本發明涉及聲信號處理，尤其涉及一種水下弱信號到達時間預測方法、模型訓練方法及模型。

背景技術：

1、聲層析技術是一種利用聲波傳播特性來進行空間成像的技術。現有的河流聲層析流量監測技術是一種全新的河流測量技術，具有非侵入性、實時性等優點。由于可以迅速、便捷的獲取較大觀測區域的溫流參數以及非入侵的觀測優勢，使得聲層析技術吸引了眾多學者研究。利用兩點式的聲層析技術對淺海、河口或者航道地區的水文參數進行長期的觀測，通過兩個站點的水聲換能器進行信號互收發，并準確地計算聲信號在兩個站點的走時和聲速，就可以準確地反演出監測剖面的平均溫流信息，再結合動態水位和地形，準確的推算觀測水域的河流通量。盡管聲層析發射信號的相位由m序列調制，以提高信噪比，但是由于自然條件的影響，如午后效應以及水下大量噪聲的存在下，會導致信噪比急劇下降，致使接收端依靠傳統的匹配濾波法無法準確計算聲信號到達時間，影響最終的流速、流量計算。因此，急需一種能夠在低信噪比條件下監測聲信號到達時間點的技術方案。而隨著神經網絡的發展，深度學習網絡模型為解決這一問題帶來了新思路，深度學習網絡模型作為一種數據驅動的方法，具有較強的適應性和良好的泛化能力。

技術實現思路

1、有鑒于此，本發明的目的在于提出一種水下弱信號到達時間預測方法、模型訓練方法及模型，能夠解決低信噪比條件(信噪比低于-10db)下傳統的匹配濾波法無法準確檢測聲信號到達時間的問題。

2、根據本發明的一個方面，提供一種水下弱信號到達時間預測方法，所述方法包括：

3、獲取接收到的聲信號數據序列，以及與該序列對應的原始發射信號序列；

4、針對該聲信號數據序列進行特征提取，獲得原始信號特征；

5、針對該聲信號數據序列，與發射信號序列進行互相關計算，獲得互相關參數；針對該特征參數進行特征提取，獲得第一互相關特征；

6、針對該第一互相關特征進行特征掩碼提取，獲得互相關特征掩碼；利用互相關特征掩碼與第一互相關特征相乘，調整第一互相關特征權重，輸出第二互相關特征；

7、針對第二互相關特征與原始信號特征，進行特征提煉，輸出關鍵特征；

8、基于該關鍵特征，預測水下弱信號到達時間。

9、在上述技術方案中，首先，獲取接收到的聲信號數據序列及其對應的原始發射信號序列。其次，對聲信號數據序列進行特征提取，以獲得原始信號特征。特征提取過程旨在從信號中提取有用信息，為后續分析提供必要的依據。接著，將聲信號數據序列與原始發射信號序列進行互相關分析，以計算互相關參數。互相關分析能夠量化兩個信號之間的相似性，通過計算互相關參數，可以確定信號的相對時間延遲。對互相關參數進行進一步的特征提取，以獲得第一互相關特征，這一步驟旨在進一步提煉互相關參數中的關鍵信息。隨后，對第一互相關特征進行特征掩碼提取，以獲得互相關特征掩碼。特征掩碼可視為對特征的篩選或加權，通過掩碼的應用，可以突出特征中的重要部分。將互相關特征掩碼與第一互相關特征相乘，以調整第一互相關特征的權重，從而輸出第二互相關特征。這一步通過掩碼對特征進行加權，使特征更加符合實際應用需求。接著，針對第二互相關特征與原始信號特征進行特征提煉，以輸出關鍵特征。關鍵特征是經過處理后得到的最有價值的信息，能夠更準確地反映信號的本質。最終，關鍵特征包含了信號的重要信息，利用這些信息可以更精確地預測信號的到達時間。通過多輪特征提取和處理，能夠充分挖掘信號中的有用信息，從而提高預測的準確性。在復雜的水下環境中，信號可能會受到各種干擾，該方法通過特征掩碼等手段能夠有效抑制干擾，保持預測的穩定性。該方法適用于水下通信、水下探測等領域，能夠顯著提升信號處理的效率和準確性，為相關工作提供有力的技術支持。

10、在一些實施例中，所述聲信號數據序列為一維聲數據。

11、在上述技術方案中，目前，大多數神經網絡模型的輸入需求為二維數據，例如圖像等。本方法采用一維聲信號序列作為輸入，能夠直接對接收到的一維聲信號序列進行分析處理，無需進行額外的轉換操作，如短時傅里葉變換等。這些將一維數據轉換為二維數據的方法可能會導致數據中某些特征的丟失。因此，本方法能夠最大限度地保留原始信號的特征，從而提高信號處理的準確性和有效性。

