基于聽覺特征的艦船輻射噪聲分類研究

劉　磊，段俊奇，劉軼銘， 翁麗娜

(中國電子科學(xué)研究院，北京　100041)

?

工程與應(yīng)用

基于聽覺特征的艦船輻射噪聲分類研究

劉磊，段俊奇，劉軼銘， 翁麗娜

(中國電子科學(xué)研究院，北京100041)

本文根據(jù)人耳聽覺機(jī)理，分析了人耳聽覺感受和辨物過程，針對艦船輻射噪聲識別，從音色的角度尋求新的基于聽覺模型的目標(biāo)識別特征。提出了艦船輻射噪聲的譜通量、最大譜峰對應(yīng)的頻率值和時間重心三個聽覺特征，研究了這三個聽覺特征量的物理意義及提取方法，設(shè)計了適用于艦船輻射噪聲分類識別的BP神經(jīng)網(wǎng)絡(luò)分類器。采用實際的艦船輻射噪聲進(jìn)行綜合試驗，從分類的結(jié)果可以得出，基于聽覺特征提取方法對艦船輻射噪聲識別率高于傳統(tǒng)的統(tǒng)計特征提取方法，達(dá)到了預(yù)想的效果。

艦船輻射噪聲；聽覺特征；特征提取；神經(jīng)網(wǎng)絡(luò)；目標(biāo)識別

0　引　言

水面艦艇及水下潛艇在海戰(zhàn)中先敵發(fā)現(xiàn)并快速有效地對敵采取水聲對抗措施，正確快速地識別目標(biāo)是取得勝利的前提[1-2]。因此，依據(jù)聲納接收到的艦船輻射噪聲信號對目標(biāo)進(jìn)行分類識別是當(dāng)前熱點研究的關(guān)鍵技術(shù)。

艦船輻射噪聲識別的關(guān)鍵在于艦船輻射噪聲有效特征的提取[3]，因此，國內(nèi)外研究學(xué)者在特征提取方面進(jìn)行了大量的研究。目前基于艦船輻射噪聲的特征提取方法主要是統(tǒng)計特征提取方法，即對各種域內(nèi)信號的變換技術(shù)。在時域中，采用平均、匹配濾波、相關(guān)等處理方法提取艦船輻射噪聲的波列面積分布、過零點分布、波長差分布和峰間幅值分布等波形的結(jié)構(gòu)特征[4-5]。在頻域中，對目標(biāo)信號進(jìn)行功率譜分析，提取艦船輻射噪聲信號中的功率譜的線譜特征、形狀特征等[6]。在時-頻分析方法中，主要利用短時傅立葉變換、Gabor變換、小波變換及Wigner-Ville分布等提取艦船輻射噪聲的信息特征[7-8]。這些方法雖然在實驗室中有效，但由于自噪聲影響、海洋環(huán)境復(fù)雜及水下目標(biāo)發(fā)聲機(jī)理復(fù)雜等原因這些方法在實際應(yīng)用中目標(biāo)識別率仍然無法達(dá)到預(yù)期要求。

聽覺特征在水聲信號處理領(lǐng)域的研究較少，國內(nèi)外現(xiàn)有的聽覺特征分析方法的研究主要是針對語音聲學(xué)信號方面[9]，提出了大量的基于聽覺模型的語音特征提取算法[10]，例如: 基于中心削波的自相關(guān)算法，時域并行處理法，平穩(wěn)恒Q特征法，基于語音的倒譜法，簡化逆濾波法，基于聽覺模型的子波變換處理法等。這些算法從不同角度，根據(jù)人耳聽覺感受和辨物過程，對聲音信號的特征進(jìn)行了有效提取，并取得了很好的效果。雖然聽覺特征應(yīng)用于目標(biāo)識別領(lǐng)域的研究相對較少，然而己有研究者通過建立人耳聽覺模型，采用與人耳特性相近的小波變換方法來提取目標(biāo)特征[11]。

本論文通過對人耳聽覺機(jī)理的研究，針對艦船輻射噪聲識別，從音色的角度尋求新的基于聽覺模型的艦船輻射噪聲特征提取方法。同時，設(shè)計BP神經(jīng)網(wǎng)絡(luò)分類器[12-13]，對實測艦船輻射噪聲進(jìn)行識別。

