1.一种水下目标识别方法,其特征在于,包括:
S10:对水声信号进行模态分解,得到多个本征模态信号;
S20:将多个本征模态信号分别输入目标识别模型,输出多个水下目标预测类别概率分布,得到概率分布集合;对多个水下目标预测类别概率分布合并,得到新的水下目标预测类别概率分布,并将新的水下目标预测类别概率分布添加至概率分布集合;
S30:将概率分布集合中每个水下目标预测类别概率分布与剩余水下目标预测类别概率分布的相关系数之和,作为每个水下目标预测类别概率分布的支持度;基于概率分布集合中各个水下目标预测类别概率分布及其支持度权重,得到加权平均概率分布;
S40:将每个本征模态信号的水下目标预测类别概率分布与加权平均概率分布的相似度,作为每个本征模态信号的证据相似度;基于所有本征模态信号的证据相似度的均值,得到平均相似度;将新的水下目标预测类别概率分布与加权平均概率分布的相似度,作为融合证据相似度;
S50:比较融合证据相似度与平均相似度,若融合证据相似度小于等于平均相似度,则对水声信号的多个本征模态信号进行筛选,并返回执行步骤S20,直至融合证据相似度大于平均相似度,基于筛选得到的目标本征模态信号进行水下目标识别。
2.根据权利要求1所述的水下目标识别方法,其特征在于,对多个本征模态信号进行筛选包括:在每种类别水下目标的水声信号数据集中获取多个水声信号样本,得到该类别的水声信号样本子集;获取所有水声信号样本子集中每个水声信号样本的多个本征模态信号;
利用费希尔得分法计算每个本征模态信号对于不同类别水下目标的区分性能得分;
将区分性能得分最高的N个本征模态信号作为目标本征模态信号,从而在水声信号的多个本征模态信号中筛选得到目标本征模态信号。
3.根据权利要求2所述的水下目标识别方法,其特征在于,利用费希尔得分法计算每个本征模态信号对于不同类别水下目标的区分性能得分,包括:计算所有水声信号样本子集中所有水声信号样本的第i个本征模态信号的均值,得到第i个本征模态信号的全局均值;
计算每个水声信号样本子集中各个水声信号样本的第i个本征模态信号的均值,得到第i个本征模态信号在每个水声信号样本子集中的类内均值;
基于第i个本征模态信号在各个水声信号样本子集中的类内均值与全局均值的平方差之和,得到第i个本征模态信号的类间离散度;
基于每个水声信号样本子集中各个水声信号样本的第i个本征模态信号,与第i个本征模态信号在每个水声信号样本子集中的类内均值的平方差之和,得到第i个本征模态信号的类内离散度;
基于第i个本征模态信号的类间离散度与类内离散度的比值,得到第i个本征模态信号对于不同类别水下目标的区分性能得分。
4.根据权利要求1所述的水下目标识别方法,其特征在于,每个水下目标预测类别概率分布的支持度权重为:该水下目标预测类别概率分布的支持度占所有水下目标预测类别概率分布的支持度之和的比值。
5.根据权利要求1所述的水下目标识别方法,其特征在于,水下目标预测类别概率分布之间的相关系数的计算公式为:,
其中,表示第个水下目标预测类别概率分布与第个水下目标预测类别概率分布之间的相关系数;表示第个水下目标预测类别概率分布中第个预测类别的概率值;表示水下目标的类别数量;表示第个水下目标预测类别概率分布中第个预测类别的概率值;
水下目标预测类别概率分布的支持度的计算公式为:
,
其中,表示第个水下目标预测类别概率分布的支持度;表示本征模态信号的数量;表示概率分布集合中的水下目标预测类别概率分布的数量;
加权平均概率分布的计算公式为:
,
其中,表示加权平均概率分布;表示第个水下目标预测类别概率分布的支持度权重;表示第个水下目标预测类别概率分布。
6.根据权利要求1所述的水下目标识别方法,其特征在于,本征模态信号的证据相似度的计算公式为:,
其中,表示第i个本征模态信号的证据相似度,,表示本征模态信号的数量;表示第个水下目标预测类别概率分布,;表示加权平均概率分布;表示转置;
平均相似度的计算公式为:
,
其中,表示平均相似度。
7.根据权利要求3所述的水下目标识别方法,其特征在于,第i个本征模态信号的全局均值的计算公式为:,
其中,表示第i个本征模态信号的全局均值;表示水声信号样本子集的数量;表示每个水声信号样本子集中的水声信号样本的数量;表示第c个水声信号样本子集中第n个水声信号样本的第i个本征模态信号;
第i个本征模态信号在每个水声信号样本子集中的类内均值的计算公式为:,
其中,表示第i个本征模态信号在第c个水声信号样本子集中的类内均值;
第i个本征模态信号的类间离散度的计算公式为:
,
其中,表示第i个本征模态信号的类间离散度;表示第i个本征模态信号在第c个水声信号样本子集中的类内均值与全局均值的平方差的权重;
第i个本征模态信号的类内离散度的计算公式为:
,
其中,表示第i个本征模态信号的类内离散度;
第i个本征模态信号对于不同类别水下目标的区分性能得分的计算公式为:,
其中,表示第i个本征模态信号对于不同类别水下目标的区分性能得分。
8.根据权利要求1所述的水下目标识别方法,其特征在于,基于筛选得到的目标本征模态信号进行水下目标识别包括:将筛选得到的目标本征模态信号分别输入目标识别模型,输出各个目标本征模态信号的水下目标类别预测概率分布;
利用Dempster-Shafer融合规则对各个目标本征模态信号的水下目标类别预测概率分布进行合并,得到水下目标类别预测综合概率分布,从而得到水声信号对应的水下目标类别。
9.一种水下目标识别装置,其特征在于,包括:
信号分解模块,用于对水声信号进行模态分解,得到多个本征模态信号;
概率分布获取模块,用于将多个本征模态信号分别输入目标识别模型,输出多个水下目标预测类别概率分布,得到概率分布集合;对多个水下目标预测类别概率分布合并,得到新的水下目标预测类别概率分布,并将新的水下目标预测类别概率分布添加至概率分布集合;
概率分布加权融合模块,用于将概率分布集合中每个水下目标预测类别概率分布与剩余水下目标预测类别概率分布的相关系数之和,作为每个水下目标预测类别概率分布的支持度;基于概率分布集合中各个水下目标预测类别概率分布及其支持度权重,得到加权平均概率分布;
相似度计算模块,用于将每个本征模态信号的水下目标预测类别概率分布与加权平均概率分布的相似度,作为每个本征模态信号的证据相似度;基于所有本征模态信号的证据相似度的均值,得到平均相似度;将新的水下目标预测类别概率分布与加权平均概率分布的相似度,作为融合证据相似度;
信号筛选及目标识别模块,用于比较融合证据相似度与平均相似度,若融合证据相似度小于等于平均相似度,则对水声信号的多个本征模态信号进行筛选,并返回执行概率分布获取模块的步骤,直至融合证据相似度大于平均相似度,基于筛选得到的目标本征模态信号进行水下目标识别。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至8任一项所述的水下目标识别方法的步骤。