买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：安徽大学;漳州市测绘设计研究院

摘要：本发明公开了一种空间异构融合的鲸类信号分类方法及系统，涉及海洋工程鲸类信号处理领域，方法包括：采集鲸类信号，并对鲸类信号进行非重叠等长帧裁剪、归一化等预处理，得到所有信号帧的特征异构向量；基于所有信号帧的特征异构向量，筛选出鲸类信号高区分度的关键特征；重组高区分度的关键特征异构向量，引入异构三分支骨干网络和空间异构注意力融合网络，构建鲸类信号分类模型；利用鲸类信号分类模型完成鲸类信号分类。本发明筛选高区分度的关键特征，有效避免冗余特征引起的过拟合，降低时空复杂度。本发明构建空间异构注意力融合的分类网络，利用时域、频域和时频域特征信息，深层捕获不同域特征的互补信息，提高相似特征鲸类信号的区分度。

主权项：1.一种空间异构融合的鲸类信号分类方法，其特征在于，步骤包括：采集鲸类信号，并对所述鲸类信号进行预处理，得到所有信号帧的特征异构向量；预处理的步骤包括：对所述鲸类信号进行非重叠长帧裁剪处理，得到固定长度帧的信号数据；再提取每一帧信号数据的时域、频域和时频域特征并分别进行归一化处理，得到所有信号帧的特征异构向量；基于所有信号帧的所述特征异构向量，筛选出鲸类信号高区分度的关键特征；进行筛选的步骤包括：构建异构空间的特征选择模型，并利用所有信号帧的所述特征异构向量对所述特征选择模型进行迭代回归，筛选出鲸类信号高区分度的关键特征；构建所述异构空间的特征选择模型的方法包括：S201.设置特征选择迭代次数为，重要和不重要特征集合分别为和，初始均为空集；S202.对于第次迭代，剔除对鲸类信号分类不重要的特征，得到，其中；S203.对特征进行随机排列生成影子特征；S204.组合和，得到组合特征异构向量；S205.输入所有信号帧的所述组合特征异构向量，训练卷积神经网络基准分类模型；S206.对所述卷积神经网络基准分类模型执行预测，计算包括影子特征在内的每个特征的SHAP值，用于度量每个特征对模型预测结果的贡献；度量的方法包括：比较每个真实特征的SHAP值与影子特征的SHAP值，当真实特征的SHAP值高于影子特征的最高SHAP值，则判定为重要；否则，判定为不重要或不确定；S207.迭代步骤S201-步骤S206，逐步排除不重要的特征，直到达到预设的迭代次数或确定所有特征的重要性状态；S208.输出所述鲸类信号高区分度的关键特征；基于所述鲸类信号高区分度的关键特征，构建鲸类信号分类模型；构建所述鲸类信号分类模型的步骤包括：对所述鲸类信号高区分度的关键特征进行重组，得到关键特征异构向量，并按照预设比例将所述关键特征异构向量划分为训练集和验证集；重组所述鲸类信号高区分度的关键特征的步骤包括：将所述鲸类信号高区分度的关键特征按照时域、频域和时频域特征分别重组为、和，得到所述关键特征异构向量： ，对于每一类所述关键特征异构向量按照8:2比例划分为所述训练集和所述验证集；构建异构三分支骨干网络，将所述训练集输入到所述三分支骨干网络，提取不同域的深层特征图，构建的所述三分支骨干网络结构包括：第一分支骨干网络：一维卷积神经网络，提取所有时域特征的深层特征向量： ，其中，分别表示个训练时域特征数据提取到的深层特征；第二分支骨干网络：一维卷积神经网络，提取所有频域特征的深层特征向量： ，其中，分别表示个训练频域特征数据提取到的深层特征；第三分支骨干网络：二维卷积神经网络，提取所有频域特征的深层特征向量： ，其中，分别为个训练时频域特征数据提取到的深层特征；构建空间异构注意力融合网络，融合所述不同域的深层特征图，得到互补的深层异构特征图，在构建的所述空间异构注意力融合网络中，将深层一维时域特征向量和一维时域特征向量，分别与二维时频域特征向量进行空间异构特征相关分析，得到联合特征的相关度向量和分别为： ， ，式中，和分别表示学习时域和频域与时频域特征相关度权重；表示向量的转置；将联合特征的相关度向量和分别与二维时频域特征向量进融合，时域特征和频域特征与时频域特征分别注意力融合，得到特征互补融合的深层特征向量和： ， ，其中，表示非线性激活函数，和均表示学习的注意力权重；级联互补特征向量和，输出融合增强的深层特征向量： ；迭代学习得到所述鲸类信号分类模型，用所述验证集验证所述鲸类信号分类模型性能，输出分类结果；利用所述鲸类信号分类模型完成鲸类信号分类。

全文数据：

权利要求：

百度查询： 安徽大学 漳州市测绘设计研究院 一种空间异构融合的鲸类信号分类方法及系统