本发明涉及水声目标检测，尤其是指一种水声被动目标探测方法、装置及设备。
背景技术：
1、垂直阵水声目标被动探测技术通过分析水下垂直阵接收到的被动声纳信号，依据水声目标辐射的噪声信息，在一定范围内实现对水声目标的探测。随着在复杂的海洋环境下水声目标信噪比越来越低，如何提高水声目标探测的性能成为目标监测、情报收集等水声领域的核心问题，一直被国内外研究学者重点关注。以深度学习、大数据等为代表的人工智能技术的迅猛发展，也为水下目标识别技术向智能化方向发展提供了契机。
2、传统目标探测技术依赖观测员的视觉和听觉，观测员通过对采集到的信号进行实时观测，从而判断是否有水声目标。后来随着数字信号处理技术的不断进步，使得水声信号的提取、分析和识别能力得到了显著增强。如：名称为一种水声探测装置、系统、目标追踪方法和装置的专利cn202210217666，使用水声探测装置发射和接收激光；当声波引起水声探测区域的介质的折射率发生变化时，激光接收模块接收的光强信号发生变化，进而根据光强信号的变化确定水声信号的相位变化；根据声光效应进行水声探测，有效避免传统声学换能器由机械振动导致的起讫点模糊问题，提高探测精度，但在使用光强信号变化跟踪水声目标时，由于光波在水中的散射性较大，难以进行远距离传播，因此无法用于远距离水声目标探测。
3、近年来，机器学习和人工智能技术在水声目标探测领域得到了广泛应用，通过大数据的分析和模式识别，可以实现对水声目标的自动探测，提高水下作业效率和自主控制能力。如：名称为一种基于加权支持向量机的水声目标识别方法的专利cn202010427316，对原始水声目标信号进行分帧特征提取，搭建加权支持向量机识别模型，利用网格搜索法寻找最优核函数参数及惩罚因子，加权支持向量机识别模型进行训练，得到具有水下目标识别功能的支持向量机模型，识别正确率在80%以上；但其在单阶段特征提取的水声目标特征区分度较差，识别准确率低。
4、目前主流的机器学习方法是全监督学习，通过手动提取大量水声目标信号的标签，借助机器学习算法实现水声目标的探测；所训练出的模型能够提取水声目标信号间的声学特征差异，在环境复杂的情况下具有优势。如：名称为基于大数据的水声目标智能识别方法的专利cn201910661350，采集大量水声目标发出的水声信号，提取适当的特征，再对数据进行有目标或无目标的标记，建立训练样本集对人工智能模型进行训练；在实际使用中，采集周围的水声信号并提取特征，输入到训练好的人工智能模型中就可判断出水声目标的有无和类型，可识别较长距离的水声目标；但该方法需要先采集大量水声目标发出的水声信号，再对数据进行标记，人力物力成本高，小样本数据下识别正确率明显下降。且基于某单一数据集训练所获得的模型难以通过直接移植的方式应用于其他水域，网络难以直接泛化应用，因此针对复杂多变的水声环境，如何快速准确地将预训练的模型迁移至新水域，需要进一步的研究与探索。
5、综上所述，由于水声环境多变复杂，基于特征结合模型的目标探测方法难以使用一个水域数据训练的模型在多个不同水域进行目标探测。且水声信号数据采集困难，数据标记需要花费大量人力物力，标记数据量少，也不足以在新水域中重新获取监督训练模型来进行目标探测。因此，现有的水声探测方法无法适用于不同水域，通用性差，在面对多种不同水域时，需要重复进行数据采集与模型训练，目标探测效率低、识别准确性差。
技术实现思路
1、为此，本发明所要解决的技术问题在于克服现有技术无法适用于不同水域，在面对多种不同水域时，需要重复进行数据采集与模型训练，导致目标探测效率低、识别准确性差的问题。
2、为解决上述技术问题，本发明提供了一种水声被动目标探测方法，包括：
3、利用预设垂直阵，在与待识别海域具有相同探测任务的海域中，采集预设时长的水声被动噪声信号，并按照预设帧长划分为多个分帧信号，为每个分帧信号标记真实标签，构造源域数据集；
