S變換在水下目標(biāo)識別中的應(yīng)用

徐 襲，石 敏，2

(1.91388部隊，廣東 湛江 524022;2.水聲對抗技術(shù)重點(diǎn)實(shí)驗(yàn)室，廣東 湛江 524022)

S變換在水下目標(biāo)識別中的應(yīng)用

徐 襲1，石 敏1，2

(1.91388部隊，廣東 湛江 524022;2.水聲對抗技術(shù)重點(diǎn)實(shí)驗(yàn)室，廣東 湛江 524022)

研究了基于S變換模時頻矩陣相似度的水下目標(biāo)識別方法。根據(jù)測試樣本對應(yīng)的S變換模時頻矩陣與標(biāo)準(zhǔn)樣本對應(yīng)的S變換模時頻矩陣之間的相似度最大原則對測試樣本進(jìn)行識別。該方法不需要輔助分類器而直接實(shí)現(xiàn)目標(biāo)識別，計算簡單快速。仿真實(shí)驗(yàn)表明，該方法的識別率較高，且受噪聲影響小，適合于水下目標(biāo)識別。

目標(biāo)識別;S變換;分類器;相似度

0 引言

利用水下目標(biāo)輻射噪聲進(jìn)行水下目標(biāo)識別是被動聲吶信息處理中急需解決的一個關(guān)鍵問題［1－2］。

目前，進(jìn)行目標(biāo)識別的主要思路是目標(biāo)特征提取加分類器設(shè)計2部分。分類器主要有基于人工神經(jīng)網(wǎng)絡(luò)［3－4］、模糊專家系統(tǒng)和支持向量機(jī)［5］等方法。這些分類器自身存在一些缺點(diǎn)，如神經(jīng)網(wǎng)絡(luò)收斂性較差，訓(xùn)練時間長，容易陷入局部最優(yōu)等［6］。模糊專家系統(tǒng)的規(guī)則制定過程復(fù)雜，支持向量機(jī)的識別能力易受自身參數(shù)影響［6］。這些分類算法實(shí)現(xiàn)過程較復(fù)雜，且易受噪聲影響。

S變換是一種時頻分析窗口大小和形狀隨分析頻率變化而變化的一種變換方法，是在連續(xù)小波變換和短時傅立葉變換結(jié)合的基礎(chǔ)上發(fā)展起來的一種時頻分析方法，適合于非平穩(wěn)信號分析，且離散S變換可用快速傅立葉變換快速實(shí)現(xiàn)。

本文研究了S變換模時頻矩陣相似度的水下目標(biāo)識別方法，通過計算測試樣本S變換模時頻矩陣與標(biāo)準(zhǔn)樣本S變換模時頻矩陣之間的相似度，根據(jù)相似度最大準(zhǔn)則進(jìn)行目標(biāo)識別。計算方法簡單，避免了復(fù)雜的分類器方法。仿真實(shí)驗(yàn)結(jié)果表明，該方法對噪聲不敏感，是一種簡單有效的目標(biāo)識別方法。

1 S變換基本原理

任意時間序列h(t)的連續(xù)S變換定義為［7］:

式中:g(t，f)為高斯窗，其定義為:

因此，S變換的完整表達(dá)式為:

式中:f為頻率;τ為控制高斯窗在時間軸t位置的參數(shù)。

由式(2)可知，S變換中高斯窗的高度和寬度隨頻率變化而變化，克服了短時傅立葉變換窗口大小和形狀固定不變的缺陷。通過S變換可以得到信號在某一時刻的頻率信息，也可得到某一頻率上信號的幅度信息。逆S變換表達(dá)式為:

離散S變換可利用快速傅立葉變換實(shí)現(xiàn)。時間序列h(t)的離散傅立葉變換為:

式中:n，k=0，1，…，N－1;h(kTs)為對h(t)進(jìn)行采樣后得到的離散形式;Ts為采樣間隔;N為采樣數(shù)據(jù)長度。

在式(1)中，令τ→jTs，f→n/NTs得到S變換的離散形式:

式中:j，m，n=0，1，…，N－1;G(m，n)為高斯窗的傅立葉頻譜，其為:

利用FFT可迅速計算離散S變換，計算步驟為如下:

2)對頻率點(diǎn)n計算高斯窗傅立葉變換G(m，n);

5)重復(fù)步驟2)～4)，計算所有頻率采樣點(diǎn)對應(yīng)的S變換。

S變換的結(jié)果為1個N×N的二維矩陣，行對應(yīng)頻率，列對應(yīng)采樣時刻，矩陣元素為幅值。對S變換結(jié)果取模得到S模時頻矩陣，其列向量表示信號在某一采樣時刻的幅值隨頻率變化的分布，其行向量表示信號在某一頻率上的幅值隨時間變化的分布。S變換結(jié)果直觀反映了信號的時頻特征，適合于非平穩(wěn)信號分析。

2 利用S變換模時頻矩陣相似度進(jìn)行目標(biāo)識別

根據(jù)數(shù)字圖像處理中相似度的基本思想［8］，設(shè)SA(j，n)為某類水下目標(biāo)輻射噪聲信號對應(yīng)的S模時頻矩陣，Sx(j，n)為水下目標(biāo)輻射噪聲測試樣本信號對應(yīng)的S模時頻矩陣，定義二者之間的相似度為:

根據(jù)待識別水下目標(biāo)輻射噪聲對應(yīng)的S模時頻矩陣與已知類型的水下目標(biāo)輻射噪聲對應(yīng)的S模時頻矩陣之間的相似度最大原理，判斷待識別目標(biāo)所屬類型。

3 實(shí)驗(yàn)結(jié)果

3.1 實(shí)驗(yàn)1

實(shí)驗(yàn)中，利用發(fā)射換能器發(fā)射不同頻率的信號代表5種不同的水下物體的輻射噪聲信號，分別為A，B，C，D，E類，信號采樣率為10 kHz，分析信號長度為6 400點(diǎn)。這些信號稱為標(biāo)準(zhǔn)樣本。對每類目標(biāo)信號標(biāo)準(zhǔn)樣本進(jìn)行S變換，得到對應(yīng)的標(biāo)準(zhǔn)樣本S模時頻矩陣。每類目標(biāo)隨機(jī)生成100個測試樣本，共計500個，在測試樣本上疊加20 dB的高斯白噪聲，其采樣率和分析信號長度與標(biāo)準(zhǔn)樣本一樣。

通過計算各類測試樣本S模時頻矩陣與標(biāo)準(zhǔn)樣本S模時頻矩陣之間的相似度來對測試樣本進(jìn)行識別。每類測試樣本與同類標(biāo)準(zhǔn)樣本之間的相似度范圍為:A類0.9684～0.9981，B類0.9703～0.9946，C類0.9982～0.9997，D類0.9985～0.9996，E類0.9588～0.9736。

表1給出了測試樣本S模時頻矩陣與標(biāo)準(zhǔn)樣本之間S模時頻矩陣之間的平均相似度。

表1 測試樣本與標(biāo)準(zhǔn)樣本之間的平均相似度Tab.1 Mean similarity between test and standard sample

由表1可見，每類測試樣本S模時頻矩陣與同類標(biāo)準(zhǔn)樣本S模時頻矩陣之間的平均相似度最大，且平均相似度均達(dá)到0.96以上。

3.2 實(shí)驗(yàn)2

在測試樣本上分別疊加40，30，20 dB的高斯白噪聲。每類信號分別在3種白噪聲環(huán)境下隨機(jī)取50個樣本，共計750個測試樣本。表2給出了測試樣本的識別結(jié)果。由表2可知，本文方法受噪聲影響小，幾乎可忽略不計。

表2 不同白噪聲下的識別結(jié)果Tab.2 Recognition results under various white noise

4 結(jié)語

本文通過計算水下目標(biāo)輻射噪聲對應(yīng)的S模時頻矩陣與標(biāo)準(zhǔn)樣本對應(yīng)的S模時頻矩陣之間的相似度大小來進(jìn)行水下目標(biāo)識別。每類測試樣本與同類標(biāo)準(zhǔn)樣本之間的平均相似度達(dá)到0.96以上，且該方法對噪聲不敏感，分類準(zhǔn)確度高，計算簡單，是一種有效的水下目標(biāo)識別方法。

［1］景志宏，林鈞清，錢建立，等.水下目標(biāo)識別技術(shù)的研究［J］.艦船科學(xué)技術(shù)，1999，21(4):38 －44.

