一种水声异常信号检测方法

本发明涉及水声信号处理，尤其公开一种水声异常信号检测方法。

背景技术：

1、随着人类文明的进步，尤其是近年来陆地资源的日渐紧张，人们正努力开发海洋资源，对海洋的探索活动日益活跃。海洋环境感知等科学研究成为各国的重要国家战略。在信息时代，基于电磁信号的信息技术取得令人瞩目的成就，为人们的信息传递和信息处理提供无比快捷的途径。然而，海洋环境非常复杂，海水对电磁信号有强烈的衰减，因此无法采用电磁信号在水下进行长距离信息交互，严重阻碍人类在海洋中的活动。相比较而言，只有声波在海水中有较好的传输能力，因而成为当前水下信息感知、信息交互的主要手段。

2、当有船舶航行、钻井勘探等人类活动时，将在海水中出现某种异常的声音信号。然而，海洋由于波浪、潮汐、洋流等因素的作用，时刻存在大量的背景噪声，这对水声异常信号的检测造成很大的困扰。如何快速准确地检测这些异常水下声音，已成为海洋环境感知和勘察要解决的重要问题。目前，存在一些关于空气中声音的异常检测方法研究，但对水声异常信号检测的研究很少见。这些现存的空气声音异常检测方法，大多是基于传统的手工特征提取，对声音信号的特征提取能力不够。也有部分方法基于神经网络来提取声音特征，但没有考虑水声环境的复杂性，没有针对水声中存在的大量噪声导致的神经网络训练困难进行专门设计，因此这些方法在难以对复杂的水声异常信号进行准确的检测。

技术实现思路

1、本发明的目的在于，针对现有问题，提出一种基于掩码重构这种自监督方式来训练神经网络，可缓解水声异常样本难采集和难标注问题，在无需异常样本的情况下即可实现训练工作，同时通过渐进式的训练方式，逐步提高重构的难度和精细度，提高自监督训练的效率以及神经网络的特征提取能力，从而能够更快地完成神经网络模型的训练，并获得更准确的检测结果的水声异常信号检测方法。

2、为实现上述目的，本发明采用如下技术方案。

3、本发明的一种水声异常信号检测方法，包括如下步骤：

4、步骤一、抽取具有相同样本大小的正常水声数据样本建立样本数据集d；对样本数据集d中所有水声数据样本进行短时傅里叶变换得到对应的时频图数据集sm×n；m×n为时频图的像素尺寸；

5、步骤二、构建包含输入模块、编码器模块、小块重组模块、解码器模块、重构目标生成模块以及损失函数模块的自监督训练模型a；其中：

6、输入模块将原始的时频图i切分为多个相同尺寸的小块，然后根据预设比例掩盖其中大部分的小块得到掩码小块集合m，剩余的为可见小块集合n；

7、编码器模块以n为输入，经过神经网络提取n中的深度特征，得到特征图集合f，f中的每个特征图的尺寸为i×j×k，其中i为特征图的长，j为特征图的宽，k为特征图的通道数；

8、小块重组模块以f为输入构建掩码令牌集合t，之后为f中的每一个特征图以及t中的每一个掩码令牌都添加一个位置编码，得到新的集合c；其中，t中掩码令牌的数量等于q，每一个掩码令牌为一个可学习的矢量，用于表示一个需要由译码器恢复层小块的占位符；

9、译码器模块以c为输入，将掩码令牌和特征图恢复成尺寸为a×b的小块，然后根据位置编码将众多小块进行排列，重构出一幅新的时频图

10、重构目标生成模块以原始的时频图i为输入，将i进行svd分解，然后提取前面e个成分进行图像重构，生成重构目标te；重构目标te是一幅图像尺寸与i相同的时频图；