12、在一些實施例中，獲取接收到的聲信號數據序列，以及，與該序列對應的原始發射信號序列；

13、針對該聲信號數據序列進行特征提取，獲得原始信號特征；

14、針對該聲信號數據序列，與發射信號序列進行互相關計算，獲得互相關參數；針對該特征參數特征提取，獲得第一互相關特征；

15、設定n輪特征提取，每輪特征提取執行如下步驟：

16、針對該第一互相關特征進行特征掩碼提取，獲得互相關特征掩碼；利用互相關特征掩碼與第一互相關特征相乘，調整第一互相關特征權重，輸出第二互相關特征；

17、以該輪次的原始信號特征和第二互相關特征作為下一輪原始信號特征提取的數據輸入，進行下一輪特征提取；以該輪次的第一互相關特征作為下一輪第一互相關特征提取的數據輸入，進行下一輪特征提取；

18、循環上述步驟，直至特征提取設定輪數結束，輸出最終的第二互相關特征和最終的原始信號特征；

19、針對最終第二互相關特征與最終的原始信號特征，進行特征提煉，輸出關鍵特征；

20、基于該關鍵特征，預測水下弱信號到達時間。

21、在上述技術方案中，原始信號特征包含了信號的基本信息和初始特征，通過將其作為下一輪特征提取的輸入，可以確保這些基本特征在整個迭代過程中持續發揮作用，為最終的特征提煉提供穩定的基礎。新輸出的特征(第二互相關特征)是在當前輪次經過特征掩碼調整后的優化特征，它包含了當前輪次對信號特征的最新理解和提煉。將其作為下一輪特征提取的輸入，可以將這些優化后的特征信息進一步融合到后續的特征提取過程中，實現特征信息的補充和優化，使得最終的特征更加全面和準確。通過特征信息的累積，可以增強特征的表達能力，使得最終的特征能夠更加準確地描述信號的特性和本質。這種增強的表達能力有助于提高后續基于特征進行的信號分析和處理任務的性能。

22、根據本發明的另一個方面，提供一種水下弱信號到達時間預測的神經網絡模型訓練方法，所述神經網絡為雙通道網絡模型，包括，互相關特征提取通道、原始信號特征提取通道、交互模塊、注意力機制模塊、全連接層；所述方法包括：

23、獲取樣本聲信號數據序列，以及，與該序列對應的原始發射信號序列，以及，與該序列對應的真實標簽；

24、針對該聲信號數據序列，輸入原始信號特征提取通道進行特征提取，獲得原始信號特征；

25、針對該聲信號數據序列，與發射信號序列進行互相關計算，獲得互相關參數；針對該特征參數，輸入互相關特征提取通道進行特征提取，獲得第一互相關特征；

26、針對該第一互相關特征，輸入交互模塊，進行特征掩碼提取，獲得互相關特征掩碼；利用互相關特征掩碼與第一互相關特征相乘，調整第一互相關特征權重，輸出第二互相關特征；

27、針對第二互相關特征與原始信號特征，輸入注意力機制模塊進行特征提煉，輸出關鍵特征；

28、基于該關鍵特征，輸入全連接層，預測水下弱信號到達時間；

29、基于該到達時間與真實標簽，計算損失值；以及，

30、基于該損失值訓練所述神經網絡模型。

31、在上述技術方案中，為了更好的使用上述方法，本技術提出一種水下弱信號到達時間預測的神經網絡模型訓練方法。雙通道網絡模型包含兩個特征提取通道，即互相關特征提取通道和原始信號特征提取通道。這種雙通道設計可以從不同角度提取信號特征，互相關特征提取通道專注于信號的時間相關性特征，而原始信號特征提取通道則提取信號的基本特征。交互模塊用于對第一互相關特征進行特征掩碼提取和權重調整，通過特征掩碼與第一互相關特征相乘，輸出第二互相關特征。這一過程能夠突出特征中的重要部分，抑制不重要的信息。注意力機制模塊進一步對第二互相關特征與原始信號特征進行特征提煉，輸出關鍵特征。注意力機制能夠使模型更加關注特征中的重要信息，提高特征的表達能力和模型的預測性能。基于關鍵特征，全連接層進行信號到達時間的預測。全連接層能夠將特征進行綜合分析，輸出最終的預測結果。雙通道網絡模型從不同角度提取信號特征，能夠更全面地捕捉信號的特性和規律。結合交互模塊和注意力機制模塊對特征進行優化和關注，使得模型能夠更加準確地理解和分析信號。

