潘 琳, 張效民, 劉義海
?
一種基于小波分頻帶統(tǒng)計(jì)特征的艦船分類識(shí)別方法
潘 琳, 張效民, 劉義海
(西北工業(yè)大學(xué) 航海學(xué)院, 陜西 西安, 710072)
為了有效提高艦船目標(biāo)的識(shí)別率, 提出了一種基于小波分頻帶統(tǒng)計(jì)特征的艦船分類識(shí)別方法。該方法利用小波變換分別提取了艦船輻射噪聲帶內(nèi)信號(hào)的小波模極大值和帶外信號(hào)的分頻段能量?jī)深愄卣? 并將兩類目標(biāo)特征的聯(lián)合量作為艦船的目標(biāo)特征用以識(shí)別艦船目標(biāo)。同時(shí)利用實(shí)測(cè)海錄58組艦船的輻射噪聲數(shù)據(jù)對(duì)上述艦船目標(biāo)特征的分類識(shí)別方法進(jìn)行了驗(yàn)證, 結(jié)果表明, 利用聯(lián)合特征對(duì)目標(biāo)的檢測(cè)概率可以達(dá)到97%以上。
艦船輻射噪聲; 小波變換; 特征提取;目標(biāo)分類識(shí)別
傳統(tǒng)的目標(biāo)識(shí)別技術(shù)[1]一般基于傅里葉分析方法。傅里葉變換是一種全局變換, 要么完全在時(shí)域, 要么完全在頻域, 給信號(hào)的分析帶來一定的局限性, 很難獲得信號(hào)的時(shí)頻局部性質(zhì)。盡管后來人們提出了短時(shí)傅里葉變換(short-time Fourier transform, STFT)[2], 其窗口函數(shù)通過函數(shù)時(shí)間軸的平移與頻率限制得到, 但由此得到的時(shí)頻分析窗口具有固定大小。對(duì)于非平穩(wěn)信號(hào)而言, 需要時(shí)頻窗口具有可調(diào)的性質(zhì), 即在高頻部分具有較好的時(shí)間分辨率, 低頻部分具有較好的頻率分辨率的特征, 為此引入時(shí)間和尺度可調(diào)的窗函數(shù), 并定義了小波變換。水下被動(dòng)探測(cè)系統(tǒng)接收到艦船目標(biāo)的輻射噪聲具有非平穩(wěn)特性[3], 艦船輻射噪聲經(jīng)小波變換之后, 不同的尺度上的小波系數(shù)反映了對(duì)應(yīng)頻段上的艦船信息。研究發(fā)現(xiàn), 艦船輻射噪聲最為豐富的頻段是0~1 kHz[4], 1 kHz以上的信號(hào)主要是螺旋槳空化所產(chǎn)生的連續(xù)噪聲分量, 因此, 本文規(guī)定1 kHz以下的信號(hào)為帶內(nèi)信號(hào)[5], 1 kHz以上的信號(hào)為帶外信號(hào)。文獻(xiàn)[6]中, 對(duì)輻射噪聲在整個(gè)頻段內(nèi)提取了小波模極大值和分頻段能量, 重復(fù)處理且計(jì)算量大, 不利于工程實(shí)踐。文獻(xiàn)[7]中, 雖然計(jì)算量小, 只提取一種噪聲特征, 但檢測(cè)概率低。本文分別提取艦船輻射噪聲帶內(nèi)信號(hào)的小波模極大值和帶外信號(hào)的分頻段能量?jī)深愄卣? 將兩類特征的聯(lián)合特征作為目標(biāo)特征, 識(shí)別艦船目標(biāo)。經(jīng)過大量的試驗(yàn)仿真, 利用聯(lián)合特征作為艦船的目標(biāo)特征分類目標(biāo), 取得了良好的分類效果。
本文利用離散小波分解將艦船輻射噪聲分解為帶內(nèi)信號(hào)和帶外信號(hào), 根據(jù)不同頻帶攜帶信息量的差異采用合理的特征提取方法, 充分利用噪聲包含的所有艦船信息, 在獲得攜帶信息量最豐富的頻帶信息的同時(shí), 又不浪費(fèi)信息量較少的頻帶所包含的信息, 將兩類特征的聯(lián)合量作為目標(biāo)特征識(shí)別艦船目標(biāo), 提高識(shí)別率。利用小波變換多分辨率特性, 若選擇合適的信號(hào)采樣率和小波變換尺度可得到輻射噪聲的帶內(nèi)信號(hào)(是艦船信息量最豐富的頻段, 對(duì)應(yīng)小波變換低頻系數(shù))和帶外信號(hào)(對(duì)應(yīng)小波變換細(xì)節(jié)系數(shù)), 然后對(duì)帶內(nèi)信號(hào)提取小波模極大值, 對(duì)帶外信號(hào)提取分頻段能量, 得到艦船輻射噪聲的聯(lián)合目標(biāo)特征。獲得艦船目標(biāo)特征的流程如圖1所示。
圖1 艦船目標(biāo)特征提取流程圖
則稱0為小波變換在尺度下的局部模極大值。
圖2 A目標(biāo)帶內(nèi)的小波模極大值
圖3 B目標(biāo)帶內(nèi)的小波模極大值
