基于R日F神經(jīng)網(wǎng)絡(luò)的水聲目標(biāo)分類

摘要

目標(biāo)識別分類是水聲信號處理的一個重要研究方向。本文以艦船輻射總聲源級與艦船螺旋槳軸頻作為特征量，設(shè)計徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)作為分類器，經(jīng)實測數(shù)據(jù)驗證，該算法在減少數(shù)據(jù)計算量的同時，對于艦船噸位大小的識別達(dá)到較好的效果。

【關(guān)鍵詞】神經(jīng)網(wǎng)絡(luò) 水聲信號處理 識別分類

目標(biāo)識別分類是水中兵器研究的一個重要方向，在國內(nèi)外一直受到重視并取得了一些進(jìn)展。在目標(biāo)識別中，特征量的提取起著關(guān)鍵的作用，能否提取反應(yīng)目標(biāo)本質(zhì)的特征量直接關(guān)系到識別分類的性能。對于水中兵器而言，能夠及時發(fā)現(xiàn)目標(biāo)并迅速作出反應(yīng)是非常重要的。為了實現(xiàn)這一功能，選擇合理的目標(biāo)特征量是關(guān)鍵的一步，國內(nèi)外研究人員在該領(lǐng)域提出了多種方法。但是這些方法的共同特點就是選取的目標(biāo)特征量維數(shù)較高，在識別分類環(huán)節(jié)難以做到實時處理，所以有必要尋找更能反映目標(biāo)類別、維數(shù)更少的特征量。

1 特征量選擇

在艦船的輻射聲特征中，寬帶總聲源級反映了艦船輻射的聲能量，包含有艦船航速、類型，尤其是噸位大小的相關(guān)信息。對于水面艦船、商船和潛艇這三類目標(biāo)來說，潛艇的總聲源級明顯小于其它兩類。測量數(shù)據(jù)顯示，大型水面艦船輻射聲功率可達(dá)1千瓦，而安靜航行的潛艇輻射功率小于10毫瓦。另一個與目標(biāo)艦船航速、類型有關(guān)的特征量是目標(biāo)艦船的低頻段線譜噪聲，主要由螺旋槳軸頻和葉片頻及其諧波構(gòu)成，隨目標(biāo)艦船的航速變化而變化。測量數(shù)據(jù)顯示：商船的螺旋槳軸轉(zhuǎn)速較低，其軸頻線譜頻率在0.9～3.6Hz內(nèi)，現(xiàn)代商船大約在1Hz;大型水面艦船的螺旋槳軸轉(zhuǎn)速較高，通常在3～6Hz;而潛艇航速一般都較低，其線譜頻率也較低。

對于艦船寬帶總聲源級和線譜頻率的測量相對來說，算法相對簡單，能滿足實時性要求。因此選擇寬帶總聲源級和線譜頻率作為特征量，可實現(xiàn)對三類目標(biāo)的識別分類。

2 艦船寬帶總聲源級

聲源級表示艦船輻射聲功率的大小，定義為在目標(biāo)方向上離目標(biāo)艦船的聲學(xué)中心1米處的輻射聲強(qiáng)度，與均方根聲壓為1微帕的平面波強(qiáng)度之比，以分貝表示。聲學(xué)中心是船內(nèi)或船外的一個點，當(dāng)在遠(yuǎn)處進(jìn)行測量時，噪聲好象是從這一個點輻射出來的一樣。實際上，測量輻射噪聲時，必須和輻射船離開一定的距離，再對波陣面擴(kuò)展作適當(dāng)?shù)男拚?，折算?米處。規(guī)定聲源級是1赫茲帶寬內(nèi)，并以1微帕為參考級，因而，輻射噪聲的聲源級就是相對于1微帕參考級的譜級。

Ross[7]根據(jù)測量數(shù)據(jù)進(jìn)行統(tǒng)計運算，得出航速8～24節(jié)的艦船在0.1～10KHz頻帶內(nèi)的總聲源級經(jīng)驗公式

或

式中V是航速（節(jié)），T是噸位（噸），參考聲壓是1μpa。

艦船噪聲測量規(guī)定在標(biāo)準(zhǔn)距離上進(jìn)行，在實際測量中都不是在標(biāo)準(zhǔn)距離上進(jìn)行的。這樣測量得到的總聲源級需要換算到標(biāo)準(zhǔn)距離處的總聲源級值。具體計算就是將不同距離上的測量值，加上聲波在海洋中的吸收損失和傳播損失。由于在實際測量中，測量點距艦船距離不是很遠(yuǎn)，吸收損失相對較少，可忽略。因此，計算總聲源級時，只考慮傳播損失，即