1　聽覺特征提取方法

本文主要從聲音的音色來提取艦船輻射噪聲的聽覺特征。音色是指人對聲音的感覺，是由聲音波形的包絡(luò)和諧波頻率決定。因此，聲音的音色與聲音的頻域特性、時域特性和時-頻特性均有關(guān)。其中，譜通量特征對應(yīng)聲音的頻域特性，最高譜峰值特征對應(yīng)聲音的時-頻特性，時間重心特征對應(yīng)聲音的時域特性，這三個特征能較全面地描述艦船輻射噪聲音色的三個方面。本文將根據(jù)音色的三個方面來研究的艦船輻射噪聲，從而進(jìn)行識別分類。

1.1譜通量特征

聲音信號的譜通量描述人耳隨時間對聲音的感受程度，即在時間軸上的頻率過渡特性。它模擬了人耳聽覺的非線性分辨特性，反映了聲音信號大量且重要的特征信息，強(qiáng)烈地影響了主觀音色，更接近于人的聽覺感受。

皮爾森相關(guān)系數(shù)表示兩個變量的線性相關(guān)程度，取值范圍從+1到-l。當(dāng)相關(guān)系數(shù)為+1時，兩個變量是完美的正線性相關(guān)；當(dāng)相關(guān)系數(shù)為-l時，兩個變量是完美的負(fù)線性相關(guān)；當(dāng)相關(guān)系數(shù)為0時，兩個變量沒有線性相關(guān)性。一般的相關(guān)系數(shù)在-1到1之間[14]。

設(shè)兩個樣本空間X、Y，每個樣本空間均有n個樣本，它們之間的皮爾森相關(guān)系數(shù)的計算公式如下：

(1)

譜通量是描述艦船噪聲信號用在時間上頻譜的變化量，即為短傅立葉變換(STFT)的頻譜之間的平均相關(guān)性，計算公式如下：

(2)

其中，M是噪聲信號所分成時間框的數(shù)量；rk，rk-1是相鄰兩個時間幀的頻譜向量之間的皮爾森相關(guān)系數(shù)。

1.2最高譜峰值特征

信號功率譜表示信號能量隨機(jī)分布情況，表示信號的頻率成分以及相應(yīng)頻率成分的能量大小情況。噪聲信號功率譜最大峰值對應(yīng)的頻率值(最高譜峰值)代表信號能量最大的頻率值，這反應(yīng)了人耳感受到的響度最大的音調(diào)，將聽覺主觀感受的響度和音調(diào)特征結(jié)合起來，也反映了音色的描述聲音特征的綜合性。

最高譜峰值特征的提取步驟如下：

(1)首先對時域波形預(yù)處理，即對波形進(jìn)行歸一化處理；

(2)對時域序列加海明窗后做2048點離散FFT，取模的平方得到信號的離散功率譜，并將功率的單位轉(zhuǎn)化為分貝；

(3)最后找出噪聲信號功率譜最大峰值對應(yīng)的頻率值。

1.3時間重心特征

信號時域圖反映了信號能量隨機(jī)分布情況，即反映了信號能量隨時間的變化情況，當(dāng)信號中的時間序列的能量比發(fā)生變化時，時間重心位置也將發(fā)生變化，影響著聲音強(qiáng)度的時間特性，它反應(yīng)了人耳感受到的聲音強(qiáng)度隨時間變化的情況。由此可見，通過描述時間重心位置的變化可以較好地描述艦船噪聲信號時域特征地變化。

為了能夠比較全面而又簡便地反映能量隨時間的變化情況，引人時間重心指標(biāo)TC來描述整個時域圖及其變化：

(3)

這里，我們假定每個時間序列均為獨立的時間序列，且從t=0開始。其中，E(t)為時域圖上t時刻所對應(yīng)的能量值：

(4)

其中，x(t)為時域艦船噪聲信號。

2　BP神經(jīng)網(wǎng)絡(luò)分類

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，是人工神經(jīng)網(wǎng)絡(luò)中的模型結(jié)構(gòu)。BP神經(jīng)網(wǎng)絡(luò)的激活函數(shù)采用S型函數(shù)，輸出0到1之間的連續(xù)量，可實現(xiàn)從輸入到輸出的任意非線性變換。

本文研究適用于艦船輻射噪聲識別與分類的神經(jīng)網(wǎng)絡(luò)分類器。由于其背景噪聲以及水聲信道的復(fù)雜性，艦船輻射噪聲信號存在強(qiáng)的非線性性，而且艦船輻射噪聲的各個類別之間相互交錯嚴(yán)重。因此，艦船輻射噪聲信號的分類器需要使用具有非線性隱層的網(wǎng)絡(luò)。本文所研究的艦船輻射噪聲目標(biāo)共有八種，目標(biāo)類別比較少，因此采用包括一個非線性隱層單元的三層BP神經(jīng)網(wǎng)絡(luò)，如圖1所示。