11、损失函数模块内包含损失函数，损失函数包括两部分：

12、第一部分是重构损失lr，用于重构图像与重构目标te之间的均方误差mse，公式为：

13、第二部分为多样性损失ld，采用重构图像的核范数作为的多样性的度量，公式如下：

14、其中，为重构目标的核范数；

15、总的损失函数为：

16、其中，α为可变的损失函数权重因子，e为当前训练的轮数，e为总共需要训练的轮数，β为多样性调节因子；

17、步骤三、利用样本数据集d和自监督训练模型a对神经网络模型进行e轮训练，其中e为预设的超参数，并且e≤min(m,n)；其中，第e(1≤e≤e)轮训练的过程如步骤3.1～3.4所示：

18、步骤3.1：制作掩码输入数据，从时频图集合s中随机抽取一幅图像i，将i切分成相同尺寸的多个小块，然后掩盖其中p个小块得到掩码小块集合m，剩余的q个小块为可见小块集合n；其中，每个小块的尺寸为a×b；

19、步骤3.2：制作重构目标t，将图像i进行svd分解，取前面e个最主要的成分进行图像重构，得到重构目标te；

20、步骤3.3：将m、n和te作为自监督训练框架的输入，对神经网络模型进行训练；

21、步骤3.4：将步骤4.1～4.3重复k次，其中k为预设的超参数；

22、步骤四、应用神经网络模型，具体步骤包括：

23、步骤4.1：将待检测的音频数据进行分帧处理，使其大小与数据集d中音频样本的大小相同；

24、步骤4.2：将分帧后的音频数据进行stft变换，得到时谱图it；

25、步骤4.3：将时谱图it送入训练好的神经网络模型，经神经网络模型重构出新的时谱图

26、步骤4.4：计算异常分数，即计算输入时谱图it与重构时谱图之间的均方误差，公式为：

27、步骤4.5：根据score的大小判断待检测的音频数据是否异常；如果score大于y则判为异常，否则正常；其中y为预设的阈值。

28、对前述水声异常信号检测方法的进一步完善或者具体实施方案，输入模块将原始的时频图i切分为多个相同尺寸的小块，然后掩盖其中80％的小块得到掩码小块集合m，剩余的20％为可见小块集合n。

29、对前述水声异常信号检测方法的进一步完善或者具体实施方案，编码器模块和解码器模块采用vit神经网络结构。

30、对前述水声异常信号检测方法的进一步完善或者具体实施方案，所属步骤3.1中的掩盖是指将小块中的所有像素值设置为0。

31、其有益效果在于：

32、本申请相对于传统分类异常检测方法，可以有效降低对于大量原始数据的需求。本申请通过数据重构以及渐进式训练方式，相对于传统的自监督训练方法，能够有效降低神经网络的复杂度，提高训练过程的有效性和效率，还可通过逐步增加重构细节或多样性来实现来保障持续训练的成功率。

技术特征：

1.一种水声异常信号检测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的水声异常信号检测方法，其特征在于，所述输入模块将原始的时频图i切分为多个相同尺寸的小块，然后掩盖其中80％的小块得到掩码小块集合m，剩余的20％为可见小块集合n。

3.根据权利要求1所述的水声异常信号检测方法，其特征在于，所述编码器模块和解码器模块采用vit神经网络结构。

4.根据权利要求1所述的水声异常信号检测方法，其特征在于，所属步骤3.1中的掩盖是指将小块中的所有像素值设置为0。

技术总结本发明涉及水声信号处理技术领域，尤其公开一种水声异常信号检测方法。包括如下步骤：抽取具有相同样本大小的正常水声数据样本建立样本数据集，进行短时傅里叶变换得到对应的时频图数据集，构建自监督训练模型，利用样本数据集和自监督训练模型对神经网络模型进行训练，制作掩码输入数据，制作重构目标，对神经网络模型进行训练；应用神经网络模型。本申请相对于传统分类异常检测方法，可以有效降低对于大量原始数据的需求。本申请通过数据重构以及渐进式训练方式，相对于传统的自监督训练方法，能够有效降低神经网络的复杂度，提高训练过程的有效性和效率，还可通过逐步增加重构细节或多样性来实现来保障持续训练的成功率。技术研发人员：夏飞,窦钰涛,赵祥,赵飞,张洋受保护的技术使用者：湖南大学技术研发日：技术公布日：2024/4/22