4、利用预设垂直阵，在待识别海域中，采集预设时长的水声被动噪声信号，并按照预设帧长划分为多个分帧信号，选取部分分帧信号，为其标记真实标签，构造目标域数据集；
5、对于源域数据集与目标域数据集中的每个分帧信号，提取分帧信号的多种低阶特征；
6、对于每个分帧信号中每种低阶特征，计算每种低阶特征对应的多种统计函数值；
7、计算每个分帧信号中每种低阶特征对应的一阶差分形式，以及每个一阶差分形式对应的多种统计函数值；
8、基于每个分帧信号中每种低阶特征及其一阶差分形式对应的多种统计函数值，构建每个分帧信号的声学信号特征；
9、利用源域数据集中分帧信号的声学信号特征，对预设神经网络模型进行训练，直至达到预设训练次数，获取源域目标探测模型；
10、令源域目标探测模型作为目标域初始探测模型，利用目标域数据集中分帧信号的声学信号特征对目标域初始探测模型进行微调，直至达到预设训练次数，获取目标域目标探测模型；
11、将待识别海域中实时采集的实时水声被动噪声信号，按照预设帧长划分为多个分帧信号，获取每个分帧信号的声学信号特征，输入目标域目标探测模型，获取实时水声被动噪声信号中每个分帧信号对应的水声被动目标探测结果。
12、优选地，分帧信号的多种低阶特征，包括：听觉频谱总和、rasta滤波听觉频谱总和、rms能量、信号过零率、rasta型听觉频谱，频带1-26、梅尔倒谱系数1-14、频谱能量、频谱衰减点、频谱通量、频谱质心、频谱熵、频谱斜度、声学锐度、声学和声、频谱方差、频谱偏度、频谱峰度、基频、声音概率检测、帧间抖动、差分帧间抖动与帧间闪烁。
13、优选地，多种统计函数值，包括：四分位数1-3、三分位距、1%百分位数、99%百分位数、百分位范围1-99%、最小/最大值位置、最小/最大值范围、算数平均值、根二次平均值、轮廓质心、平坦度、标准偏差、偏度、峰度、相对lld持续时间在25%、50%、75%、90%范围以上的比值、相对lld持续上升、lld曲线为正曲率的持续时间、平均值的标准差、最大值的标准差、最小值的标准差、段落长度的标准差、峰值均值、峰值均值的算数平均值、峰间距离均值、峰间距离标准差、峰值振幅均值、最小值的振幅均值、峰值的振幅范围、上升斜率的均值和标准差、下降斜率的均值和标准差，线性回归的斜率、截距与二次误差，二次回归的系数、截距与二次误差，以及非零帧百分比。
14、优选地，构造目标域数据集时，选取的部分分帧信号占所有分帧信号的20%。
15、优选地，相同探测任务包括相同的水声目标类型；所述水声目标类型包括潜艇与水面舰艇。
16、优选地，所述预设神经网络模型包括bp神经网络模型、深度学习网络模型、支持向量机模型中的一种。
17、优选地，所述水声被动目标探测结果为二分类结果，包括：包含水声目标与不包含水声目标。
18、优选地，所述预设垂直阵的阵元按照预设间距均匀分布在预设区域中。
19、本实施例提供了一种水声被动目标探测装置，包括：
20、数据集构建模块，利用预设垂直阵，在与待识别海域具有相同探测任务的海域中，采集预设时长的水声被动噪声信号，并按照预设帧长划分为多个分帧信号，为每个分帧信号标记真实标签，构造源域数据集；利用预设垂直阵，在待识别海域中，采集预设时长的水声被动噪声信号，并按照预设帧长划分为多个分帧信号，选取部分分帧信号，为其标记真实标签，构造目标域数据集；
21、低阶特征提取模块，对于源域数据集与目标域数据集中的每个分帧信号，提取分帧信号的多种低阶特征；
22、函数值计算模块，对于每个分帧信号中每种低阶特征，计算每种低阶特征对应的多种统计函数值；计算每个分帧信号中每种低阶特征对应的一阶差分形式，以及每个一阶差分形式对应的多种统计函数值；
23、声学信号特征构建模块，基于每个分帧信号中每种低阶特征及其一阶差分形式对应的多种统计函数值，构建每个分帧信号的声学信号特征；
24、模型训练模块，利用源域数据集中分帧信号的声学信号特征，对预设神经网络模型进行训练，直至达到预设训练次数，获取源域目标探测模型；令源域目标探测模型作为目标域初始探测模型，利用目标域数据集中分帧信号的声学信号特征对目标域初始探测模型进行训练，直至达到预设训练次数，获取目标域目标探测模型；
