1.一种基于形态分量分析特征融合的水声目标识别方法，其特征在于：包括以下步骤：S1、根据水声目标辐射噪声产生的机理和特点，对噪声信号进行预处理，提取出目标的特征图像；

S2、对步骤S1中提取的目标特征图像，根据形态分量分析理论，建立目标特征图像的稀疏模型；

S3、对步骤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、利用步骤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，利用步骤S4中各分量的公共冗余字典，分别分离出特征的各分量系数，并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，利用步骤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。

2.根据权利要求1所述的一种基于形态分量分析特征融合的水声目标识别方法，其特征在于：所述步骤S1的具体步骤为：S11、噪声源分析：根据噪声产生机理的不同分为机械噪声、螺旋桨噪声、水动力噪声和环境噪声；

S12、数据预处理：根据所要提取的目标特征的特点，对水声目标辐射噪声采用巴特沃斯低通滤波器，滤除高频噪声的干扰，同时使用归一化以消除信号数量级之间的影响；

S13、LOFAR特征提取：采用窗函数对预处理的信号进行分帧处理，然后利用傅里叶变换获取每帧信号的频率信息，并通过在时间域上进行堆叠以此获取该目标信号的LOFAR特征，该过程表示为：

其中，Sn(n,ω)表示为信号的短时傅里叶变换过程，m为时间，x(m)为在时间m的输入信号，n为加窗位置，w(n‑m)为在位置n处的窗函数，ω为角频率；

窗函数如下式所示：

其中，M为窗口长度；

S14、小波特征提取：通过对小波基函数进行伸缩与平移变换，从而提取出目标更高分辨率的细节特征，小波变换表示为：式中， 为函数f(t)与小波基函数 的内积，a＞0为尺度因子，b为位移因子，*表示复数共轭， 是母小波 经位移和伸缩所产生的一族函数，称为小波基函数。

3.根据权利要求2所述的一种基于形态分量分析特征融合的水声目标识别方法，其特征在于：所述步骤S2的具体步骤为：S21、信号形态分量分析理论：利用信号中各分量形态的不相关性，通过对应字典将各形态进行稀疏分解，二维信号的稀疏模型表示为：式中，δ为模型偏差，M为样本数，A为过完备字典，xi为信号yi在过完备字典A下的分解系数；

S22、建立目标特征的稀疏模型：图像作为信号的一种，利用目标特征图像不同组成成分之间的差异，将特征图像y稀疏分解为卡通分量yc和纹理分量yt两部分的线性组合，水下目标特征的稀疏模型表示为：

式中,xc和xt分别表示卡通分量yc和纹理分量yt的稀疏表示系数，Ac为卡通分量的过冗余字典，At为纹理分量的过冗余字典，δ为模型偏差，||x||0表示为x的l0范数；

S23、特征的稀疏模型优化：采用l1范数替换l0范数，转换模型为凸性问题求解，同时考虑到目标特征中包含噪声的因素，则目标特征的稀疏模型表示为：式中，λ为软阈值，||x||1表示为x的l1范数。

4.根据权利要求3所述的一种基于形态分量分析特征融合的水声目标识别方法，其特征在于：所述步骤S3的具体步骤为：S31、字典原子分离：特征分量的分离采用的是局部分量分析的方法，通过全变分测度来区分，如下式所示：

式中，a为 的原子；

S32、目标特征分量分离：局部分量分析的方法是建立在K‑SVD去噪算法的基础上，利用上述分离的字典，求解分离出特征的卡通分量yc和纹理分量yt：式中，Rk表示第k块原子的配平系数，Ac为卡通分量的过冗余字典，At为纹理分量的过冗余字典， 为第k块卡通分量的稀疏表示向量， 为第k块纹理分量的稀疏表示向量，N为原子的数量；

S33、目标的G特征构建：利用卡通分量yc和纹理分量yt对目标特性的不同表征，提取两部分之间共有的部分构建如下目标G特征：

5.根据权利要求4所述的一种基于形态分量分析特征融合的水声目标识别方法，其特征在于：所述步骤S4的具体步骤为：S41、初始化字典：迭代次数k＝0构造离散余弦字典A0，并将其按列归一化；

S42、稀疏编码阶段：使用追踪算法近似求解，得到稀疏表示xi，并构造矩阵Xk：式中，yi为用于训练过冗余字典A的数据，i＝1...M； 为y的l2范数；k0为稀疏度约束参数；||x||0为x的l0范数；

S43、K‑SVD字典更新阶段：S431、定义使用原子aj0的样本集Ωj0＝{i|1≤i≤M,X(k)[j0,j]≠0}；

S432、计算残差 其中xj是矩阵Xk的第j行；

S433、计算Ej0的收缩结果S434、应用式SVD分解 更新字典原子aj0＝u1和S44、停止判定阶段：如果 的改变小于设置的阈值,迭代停止；否则,k＝k+1，跳转到步骤S42继续迭代；

S45、输出结果：A(k)。

6.根据权利要求5所述的一种基于形态分量分析特征融合的水声目标识别方法，其特征在于：所述步骤S5的具体步骤为：S51、特征分量分离：利用步骤S4中分离的各分量字典，将同一目标的不同特征进行分离，分别获取对应的分量系数；

S52、卡通分量融合：将分离出的各卡通分量之间进行融合，获得特征的融合卡通分量；

S53、纹理分量融合：将分离出的各纹理分量之间进行融合，获得特征的融合纹理分量；

S54、特征融合：将步骤S52的融合卡通分量和步骤S53的融合纹理分量进行融合，获得目标的融合特征。

7.根据权利要求6所述的一种基于形态分量分析特征融合的水声目标识别方法，其特征在于：所述步骤S6的具体步骤为：S61、基于卷积的水声目标识别网络的隐藏层由卷积层和全连接层构成，在每层卷积层后使用2x2的最大池化层缩减网络参数；

S62、在全连接层中添加dropout层防止网络的过拟合；

S63、利用步骤S54中的融合特征对该识别网络进行训练。