TL≈20logr（3）

式中，r是測量點距艦船的距離。

這樣就得到目標(biāo)艦船總聲源級

SL=SL'+TL（4）

3 線譜頻率

艦船輻射噪聲線譜分為兩類：頻率固定的線譜和頻率變化的線譜。艦船輔機(jī)產(chǎn)生的線譜分量與艦船的航速無關(guān)，通常相當(dāng)穩(wěn)定。因此，不能作為對目標(biāo)進(jìn)行噸位大小的識別分類的特征量。當(dāng)航速增加到使螺旋槳產(chǎn)生空化時，推進(jìn)系統(tǒng)和螺旋槳產(chǎn)生的線譜幅度增加，并向高頻移動，可作為對目標(biāo)艦船進(jìn)行噸位大小識別的特征量。

研究證明，通過對調(diào)幅的空化噪聲進(jìn)行解調(diào)可以獲得螺旋槳的軸頻線譜。對于軸頻線譜的提取采用文獻(xiàn)[8]中提出的復(fù)解析小波變換算法，詳細(xì)計算過程可參考相關(guān)文獻(xiàn)。

4 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBF）

4.1 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)一般由一個隱層和一個輸出層構(gòu)成，對任一輸入樣本，

每個隱節(jié)點計算一個核函數(shù)，所有核函數(shù)的加權(quán)和構(gòu)成網(wǎng)絡(luò)的輸出，核函數(shù)的核

和寬度通過對樣本的訓(xùn)練獲得。只有當(dāng)輸入樣本落入與某隱節(jié)點相連的輸入權(quán)矢量的一定區(qū)域內(nèi)才能使該隱節(jié)點的核函數(shù)產(chǎn)生較大輸出。圖1所示即為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖。

樣本的特征矢量從隱層輸入，隱節(jié)點的核函數(shù)通常采用高斯函數(shù)，即

式中，u（j）為第j個隱節(jié)點輸出;w_i，j為節(jié)點i到節(jié)點j的連接權(quán)系數(shù);σ_j²為節(jié)點j的核函數(shù)寬度;N₁為隱節(jié)點數(shù)量;N為輸入的特征量維數(shù)。

輸出層節(jié)點k的輸出可表示為

式中，w_2，k（j）是隱節(jié)點j與輸出節(jié)點k之間的連接權(quán)值;N₂是輸出節(jié)點數(shù)。w_1，j（1）、σ_j²及W_2，k（j）可通過對學(xué)習(xí)樣本的訓(xùn)練獲得。

4.2 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的輸入層學(xué)習(xí)

當(dāng)選擇高斯函數(shù)為核函數(shù)時，要學(xué)習(xí)的輸入層參數(shù)有兩個，即w_1，j（i）、σ_j²。

學(xué)習(xí)過程如下：

（1）設(shè)置初始隱節(jié)點數(shù)和隱層初始權(quán)值?？紤]到一類目標(biāo)的信號至少應(yīng)該有一個特征區(qū)域，所以設(shè)置初始隱節(jié)點數(shù)N;等于待識別的目標(biāo)類數(shù)N₂，并從各類訓(xùn)練樣本中各取一個樣本作為對應(yīng)N₁個隱節(jié)點的初始權(quán)值，記錄每個節(jié)點對應(yīng)的類別c（j）和歸入每一節(jié)點的樣本數(shù)m_j，即

（2）輸入訓(xùn)練樣本x（k）及其類別d（k），計算隱節(jié)點輸出：

（3）分別找出最大類內(nèi)隱層輸出u₁及對應(yīng)節(jié)點q和最大類間隱層輸出u₂：

（4）將u₁和u₂分別與類內(nèi)匹配系數(shù)α和類間分離度系數(shù)β比較，判斷隱層對新樣本的類內(nèi)匹配能力和類間分離能力。若u₁≥α且u₂<β，可以認(rèn)為新樣本與同類節(jié)點相匹配，與異類節(jié)點可分離，將此樣本合并到有最大輸出的節(jié)點，并修正該節(jié)點的聯(lián)接權(quán)系數(shù)

式中，m_q為歸入第q個節(jié)點的樣本數(shù)。

如果u₁<α或u₂≥β，說明新輸入樣本與現(xiàn)有同類節(jié)點不能很好匹配或當(dāng)前隱層對該樣本產(chǎn)生了模糊，則增加一個隱節(jié)點，即

返回（2），直到所有的訓(xùn)練樣本全部學(xué)習(xí)完成為止。

（5）計算損失函數(shù)：

若J收斂，則訓(xùn)練終止;否則，返回（2）繼續(xù)訓(xùn)練。

（6）計算核函數(shù)半徑：

類內(nèi)匹配系數(shù)α和類間分離系數(shù)β的值由訓(xùn)練樣本確定。

4.3 輸出層參數(shù)訓(xùn)練

對于輸出層的參數(shù)采用LMS算法進(jìn)行訓(xùn)練，具體過程如下：

（1）初始化連接權(quán)w_2，k（j）;

