成正交矩阵初始化程序进行初始化，偏置矩阵b初始化为零矩阵。
9.根据权利要求1所述一种基于gru-ae网络的舰船辐射噪声线谱提取方法，其特征在于：步骤4.3中，gru-ae网络模型参数θ的更新公式为：
θ＝θ-(r/(sqrt(a) δ))·g，其中，a＝ρ·α (1-ρ)·g·g，δ＝1e-7，