JING Zhi-hong，LIN Jun-qing，QIAN Jian-li，et al.Study on underwater recognition technology［J］.Ship Science and Technology，1999，21(4):38 －44.

［2］吳開明，丁翠環(huán)，吳立新，等.水中目標(biāo)特性及探測剖析［J］.魚雷技術(shù)，2009，17(4):25 －30.

WU Kai-ming，DING Cui-huan，WU Li-xin，et al.Analysis on characteristics and identification of underwater targets［J］.Torpedo Technology，2009，17(4):25 －30.

［3］王峰，尹力，朱明洪.基于Hilbert-Huang變換的水聲信號特征提取及分類技術(shù)［J］.應(yīng)用聲學(xué)，2007，26(4):223－230.

WANG Feng，YIN Li，ZHU Ming-hong.Feature extraction and classification of underwater signals based on Hilbert-Huang transform［J］.Applied Acoustics，2007，26(4):223－230.

［4］滕月慧，劉平香，董陽澤.經(jīng)驗(yàn)?zāi)B(tài)分解方法在水下目標(biāo)分類中的應(yīng)用.［J］.艦船科學(xué)技術(shù)，2010，32(3):66 －69.

TENG Yue-hui，LIU Ping-xiang，DONG yang-ze.The application of empirical mode decomposition to underwater targets classification［J］.Ship Science and Technology，2010，32(3):66 －69.

［5］寧小玲，程江濤，趙緒明.基于維譜和SVM的水下目標(biāo)識別方法［J］.微計算機(jī)信息，2008，24(3－1):196－197.

NING Xiao-ling，CHENG Jiang-tao，ZHAO Xu-ming.A way to identify targets based on dimension spectrum and SVM［J］.Microcomputer Information，2008，24(3 － 1):196 －197.

［6］劉守亮，肖先勇，楊洪耕.基于S變換模時頻矩陣相似度的短時電能質(zhì)量擾動分類［J］.電網(wǎng)技術(shù)，2006，30(5):67－71.

LIU Shou-liang，XIAO Xian-yong，YANG Hong-geng.Classification of short duration power quality disturbance based on module time-frequency matrixes similarity by S-transform［J］.Power System Technology，2006，30(5):67－71.

［7］STOCKWELL R G， MANSINHA L， LOWE R P.Localization of the complex spectrum:The S－transform［J］.IEEE Trans.on Signal Process，1996，44(4):998 －1001.

［8］許錄平.數(shù)字圖像處理［M］.北京:科學(xué)出版社，2007.

XU Lu-ping.Digital image processing［M］.Beijing:Science Publishing，2007.

Application study on underwater target recognition based on S-transform

XU Xi1，SHI Min1，2
(1.No 91388 Unit of PLAN，Zhanjiang 524022，China;2.Science and Technology on Underwater Acoustic Antagonizing Laboratory，Zhanjiang 524022，China)

Underwater target recognition based on S-transform with module time-frequency matrixes similarity was studied in the paper.Compute the similarity rate between S-transform with module timefrequency matrixes of test sample and which of normal sample.Test sample was recognized according to maximum similarity principle.The method can achieve target recognition directly without using auxiliary classifier.The computing process was simple and fast.Simulation and test show the method was suited to underwater target recognition because of its high recognition rate and insensitive to noise

target recognition;S-transform;classifier;similarity rate

TP391

A

1672－7649(2012)03－0085－03

10.3404/j.issn.1672－7649.2012.03.018

2011－04－12;

2011－07－21

徐襲(1978－)男，碩士，工程師，主要從事水聲信號處理及DSP等方面的研究。