由圖2和圖3可知,目標(biāo)的小波模極大值的數(shù)量在每個(gè)尺度上明顯多于目標(biāo)的小波模極大值數(shù)量, 在尺度2上尤為突出。因此, 選取帶內(nèi)信號(hào)在各個(gè)尺度上模極大值的數(shù)量與總點(diǎn)數(shù)的比值可以作為目標(biāo)特征, 4個(gè)尺度對(duì)應(yīng)有4個(gè)特征量。
利用小波變換獲得的帶外信息, 統(tǒng)計(jì)帶外信號(hào)各個(gè)頻段內(nèi)信號(hào)的能量。文獻(xiàn)[10]所述小波變換是2個(gè)希爾伯特空間的等距變換, 即
以采樣間隔對(duì)信號(hào)()進(jìn)行采樣后, 連續(xù)小波變換的定義變?yōu)?/p>
式中:為采樣點(diǎn)數(shù);為對(duì)應(yīng)的平移點(diǎn)數(shù)??傻门c對(duì)應(yīng)的頻率=/的輸出信號(hào)功率譜, 即為離散情況下的尺度-小波能量譜
式中:D為帶寬。
在1.1節(jié)中, 帶外信號(hào)的信息主要由細(xì)節(jié)系數(shù)1,2,3,4,5攜帶, 用上文所述統(tǒng)計(jì)1,2,3,4,5尺度上攜帶的能量即分頻帶能量, 作為艦船目標(biāo)帶外信號(hào)特征。在圖4和圖5中分別為目標(biāo)和目標(biāo)帶外信號(hào)的每一層能量占總能量的百分比[6]。
并由圖4和圖5可知,目標(biāo)和目標(biāo)的分頻段能量百分比有較大差異, 每個(gè)細(xì)節(jié)系數(shù)對(duì)應(yīng)的頻段上, 兩類目標(biāo)的能量走勢(shì)不同,目標(biāo)的主要能量分布在第5層,目標(biāo)的能量在第5層最大, 在2, 3, 4層也包含了大量能量, 因此分頻段能量可以作為這兩類艦船目標(biāo)的帶外特征, 區(qū)分艦船。如圖4和圖5所示, 5個(gè)細(xì)節(jié)信息對(duì)應(yīng)5個(gè)特征量。
圖4 A目標(biāo)分頻段能量百分比
圖5 B目標(biāo)分頻段能量
本文使用的分類器是反向傳播神經(jīng)網(wǎng)絡(luò)分類器[11], 共2層, 第1層有10個(gè)神經(jīng)元年, 第2層有1個(gè)神經(jīng)元, 利用1.2節(jié)和1.3節(jié)所述的方法, 試驗(yàn)數(shù)據(jù)是實(shí)測(cè)58組艦船輻射噪聲, 信噪比為6 dB, 取艦船正橫通過時(shí)大約1 min的輻射噪聲, 并進(jìn)行歸一化處理, 提取輻射噪聲帶內(nèi)信號(hào)的小波模極大值和帶外信號(hào)的分頻段能量這兩個(gè)特征, 結(jié)合這兩類目標(biāo)特征作為艦船目標(biāo)的聯(lián)合特征, 可獲得58組聯(lián)合特征, 其中每組目標(biāo)聯(lián)合特征中包含9個(gè)特征量, 這9個(gè)特征量作為反向傳播神經(jīng)網(wǎng)絡(luò)分類器的輸入。取10組聯(lián)合特征作為分類器的學(xué)習(xí)樣本訓(xùn)練分類器, 獲得分類器合適的系數(shù)和閾值。
剩余48組特征量作為驗(yàn)證樣本輸入已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)分類器中, 計(jì)算聯(lián)合特征識(shí)別目標(biāo)的識(shí)別概率。用同樣的方法分別計(jì)算小波模極大值和分頻段能量作為目標(biāo)特征的識(shí)別概率, 表1是比較小波模極大值、分頻段能量和聯(lián)合特征3種目標(biāo)特征的識(shí)別概率。
表1 3種目標(biāo)特征的分類結(jié)果
Table 1 The classification results of three kinds of target characteristics
由表1可知, 應(yīng)用小波模極大值作為目標(biāo)特征的識(shí)別概率高于分頻段能量的, 這是由于帶內(nèi)信號(hào)攜帶的信息量多于帶外信號(hào), 與理論一致。此外, 使用艦船目標(biāo)的聯(lián)合特征作為目標(biāo)特征比用一類特征時(shí)的識(shí)別率有明顯的提高。
小波變換的多分辨率使信號(hào)分布在不同頻帶上, 可以根據(jù)頻帶內(nèi)信息量差異提取合適的目標(biāo)特征。本文正是利用小波變換的多分辨率將艦船輻射噪聲分為帶內(nèi)信號(hào)和帶外信號(hào), 并提取帶內(nèi)外的目標(biāo)特征。大量的試驗(yàn)仿真表明, 使用目標(biāo)的聯(lián)合特征作為目標(biāo)特征識(shí)別艦船目標(biāo)可以提高艦船目標(biāo)的識(shí)別率。
[1] 張賢達(dá), 保錚. 非平穩(wěn)信號(hào)分析與處理[M]. 北京: 國(guó)防工作出版社, 1999.