圖1　BP神經(jīng)網(wǎng)絡(luò)艦船輻射噪聲分類器

設(shè)輸入為(p1,p2,…,pr)T，輸出為 (y1,y2,…,yc)T。c為輸出層的節(jié)點個數(shù)，通常為分類的類別數(shù)，y0=1，wk0=bk為閾值。輸出層的各個節(jié)點的輸入輸出為：

(5)

(6)

輸入層的神經(jīng)元個數(shù)由所提取特征的維數(shù)來確定，本文采用聽覺特征和傳統(tǒng)的統(tǒng)計特征兩種提取方法，輸入層的神經(jīng)元個數(shù)分別根據(jù)提取的特征向量維數(shù)來確定。

隱層為非線性層，激活函數(shù)采用S型激活函數(shù)tansig。經(jīng)過試驗分析，隱層神經(jīng)元個數(shù)一般取為8-12個。

輸出層為線性層，激活函數(shù)采用采用線性激活函數(shù)purelin。輸出層的神經(jīng)元個數(shù)為目標(biāo)類別個數(shù)，本文包含八種艦船輻射噪聲，因此輸出層的神經(jīng)元個數(shù)為8個。

該BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)采用最大循環(huán)次數(shù)max-epoch=5000，修正權(quán)值的學(xué)習(xí)率為1r-0.01，期望誤差的最小值為err-goal=0.001，其學(xué)習(xí)算法使用Gradient-Descent-Backpropagation算法，用函數(shù)traingd實現(xiàn)。

3　綜合分類試驗

3.1艦船輻射噪聲實例

本論文涉及到八個種類的艦船輻射噪聲實例：主動聲納信號(ACT)、航母(AIR)、軍火船(AUX)、潛艇(CSB)、漁船(FSH)、潛艇水面航行(NSB)、海洋噪聲(OCEAN)、魚雷(TPD)。其中，航母、軍火船、潛艇水面航行為水面大型艦船；漁船為水面小型艦船；潛艇為水下艦船；魚雷、主動聲納信號均屬于主動聲納信號。八條不同類別的艦船輻射噪聲的頻譜圖如圖2所示。

圖2　八條不同類別的艦船輻射噪聲時域波形

在試驗中，共提取了八個種類的480個艦船輻射噪聲樣本的特征。每個種類中均包含有60個樣本，將這八類艦船輻射噪聲的前20個樣本組成訓(xùn)練樣本集，將剩下的后40個樣本組成測試樣本集。本次試驗中的艦船輻射噪聲信號的長度均為6 300個采樣點，時間長度為0.785 s，信號首先經(jīng)過預(yù)加重等預(yù)處理，然后進(jìn)行分幀、加窗，每幀長為95.2 ms，并且相鄰兩個時間幀有47.6 ms的時間重疊，窗函數(shù)采用海明窗。

3.2聽覺特征提取試驗

分別取八類艦船輻射噪聲的20個噪聲信號樣本進(jìn)行試驗，提取三個聽覺特征，其二維圖如圖3所示。其中，‘星號’代表主動聲納信號(ACT)；‘正方形’代表航母(AIR)；‘圓圈’代表軍火船(AUX)；‘加號’代表潛艇(CSB)；‘菱形’代表漁船(FSH)；‘右三角’代表潛艇水面航行(NSB)；‘下三角’代表海洋噪聲(OCEAN)；‘五角星’代表魚雷(TPD)。

圖3　聽覺特征的二維圖

在圖3中不同類別的艦船輻射噪聲的特征點落在了不同的區(qū)域。航母、軍火船和潛艇水面航行均為水面大型艦船，它們的特征會有一定的相似性，所以在圖中看到航母、軍火船和潛艇水面航行的特征點所在的區(qū)域位置很近。且航母、潛艇水面航行和潛艇的特征點所在的區(qū)域在圖3(b)中重疊面結(jié)較大，但在圖3(a)中它們所在的區(qū)域重疊面積較小，仍可分出艦船的種類。漁船、魚雷、主動聲納信號和海洋噪聲的特征點所在的區(qū)域均不同，幾乎沒有重疊。這說明艦船輻射噪聲的聽覺特征具有較好的可分性和聚類性。

3.3分類識別結(jié)果

在試驗中，分別采用傳統(tǒng)的統(tǒng)計特征提取方法和聽覺特征提取方法對海上實際的艦船輻射噪聲進(jìn)行了特征提取，再使用BP神經(jīng)網(wǎng)絡(luò)分類器對這兩種方法提取的特征進(jìn)行分類識別。

