基于非线性重构与高维解耦技术的水面微幅波检测方法

1.基于非线性重构与高维解耦技术的水面微幅波检测方法，其特征在于，所述方法包括：步骤1：将水面微幅波数据和水下混合音频数据按照比例划分为训练集、验证集以及测试集；基于时频域约束模块和盲源分离精度反馈模块改进的U-NET对抗网络，对水面微幅波信号进行非线性还原；步骤2：对还原的水面微幅波信号进行特征向量提取，将微幅波时频向量划分到不同子空间，通过特征值分解方法提取子空间时频域向量协方差矩阵的特征向量；步骤3：引入非度量缩放技术特征矩阵降维，基于特征向量组成的特征矩阵进行盲源信号混合矩阵估计；步骤4：基于最优子矩阵进行源信号恢复，进行逐时频点的局部逆变换恢复源信号强度，最终通过逆短时傅里叶变换恢复源信号；在步骤1中，U-NET对抗网络的生成器中加入时频域约束模块，将水面微幅波数据映射到时频域，使对抗训练同时保留时域和频域特征，并更新对抗网络生成器损失函数；其中，时频域约束模块中的时频域正则化损失项 和更新后的生成器损失函数 分别定义为：其中， 为时频域正则化损失项， 和 分别是 范数和 范数的正则化权值， 与 分别为源信号和生成样本的时频域表示， 为生成器的损失函数， 为更新后的生成器损失函数；在步骤1中，U-NET对抗网络引入盲源分离精度反馈模块，对生成器生成的样本进行盲源分离并对水下源信号进行相关性验证，将其用作反馈控制对抗网络；其中盲源分离精度反馈模块输出的是源信号相关系数 ：其中， 是盲源分离反馈模块输出的源信号相关系数， ，分别为初始源信号和 经过盲源分离算法估计的源信号，当相关系数 小于预设阈值时，驱使U-Net GAN深度反馈训练，生成器的损失函数更新如下：其中， 是生成器最终损失函数， 是相关系数的权重系数。 2.根据权利要求1所述的方法，其特征在于，在步骤2中，为了在对抗网络还原的微幅波信号中有效分离源信号，基于子空间平移协方差矩阵进行特征向量提取；将时频域向量矩阵以时间轴划分为K个不重叠的子空间，计算子空间信号的平移协方差矩阵 ：其中， 代表子空间中未平移的时频向量， 代表平移后的部分， 是平移量；每个子空间信号的平移协方差矩阵 通过以下形式近似计算：其中， 代表协方差矩阵 的近似值， 为每个子空间的时间戳数目。 3.根据权利要求2所述的方法，其特征在于，在步骤2中，通过EVD特征值分解方法提取源分量的特征向量，代表源信号的主导方向：其中， 代表特征值向量组成的矩阵， 代表特征值组成的对角矩阵；对所有子空间特征矩阵提取特征向量，获取只有单源主导子空间内的特征向量，此时， 秩近似为1，提取 中最大特征值对应的特征向量 ，由获得的Q个单源特征向量组成特征矩阵 ，代表估计的观测信号空间分布的统计特性。 4.根据权利要求3所述的方法，其特征在于，在步骤3中，引入非度量缩放技术，利用非度量缩放技术对特征向量矩阵进行降维，获取特征向量的二维空间矩阵 ：其中， 每一行是特征向量在2维空间的投影坐标， 为距离矩阵， 和 是对应特征矩阵 中的特征向量，其中， ；将 中各坐标所代表的特征向量定义为SFV独立特征向量 。 5.根据权利要求4所述的方法，其特征在于，在步骤3中，首先计算SFV向量间的欧氏距离 ；然后，对每个SFV向量 计算局部密度 ：降序排列所有局部密度值，对每个SFV向量 计算和全部其他更高密度点 对应的最小距离 ：通过局部密度值 和最小距离 绘制决策图，选择二者乘积大的坐标点作为聚类中心 ；利用聚类中心反投影获取对应的特征向量 ，作为混合矩阵的列向量，由此可估计混合矩阵 。 6.根据权利要求5所述的方法，其特征在于，在步骤4中，对于估计的混合矩阵 ，提取其全部子矩阵 ；对每个时频点 ，利用 范数求其对应的最优子矩阵：最优子矩阵 代表此时频点下源信号的稀疏分布； 范数最小使得解稀疏性最大，此时观测信号聚集在混合矩阵列向量上；通过最优子矩阵 实现局部逆变换 得到此时频点下的源信号强度 ；第 个源信号在 处的估计值为：其中， 是第m个源信号的索引，表示第m个源信号对应最优子矩阵 在全部子矩阵 中的位置； 是源信号强度 中的第m个元素，与估计的混合矩阵 第m个列向量对应；通过子矩阵恢复各个TF点处的源信号强度后，通过逆傅里叶变换可获得时间域源信号 。 7.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-6任一项所述方法的步骤。 8.一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1-6任一项所述方法的步骤。