25、探测模块，将待识别海域中实时采集的实时水声被动噪声信号，按照预设帧长划分为多个分帧信号，获取每个分帧信号的声学信号特征，输入目标域目标探测模型，获取实时水声被动噪声信号中每个分帧信号对应的水声被动目标探测结果。
26、本实施例提供了一种水声被动目标探测设备，包括：
27、信号采集装置，包括按照预设垂直阵分布的多个传感器，用于实时采集待识别海域中的实时水声被动噪声信号；
28、水声被动目标探测装置，与所述信号采集装置通讯连接，基于实时水声被动噪声信号，获取实时水声被动噪声信号中每个分帧信号对应的水声被动目标探测结果；
29、显示器，与所述水声被动目标探测装置通讯连接，用于显示水声被动目标探测结果。
30、本发明的上述技术方案相比现有技术具有以下有益效果：
31、本发明所述的水声被动目标探测方法，利用预设垂直阵采集水声被动噪声信号，并划分为多个分帧信号之后，提取每个分帧信号的多种低阶特征，以及每种低阶特征的一阶差分形式；计算每种低阶特征及其一阶差分形式的多种统计函数值，构建声学信号特征，来分析水声被动噪声信号的时频特性，更全面地描述水声被动噪声信号的时域特征和频域特征，提高了基于声学信号特征的水声被动目标探测的精度；且本发明基于迁移学习中的模型参数共享方法，充分利用了源域数据集对模型进行训练，同时，使用小量标记数据来微调目标域中的模型，来提高探测性能，减小了对目标域中有标记数据的样本需求量，大量节省了人工标记成本，从而大大减少了目标域的训练时间，在小样本情况下提高了探测模型的训练效率和泛化能力。
1.一种水声被动目标探测方法，其特征在于，包括：
2.根据权利要求1所述的水声被动目标探测方法，其特征在于，分帧信号的多种低阶特征，包括：听觉频谱总和、rasta滤波听觉频谱总和、rms能量、信号过零率、rasta型听觉频谱，频带1-26、梅尔倒谱系数1-14、频谱能量、频谱衰减点、频谱通量、频谱质心、频谱熵、频谱斜度、声学锐度、声学和声、频谱方差、频谱偏度、频谱峰度、基频、声音概率检测、帧间抖动、差分帧间抖动与帧间闪烁。
3.根据权利要求1所述的水声被动目标探测方法，其特征在于，多种统计函数值，包括：四分位数1-3、三分位距、1%百分位数、99%百分位数、百分位范围1-99%、最小/最大值位置、最小/最大值范围、算数平均值、根二次平均值、轮廓质心、平坦度、标准偏差、偏度、峰度、相对lld持续时间在25%、50%、75%、90%范围以上的比值、相对lld持续上升、lld曲线为正曲率的持续时间、平均值的标准差、最大值的标准差、最小值的标准差、段落长度的标准差、峰值均值、峰值均值的算数平均值、峰间距离均值、峰间距离标准差、峰值振幅均值、最小值的振幅均值、峰值的振幅范围、上升斜率的均值和标准差、下降斜率的均值和标准差，线性回归的斜率、截距与二次误差，二次回归的系数、截距与二次误差，以及非零帧百分比。
4.根据权利要求1所述的水声被动目标探测方法，其特征在于，构造目标域数据集时，选取的部分分帧信号占所有分帧信号的20%。
5.根据权利要求1所述的水声被动目标探测方法，其特征在于，相同探测任务包括相同的水声目标类型；所述水声目标类型包括潜艇与水面舰艇。
6.根据权利要求1所述的水声被动目标探测方法，其特征在于，所述预设神经网络模型包括bp神经网络模型、深度学习网络模型、支持向量机模型中的一种。
7.根据权利要求1所述的水声被动目标探测方法，其特征在于，所述水声被动目标探测结果为二分类结果，包括：包含水声目标与不包含水声目标。
8.根据权利要求1所述的水声被动目标探测方法，其特征在于，所述预设垂直阵的阵元按照预设间距均匀分布在预设区域中。
9.一种水声被动目标探测装置，其特征在于，包括：
10.一种水声被动目标探测设备，其特征在于，包括：