[2] 程禮智, 郭漢偉. 小波域離散變換理論及工程實(shí)踐[M]. 北京: 清華大學(xué)出版社, 2004.
[3] 陶篤純. 螺旋槳空化噪聲[J]. 聲學(xué)技術(shù), 1982, 7(6): 344-350.
[4] 梁學(xué)章. 小波分析[M]. 北京: 國(guó)防工業(yè)出版社, 2005.
[5] 王攀, 沈繼忠, 施錦河. 基于小波變換和時(shí)域能量熵的P300特征提取算法[J]. 儀器儀表學(xué)報(bào), 2011, 32(6): 1285-1289.Wang Pan, Shen Ji-zhong, Shi Jin-he. P300 Feature Extraction Algorithm Based on Wavelet Transform and Temporal Energy Entropy[J]. Chinese Journal of Scientific Instrument, 2011, 32(6): 1285-1289.
[6] 張靜遠(yuǎn), 張冰, 蔣興舟. 基于小波變換的特征提取方法分析[J]. 信號(hào)處理, 2000(6): 156-162.
[7] 馬君國(guó), 趙宏重, 李保國(guó), 等. 基于二維小波變換的空間目標(biāo)識(shí)別算法[J]. 國(guó)防科技大學(xué)學(xué)報(bào), 2006, 28(1): 58-61.Ma Jun-guo, Zhao Hong-zhong, Li Bao-guo, et al. Space Target Recognition Algorithm Based on Two-dimensional Wavelet Transform[J]. Journal of National University of Defense Technology, 2006, 28(1): 58-61.
[8] 飛思科技產(chǎn)品研發(fā)中心. 小波分析理論與matlab7實(shí)現(xiàn)[M].北京: 電子工業(yè)出版社, 2005.
[9] Mix F D, Olejniczak J K. Elements of Wavelets for Engineers and Scientists[M]. 楊志華, 譯. 北京: 機(jī)械工業(yè)出版社, 2005.
[10] 辛欣. 基于時(shí)頻分析水下目標(biāo)特征提取[D]. 西安: 西北工業(yè)大學(xué), 2007.
[11] 周開利, 康耀紅. 神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)[M] . 北京: 清華大學(xué)出版社, 2004.
An Identification Method of Ship Classification Based on Wavelet Frequency Band Statistical Features
PAN Lin, ZHANG Xiao-min, LIU Yi-hai
(College of Marine Engineering, Northwestern Ploytechnical University, Xi′an 710072, China)
This paper proposes an identification method of ship classification based on wavelet frequency band statistical features to improve effectively the detection probability of a ship. In this method, the maximum of wavelet modulus for in-band signal of ship-radiated noise and the frequency band energy of outer band signal are extracted, respectively, by using wavelet transform, and the combination of the two target features is used for identifying a ship target. This method is verified by 58 sets of measured data of radiated noise from sea trial, and the results show an improved detection probability of 97%.
ship-radiated noise; wavelet transform; feature extraction; target classification identification
TJ630.34; TB533.2
A
1673-1948(2013)01-0076-05
2012-09-17;
2012-10-08.
潘 琳(1988-), 女, 在讀碩士, 主要研究方向?yàn)樗潞叫衅髂繕?biāo)識(shí)別.
(責(zé)任編輯: 許 妍)