（2）利用樣本訓(xùn)練對（x，d）計算隱層輸出

（3）計算輸出層輸出

（4）計算輸出層誤差

（5）調(diào)整權(quán)系數(shù)

（6）返回（2），直到系數(shù)調(diào)整結(jié)束為止。

5 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)在識別艦船時的參數(shù)確定

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)是二層網(wǎng)絡(luò)，只要隱節(jié)點數(shù)量足夠，就可以逼近任何多元連續(xù)函數(shù)。所以RBF網(wǎng)絡(luò)的設(shè)計，就是確定隱節(jié)點數(shù)量以及各個隱節(jié)點的參數(shù)和輸出權(quán)系數(shù)。

5.1 確定輸入、輸出神經(jīng)元數(shù)量

由于設(shè)計的分類器輸入是目標(biāo)艦船的總聲源級和軸頻頻率兩個特征量，則輸入神經(jīng)元數(shù)量N=2;同時分類器是對潛艇、大型水面艦船與小型水面艦船三類目標(biāo)進(jìn)行分類，則輸出神經(jīng)元數(shù)量N₂=3。

5.2 確定隱節(jié)點數(shù)量

隱節(jié)點數(shù)量的確定，采用4.2的自適應(yīng)增加隱節(jié)點的方法。由于輸出神經(jīng)元數(shù)量N₂=3，所以初始化隱節(jié)點數(shù)量N₁=3。

5.3 確定類內(nèi)匹配系數(shù)α

將學(xué)習(xí)樣本按艦船類型分成三類，利用公式（8）計算每類樣本對應(yīng)的徑向基函數(shù)。類內(nèi)匹配系數(shù)α按以下方法確定

5.4 確定類間分離度系數(shù)β

β的計算方法類似于α

6 艦船類型識別分類結(jié)果

利用實測艦船聲信號來驗證所設(shè)計的分類器的分類效果。將艦船聲信號樣本劃分成兩類：訓(xùn)練樣本和檢驗樣本，三類艦船的訓(xùn)練樣本數(shù)量分別是20，50，40，三類艦船檢驗樣本數(shù)量分別是20，40，35.將艦船輻射噪聲總聲源級和螺旋槳軸頻作為徑向基神經(jīng)網(wǎng)絡(luò)的輸入特征量。最終分類結(jié)果如表1。

為了比較RBF的識別效果，利用BP神經(jīng)網(wǎng)絡(luò)對上述樣本進(jìn)行識別，結(jié)果如表2。

表3：是兩種網(wǎng)絡(luò)運算速度的對比。

對比RBF與BP網(wǎng)絡(luò)的識別結(jié)果，可以看出RBF網(wǎng)絡(luò)對于檢驗樣本的總體識別率為93.7%，BP網(wǎng)絡(luò)對檢驗樣本的總體識別率為87.3%，可以看出RBF網(wǎng)絡(luò)的識別效果要好于BP網(wǎng)絡(luò)的識別效果。另外，從表3可以看出，RBF網(wǎng)絡(luò)的訓(xùn)練時間和檢驗時間都少于BP網(wǎng)絡(luò)。

7 總結(jié)

實驗結(jié)果表明，以艦船的總聲源級與螺旋槳軸頻頻率作為特征量，利用RBF網(wǎng)絡(luò)對目標(biāo)艦船識別分類，可以實現(xiàn)對三類艦船噸位大小的識別分類，并且算法簡單，運行時間也短。

參考文獻(xiàn)

[1]趙琪.基于多物理場特征的艦船目標(biāo)識別技術(shù)研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2017.

[2]陸陽.基于支持向量機(jī)的水中目標(biāo)識別技術(shù)研究[D].西安：西北工業(yè)大學(xué)，2006.

[3]吳俊.基于高分辮SAR圖像的艦船目標(biāo)分類識別研究[D].杭州：浙江大學(xué)，2018.

[4]陳振.紅外艦船檢測與目標(biāo)識別方法研究[D].哈爾濱：哈爾濱工程大學(xué)，2016.

[5]張羽.基于云計算的艦船目標(biāo)圖像識別[D].廣州：華南理工大學(xué)，2016.

[6]R.J.尤立克著，洪申譯.水聲原理[M]，哈爾濱：哈爾濱船舶工程學(xué)院出版社，1990.

[7]Ross D.Ship source of ambientnoise[J].IEEE Journal of OceanicEngineering，2005，30（02）：257-260.

[8]侯鐵雙.基于解析小波變換的信號包絡(luò)檢測[J].西安郵電學(xué)院學(xué)報，2011，16（03）：18-21.