32、在一些實施例中，獲取樣本聲信號數據序列，以及，與該序列對應的原始發射信號序列，以及，與該序列對應的真實標簽，包括：

33、收集至少兩種類型背景噪聲和至少兩種類型目標聲信號；

34、針對每一目標聲信號，從目標聲信號中選擇添加時刻，在該添加時刻合成目標聲信號與任一背景噪聲，基于合成結果作為樣本聲信號數據序列；

35、基于該目標生信號作為原始發射信號序列；

36、基于該添加時刻作為該樣本聲信號數據序列的真實標簽；

37、重復上述合成步驟，直至數據集構建完畢。

38、在上述技術方案中，背景噪聲是水下環境中存在的各種干擾聲，如水流聲、海洋生物聲等。收集不同類型的背景噪聲可以模擬水下環境的多樣性，為樣本數據提供豐富的背景條件。不同類型的背景噪聲具有不同的頻率特性、強度分布等，能夠幫助模型學習在不同噪聲環境下識別目標信號的能力。收目標聲信號是需要檢測和預測到達時間的信號，如水下目標的聲信號等。不同類型的目標準信號可能具有不同的特征，如不同的頻率成分、信號形態等，能夠提高數據集的多樣性和代表性，使模型能夠適應不同目標類型的信號。針對每一目標聲信號，從目標聲信號中選擇一個添加時刻。添加時刻是目標聲信號與背景噪聲合成的時間點，選擇不同的添加時刻可以模擬目標信號在不同時間出現的情況，增加數據集的時間多樣性。在選擇的添加時刻，將目標聲信號與任一背景噪聲進行合成，得到樣本聲信號數據序列。合成過程需要考慮信號的疊加、噪聲的干擾等因素，確保合成后的樣本聲信號數據序列能夠真實反映水下環境中目標信號與背景噪聲的疊加情況。合成后的樣本聲信號數據序列包含了目標信號和背景噪聲的特征信息，為后續的特征提取和模型訓練提供了基礎數據。基于目標聲信號作為原始發射信號序列。原始發射信號序列是目標聲信號在沒有受到噪聲干擾時的信號形態，它包含了目標信號的原始特征信息。在模型訓練過程中，原始發射信號序列可以作為參考信號，幫助模型更好地理解和學習目標信號的特征。真實標簽使基于添加時刻作為樣本聲信號數據序列的真實標簽。真實標簽是目標聲信號在合成樣本聲信號數據序列中的實際到達時間，它是模型訓練和預測的重要依據。通過將添加時刻作為真實標簽，可以確保模型在訓練過程中能夠準確地學習到目標信號的到達時間特征，從而提高模型的預測性能。該方法通過合成目標聲信號和背景噪聲來構建水下聲信號數據集，并為每個樣本提供原始發射信號序列和真實標簽，能夠為水下信號處理模型的訓練提供高質量和多樣化的數據支持，有助于提高模型的預測性能和應用效果。

39、在一些實施例中，所述數據集至少包括-10db、-15db、-20db三個經典低信噪比的數據集。

40、在上述技術方案中，在構建水下弱信號到達時間預測的數據集時，至少包括三個經典低信噪比的數據集，這些數據集能夠提供豐富的低信噪比環境下的信號樣本，幫助模型更好地學習和適應低信噪比條件下的信號特征。在-10db的信噪比條件下，信號與噪聲的強度接近，噪聲對信號的干擾較為明顯。該數據集能夠模擬信號在中等噪聲環境下的情況，用于訓練模型在中等噪聲環境下的信號檢測和識別能力。在-15db的信噪比條件下，噪聲的強度進一步增加，信號的特征更加難以辨識。該數據集能夠模擬信號在較高噪聲環境下的情況，用于訓練模型在高噪聲環境下的魯棒性。在-20db的信噪比條件下，噪聲的強度遠大于信號，信號幾乎被噪聲淹沒。該數據集能夠模擬信號在極端噪聲環境下的情況，用于訓練模型在極端噪聲環境下的極限性能。這三個數據集涵蓋了從低到高的噪聲環境，能夠全面地訓練模型在不同信噪比條件下的信號處理能力。

41、根據本發明的又一個方面，提供一種水下弱信號到達時間預測的神經網絡模型，基于上述的方法，所述神經網絡為雙通道網絡模型，包括：

42、互相關特征提取通道，其被配置為針對該聲信號數據序列，與發射信號序列進行互相關計算，獲得互相關參數；針對該特征參數進行特征提取，獲得第一互相關特征；

43、原始信號特征提取通道，其被配置為針對該聲信號數據序列進行特征提取，獲得原始信號特征；

44、交互模塊，其被配置為針對該第一互相關特征進行特征掩碼提取，獲得互相關特征掩碼；利用互相關特征掩碼與第一互相關特征相乘，調整第一互相關特征權重，輸出第二互相關特征；

45、注意力機制模塊，其被配置為針對第二互相關特征與原始信號特征，進行特征提煉，輸出關鍵特征；

46、全連接層，其被配置為基于該關鍵特征，預測水下弱信號到達時間。

47、在上述技術方案中，為了更好的使用上述方法，本技術提出一種水下弱信號到達時間預測的神經網絡模型，每個部分與上述方法的每個步驟對應，每個步驟的具體原理已在上文說明，此處不再展開贅述。