先进制造技术

本发明公开了一种基于形态分量分析特征融合的水声目标识别方法，包括以下步骤：S1、对水声目标辐射噪声进行预处理，提取出目标的特征图像；S2、对S1中提取的目标特征图像，建立目标特征图像的稀疏模型；S3、对S2中建立的特征稀疏模型进行特征分量的分离，并利用分离的特征分量构建出目标的G特征；S4、利用S3中分离的特征分量，分别训练得到各分量稀疏表示的公共冗余字典；S5、设计基于形态分量分析的特征融合框架，通过融合框架构建出目标的融合特征；S6、设计基于卷积的识别网络，利用S5中的融合特征训练该识别网络，得到一个高准确率的识别网络，本发明实现对具有相似特征的目标的识别分类，提高识别的准确率。

提升目标识别精度：通过形态分量分析特征融合，能够更准确地提取水声目标的特征信息，提高识别精度，适用于复杂海洋环境。

增强抗干扰能力：该方法有效分离目标信号与噪声，提升在强背景噪声下的目标识别能力，适用于军事侦察和海洋监测。

推动海洋资源开发：在水下资源勘探和环境监测中，该技术可提高目标识别的可靠性，助力海洋资源的科学开发与保护。

促进智能声呐技术发展：该技术为智能声呐系统提供核心算法支持，推动水下探测设备的智能化升级，拓展其在军事和民用领域的应用。

1、本发明通过建立水声目标特征的稀疏模型，实现特征图像的稀疏化；在此基础上利用局部形态分量分析的方法进行特征分量的分离，对分离的变量之间施加规则，构建目标的G特征提取规则，利用提取的目标G特征在基于形态分量分析的特征融合框架下建立目标的融合特征，并设计用于识别的卷积神经网络，建立了基于形态分量分析特征融合的水下目标识别模型。融合特征相比于单一类别的特征，具有对目标特性更充分的表征能力，这使得融合特征能够更好的改进识别网络的训练过程；

2、本发明采用基于形态分量分析的特征融合方法构建的融合特征，与单一的特征相比承载了更多的目标特性信息，对目标的表征更充分，相比于传统的单一特征训练的识别网络，利用融合特征训练的识别网络具有更高的识别准确率和更低的虚警率；

3、本发明采用基于形态分量分析的特征融合方法构建的融合特征，融合特征在增加了特征信息量的同时还保持了与单一特征相同的数据量，与传统的多特征之间利用拼接的融合方法相比，节省了数据存储空间和计算资源。

4、本发明对于具有相似特性的水声目标，利用融合特征训练的识别网络可以更好区分识别，识别准确率更高。