基于短時處理和經驗模態(tài)分解的地面戰(zhàn)場目標被動聲識別

孫國強， 樊新海， 張傳清

(裝甲兵工程學院 機械工程系， 北京 100072)

基于短時處理和經驗模態(tài)分解的地面戰(zhàn)場目標被動聲識別

孫國強， 樊新海， 張傳清

(裝甲兵工程學院 機械工程系， 北京 100072)

針對地面戰(zhàn)場目標的被動聲識別問題， 選取具有代表性的兩類坦克、 兩類履帶式裝甲車以及卡車作為被動聲識別目標對象， 以雷聲和槍聲作為干擾噪聲信號， 對所采集的聲信號進行短時能量分析， 得到聲信號的短時能量譜， 計算短時能量平均值， 利用閾值法篩選識別槍聲信號， 根據經驗設置閾值范圍； 而后， 利用經驗模態(tài)分解(The Empirical Mode Decompo-sition, EMD)方法處理聲信號， 使其自適應分解得到若干IMF分量， 計算IMF分量與原信號能量的比值作為特征值構建特征向量， 并利用BP神經網絡設計分類器， 建立了一種地面目標分級識別方法. 研究結果表明： 該方法對目標工況適應性強， 識別率可達90%以上.

短時能量； 經驗模態(tài)分解(EMD)； 目標識別； 神經網絡； 分級識別

Abstract: In order to identify the ground battlefield target through passive acoustic recognition, selected representative objectives include two kinds of tanks, two kinds of crawler armored vehicle, and truck as the noise acquisition; selected thunder and gunshot as interference noise signal, used short-time energy analysis method to process acoustic signals in order to obtain the short-time energy spectrum of acoustic signal, took the average of the short-time energy, used the threshold method to identify the gunshot signal, set threshold range according to the experience. Used EMD method to decompose the acoustic signal which could obtain several IMF components. The energy ratio of the IMF component to the original signal were used as the eigenvalue to construct the eigenvector. Used BP neural network to design the classifier to establish a method of ground target grading recognition. Research indicates that the method is adaptable to the target condition and classification rate can reach more than 90%.

Keywords: short-term energy; EMD; target classification; neural network; hierarchical classification

現(xiàn)代戰(zhàn)爭中對戰(zhàn)場透明度的要求越來越高， 戰(zhàn)場信息的獲取對戰(zhàn)場決策起到關鍵性影響. 地面戰(zhàn)場目標識別系統(tǒng)在獲取戰(zhàn)場信息方面具有高效、 全天候偵察目標、 受環(huán)境影響小、 戰(zhàn)場生存率高等優(yōu)點. 依據用來提取特征的對象種類， 地面戰(zhàn)場目標識別方法包括： 基于圖像特征的識別技術、 基于地面震波的識別技術[1]、 基于磁信號特征的識別技術、 基于雷達特征的識別技術[2,3]以及基于聲信號特征的識別技術等[4]. 其中， 基于聲信號特征的被動聲識別技術具有受天氣影響小， 適應地形地貌能力強， 隱蔽性好， 可組成多傳感器預警網絡等優(yōu)點[5]， 同時可以完成對機場、 橋梁、 彈藥庫及油庫等重要戰(zhàn)略設施的無人值守. 本文針對軍用地面?zhèn)刹鞕C器人對坦克、 履帶式裝甲車等地面戰(zhàn)斗目標進行被動聲識別的要求， 利用短時處理和經驗模態(tài)分解(The Empirical Mode Decompo-sition, EMD)方法提取特征向量， 結合閾值和BP神經網絡對目標進行分級識別.

1 噪聲信號的獲取

地面戰(zhàn)場被動聲目標識別對象主要包括坦克、 裝甲車、 卡車以及短時沖擊聲目標如槍聲等. 本實驗選取兩種型號的坦克、 兩種型號的履帶式裝甲車、 卡車以及易對識別造成干擾的槍聲， 并選取了以雷聲為代表的自然噪聲作為干擾項. 其中， 坦克及裝甲車輛運動狀況復雜， 以其不同轉速、 不同運動狀態(tài)所產生的噪聲作為數據采集對象. 坦克和履帶式裝甲車等車輛履帶所發(fā)出的噪聲頻帶范圍較寬， 除此外， 一般車輛噪聲頻率均小于4 kHz[6]， 因此設置采樣頻率8 kHz， 采樣點數32 768， 數據長度4.096 s， 對采集到的樣本進行去均值處理. 樣本數量如表 1 所示.

表 1 樣本數量統(tǒng)計

圖 1 噪聲信號時域波形及短時能量Fig.1 Time domain waveform and short-time energy

2 特征提取

2.1 基于短時處理的特征提取

2.2 基于EMD的特征提取

經驗模態(tài)分解(The Empirical Mode Decompo-sition， EMD)方法[7]具有自適應性， 適用于分析非線性和非穩(wěn)態(tài)過程[8,9]. 從4.096 s的樣本中選取長度為3 s的相對平穩(wěn)的數據進行EMD分解[6]， 每次分解所得到的一組IMF (本文所列IMF包含分解得到的余項) 的個數見表 2. 為減少邊界效應對IMF能量計算造成的干擾， 舍棄第i個IMF的邊緣數據[5,6,10]， 選取其中間1 s的數據進行計算得到能量ei，特征值ki=ei/e原信號. 選取每組IMF計算得到的前 16個特征值構成一個特征向量， 數量不足的補0. 特征值ki的取值范圍見表 2. 圖 3 為ki的示意圖. 圖 3 中i為特征向量中特征值的序號.