為提高BP神經(jīng)網(wǎng)絡(luò)分類器的訓(xùn)練速度，首先提取第一類艦船輻射噪聲的20個樣本的特征，然后再提取第二類艦船輻射噪聲20個樣本的特征，依次進(jìn)行下去，組成一個大的樣本特征矩陣去訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。由于BP神經(jīng)網(wǎng)絡(luò)的輸出層的八個神經(jīng)元分別對應(yīng)八個種類的艦船輻射噪聲，因此，在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時定義輸出層中對應(yīng)目標(biāo)種類的那個神經(jīng)元輸出1，而其他七個神經(jīng)元輸出0。用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對測試樣本集的艦船輻射噪聲信號進(jìn)行識別，如果輸出層某個神經(jīng)元的輸出值大于0.5，并且是輸出層各神經(jīng)元輸出的最大值，則表示識別成功。

統(tǒng)計特征提取的方法已較為廣泛的應(yīng)用于艦船輻射噪聲識別中，是一種傳統(tǒng)的特征提取方法。將艦船輻射噪聲的11維統(tǒng)計特征(功率譜峰值，平均功率，功率譜峰值的頻率，平均頻率，頻率帶寬，平均頻率峭度，功率的標(biāo)準(zhǔn)差，功率斜度，在頻率上功率斜度，功率峭度，在頻率上功率峭度)作為目標(biāo)識別的特征輸入BP神經(jīng)網(wǎng)絡(luò)分類器，結(jié)果如表1所示。訓(xùn)練輸入采用11×160的數(shù)組，識別輸入采用11×320的數(shù)組。從表1中的識別率可以看出，傳統(tǒng)的統(tǒng)計特征提取方法對艦船輻射噪聲的平均識別率為87.81%，具有一定的分類性。

表1　基于傳統(tǒng)統(tǒng)計特征的分類識別結(jié)果

表2為BP神經(jīng)網(wǎng)絡(luò)分類器根據(jù)本文提出的三個聽覺特征進(jìn)行分類的結(jié)果。依據(jù)對艦船輻射噪聲的聽覺特征提取方法，推出訓(xùn)練輸入為3×160的數(shù)組，識別輸入為3×320的數(shù)組。依據(jù)表2的結(jié)果可以看出，根據(jù)艦船輻射噪聲的聽覺特征進(jìn)行分類識別，平均識別率達(dá)到了92.5%。與表1的結(jié)果相比可知，應(yīng)用根據(jù)艦船輻射噪聲的聽覺特征進(jìn)行分類有更高的識別率，說明采用基于聽覺特征的特征提取方法具有更好的分類性。

表2　基于三個聽覺特征的分類識別結(jié)果

將3個聽覺特征和11個統(tǒng)計特征綜合起來，構(gòu)成14維矢量，作為目標(biāo)識別的總特征輸入BP神經(jīng)網(wǎng)絡(luò)分類器。表3所示為BP神經(jīng)網(wǎng)絡(luò)分類器對14維的綜合特征進(jìn)行分類的結(jié)果，訓(xùn)練輸入為14×160的數(shù)組，識別輸入為14×160的數(shù)組。與表1、表2相比，基于綜合特征的目標(biāo)識別方法的平均識別率最高，達(dá)到94.69%，說明將聽覺特征和統(tǒng)計特征結(jié)合起來輸入BP神經(jīng)網(wǎng)絡(luò)，具有最高的識別率。

表3　基于聽覺特征和統(tǒng)計特征綜合的分類識別結(jié)果

4　結(jié)　語

本文根據(jù)人耳聽覺機(jī)理提出了譜通量、最大譜峰對應(yīng)的頻率值和時間重心三個聽覺特征，設(shè)計了用于艦船輻射噪聲分類的BP神經(jīng)網(wǎng)絡(luò)分類器。采用實際的艦船輻射噪聲進(jìn)行綜合試驗，從分類的結(jié)果可以得出，基于聽覺特征提取方法對艦船輻射噪聲識別率高于傳統(tǒng)的統(tǒng)計特征提取方法，達(dá)到了預(yù)想的效果。當(dāng)然，將聽覺特征和統(tǒng)計特征結(jié)合起來輸入BP神經(jīng)網(wǎng)絡(luò)，具有最高的識別率。因此，對聽覺特征的研究有助于提高艦船輻射噪聲的識別率。

[1]沈廣楠. 艦船目標(biāo)識別技術(shù)研究. 哈爾濱工程大學(xué): 2012: 68.