表 2 信號EMD分解結果統(tǒng)計

圖 2 特征值ki示意圖Fig.2 Schematic diagram of eigenvalue ki

3 分類器設計

3.1 分級識別策略

實戰(zhàn)條件下， 不同目標的應對策略不同， 因此提出分級識別策略， 如圖 3 所示. 利用BP神經網絡實現(xiàn)分級識別時， 一種目標對應一個輸出向量， 如Ⅰ型坦克o1=[1,0,0,0,0,0]T、 Ⅱ型坦克o2=[0,1,0,0,0,0]T， 在小類識別時， 若將Ⅰ型坦克信號輸出為o2， 則為錯誤， 但是在大類識別中， 其結果依然是坦克， 則正確. 因此， 分級識別策略可以有效提升正確率， 為戰(zhàn)場正確決策提供必要信息.

圖 3 分級識別策略Fig.3 Hierarchical identification strategy

3.2 槍聲信號識別

3.3 BP神經網絡設計

利用MATLAB R2014a設計神經網絡， 使用有動量加自適應lr的梯度下降法， 訓練精度0.01， 輸入節(jié)點16， 隱含層36， 輸出層6. 訓練樣本和測試樣本數量相同， 無交集. 表 3 所列為神經網絡大類識別結果， 表4所列為小類識別結果.

表 3 大類識別正確率

表 4 小類識別正確率

4 結 論

1) 基于短時處理和EMD的地面戰(zhàn)場目標被動聲識別方法， 對于類型多、 工況復雜的地面裝甲車輛識別具有較強的適應性， 通過添加樣本的種類和數量， 可以進一步提升識別效果和應用價值；

2) 地面戰(zhàn)場目標識別過程中， 利用聲信號時域短時能量特征可以有效區(qū)分以槍聲信號為代表的短時沖擊信號， 減少短時沖擊聲信號對地面裝甲車輛識別的干擾；

3) 對地面車輛目標進行識別時， 本文所用方法對待識別目標的工況具有適應性， 能夠對目標進行有效識別； 針對雷聲對識別過程產生的干擾， 可以結合相應地區(qū)的天氣狀況進行輔助判斷.

[1] Du K, Fang X, Zhang W P, et al. Fractal dimension based on morphological covering for ground target classification[J]. Shock and Vibration. 2016： 1-5.

[2] Feng X, Liang W, Liu C, et al. Application of Freeman decomposition to full polarimetric GPR for improving subsurface target classification[J]. Signal Processing. 2016： 1-9.

[3] Molchanov P O, Astola J T, Egiazarian K O, et al. C-lassification of ground moving targets using biceps-trum-based features extracted from Micro-Doppler radar signatures[J]. EURASIP Journal on Advances in Signal Processing.2013(1)： 1-13.

[4] 李開明, 張群, 羅迎, 等. 地面車輛目標識別研究綜述[J]. 電子學報， 2014(3)： 538-546. Li Kaiming, Zhang Qun, Luo Ying, et al. Review of ground vehicles recognition[J]. Acta Electronica Sinica, 2014(3)： 538-546. (in Chinese)

[5] 呂艷新. 被動聲目標識別理論研究[D]. 南京： 南京理工大學, 2011.

[6] 樊新海， 孫國強， 張傳清. 基于噪聲信號EMD的裝甲車輛識別研究[J]. 裝甲兵工程學院學報， 2017(7)： 80-83. Fan Xinhai, Sun Guoqiang, Zhang Chuanqing. Multi-band-pass filter design based on sectional combination complex modulated gaussian function[J]. Journal of Academy of Armored Force Engineering, 2017(7)： 80-83. (in Chinese)

[7] Norden E H, Zheng Shen, Steven R L, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[C]. In： Proceedings： Mathematical, Physical and Engineering Sciences. London： Royal Society, 1998. 903-95.

[8] 呂艷新, 孫書學, 顧曉輝. 基于EMD和能量比的戰(zhàn)場聲目標分類與識別[J]. 振動與沖擊， 2008(11)： 51-55. Lü Yanxin, Sun Shuxue, Gu Xiaohui. Battlefield acoustic target classification and recognition based on EMD and power ration[J]. Journal of Vibration and Shock, 2008(11)： 51-55. (in Chinese)

[9] 趙天青, 梁旭斌, 許學忠, 等. EMD在目標聲信號特征提取中的應用研究[J]. 南京大學學報(自然科學版). 2015(增刊)： 102-106. Zhao Tianqing, Liang Xubin, Xu Xuezhong, et al. A feature extraction algorithm of acoustic target based on empirical mode decomposition[J]. Journal of Nanjing University (Natural Sciences), 2015(S1)： 102-106. (in Chinese)

[10] 徐曉剛, 徐冠雷, 王孝通, 等. 經驗模式分解(EMD)及其應用[J]. 電子學報, 2009(3)： 581-585. Xu Xiaogang, Xu Guanlei, Wang Xiaotong, et al. Empirical mode decomposition and its application[J]. Ata Electronic Sinica, 2009(3)： 581-585. (in Chinese)

GroundBattlefieldTargetPassiveAcousticClassificationBasedonShort-TermAnalysisandEMD

SUN Guoqiang, FAN Xinhai, ZHANG Chuanqing

(Dept. of Mechanical Engineering, Academy of Armored Forces Engineering， Beijing 100072， China)

1671-7449(2017)05-0434-04

TN911.72

A

10.3969/j.issn.1671-7449.2017.05.011

2017-02-19

武器裝備軍內科研資助項目(2015ZB21)

孫國強(1992-)， 男， 碩士生， 主要從事地面目標被動聲識別研究.