[2]姜建平, 劉鵬仲, 張國龍. 艦船輻射噪聲模擬技術(shù)實現(xiàn)方法研究[J]. 艦船電子工程, 2015, 35(4): 86-89.

[3]田池, 劉雨東, 張宇. 艦船輻射噪聲總聲級及總能量的統(tǒng)計分析[J]. 艦船科學(xué)技術(shù), 2012, 34(8): 83-86.

[4]胡光波, 梁紅, 徐騫. 艦船輻射噪聲混沌特征提取方法研究[J]. 計算機(jī)仿真, 2011, 28(2):22-24, 34.

[5]楊玲, 鄭思儀. 基于混沌理論的艦船輻射噪聲特征提取[J]. 海軍工程大學(xué)學(xué)報, 2014, 26(4):51-54,62.

[6]陳鳳林, 林正青, 彭圓, 牟林, 等. 艦船輻射噪聲的高階統(tǒng)計量特征提取及特征壓縮[J]. 應(yīng)用聲學(xué), 2010, 29(6): 466-470.

[7]王夢璇, 基于小波包分解的艦船輻射噪聲特征提取方法研究[J]. 電子設(shè)計工程, 2014, 22(4):81-83.

[8]胡偉文, 苑秉成, 楊鵬, 姜禮平. 基于小波能量譜的艦船目標(biāo)信號特征量建模[J]. 系統(tǒng)仿真學(xué)報, 2007, 19(17): 4025-4027.

[9]朱堅民,張雷, 翟東婷, 雷靜桃. 基于聲音多特征貝葉斯網(wǎng)絡(luò)融合的話者識別研究[J]. 儀器儀表學(xué)報, 2013, 34(9): 2058-2067.

[10]梁瑞宇, 趙 力, 奚 吉, 張學(xué)武, 王青云. 基于聽覺仿生和壓縮感知的助聽器聲源定位方法[J].儀器儀表學(xué)報, 2011，32(6): 1391-1395.

[11]Simon Tucker, Guy J. Brown. Classification of transient sonar sounds using perceptually motivated features[J]. IEEE Journal of Oceanic Engineering, 2005, ( 3): 1-13.

[13]張德慧, 張德育, 劉清云, 呂艷輝. 基于粒子群算法的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化技術(shù)[J]. 計算機(jī)工程與設(shè)計, 2015, 36(5): 1321-1326.

[12]WANG Yu-xi, LIU Bo, GAO Jixian, ZHANG Xuefeng. Auto recognition of carbonate microfacies based on an improved back propagation neural network [J]. Journal of Central South University. 2015, 22: 3521-3535.

[14]王涓, 吳旭鳴, 王愛鳳. 應(yīng)用皮爾遜相關(guān)系數(shù)算法查找異常電能表用戶[J]. 電力需求側(cè)管理, 2014,16(2): 52-54.

劉磊(1987—)，女，河北人，博士，主要研究方向為水下無線傳感器網(wǎng)絡(luò)、無線通信網(wǎng)絡(luò)；E-mail：liulei_ioa@163.com

段俊奇(1987—)，男，湖南人，博士，主要研究方向為無線通信網(wǎng)絡(luò)；

劉軼銘(1988—)，男，北京人，博士，主要研究方向為無線通信網(wǎng)絡(luò)；

翁麗娜(1984—)，男，河北人，博士，主要研究方向為無線通信網(wǎng)絡(luò)。

Classification of Ship Radiated Noise Based on Auditory Features

LIU Lei，DUAN Jun-qi，LIU Yi-ming，Weng Li-na

(China Academy of Electronic and Information Technology, Beijing 100041, China)

According to the features of the human auditory system, auditory perception and distinguish object mechanism are investigated. New object recognition features based on auditory mode are found from the perspective of timbre of ship radiated noise. The first key point is that three auditory features of spectral flux, highest frequency peak and center of time gravity are proposed. And the physical significance and the extraction methods of the three auditory features are studied in this paper. Moreover, back-propagation neural network classifier is designed to recognize ship radiated noise. Finally, a comprehensive experiment is carried on using the actual ship radiated noise signal. The results show that the method based on auditory features performed better than the method based on traditional statistical features.

ship radiated noise；auditory feature；feature extraction；neural network；target recognition

10.3969/j.issn.1673-5692.2016.04.013

2016-03-28

2016-06-21

高動態(tài)方向性多跳自組網(wǎng)傳輸調(diào)度理論研究與實現(xiàn)(61501415)

TB566

A

1673-5692(2016)04-401-06