基于時頻特征的抹香鯨Click與傳統(tǒng)聲吶信號的分類方法

卜令冉 華 波 蔣佳佳 顏 晗 段發(fā)階 王憲全 李春月 孫中波

（1.天津大學精密測試技術及儀器國家重點實驗室，天津，300072；2.中國船舶工業(yè)系統(tǒng)工程研究院，北京，100036）

引 言

聲波作為水下最有效的遠距離傳播載體，在水下通信、水下主動聲吶探測、水下無線組網(wǎng)等國防和軍事中發(fā)揮著至關重要的作用。為了實現(xiàn)通信或主動聲吶探測，敵方的水下AUV、UUV、潛艇等都會不時地向水中發(fā)射聲波信號脈沖，如最常用的單頻(Continuous wave,CW)信號、線性調(diào)頻(Linear frequency modulation,LFM)信號或雙曲調(diào)頻(Hyperbolic frequency modulated,HFM)信號[1]。海洋環(huán)境復雜多樣，除了通信和主動聲吶信號以外，海洋環(huán)境中通常還存在許多其他聲音，其中，由海洋中鯨類發(fā)出的叫聲是海洋環(huán)境中一類廣泛存在的聲音。美國[2]、澳大利亞[3]等國家以及歐洲的一些國家[4-5]都建成了較為成熟的海洋被動聲學監(jiān)測網(wǎng)絡，對鯨聲等海洋哺乳動物聲音進行監(jiān)測研究。

由于鯨的分布廣、數(shù)量多，鯨類所發(fā)出的叫聲與主動聲吶或通信信號同時出現(xiàn)的概率非常大[6]；此外，鯨類所發(fā)出叫聲的聲源級通常非常高，甚至比主動聲吶和通信信號的聲源級還高。一方面，在對鯨聲進行被動聲學監(jiān)測時，如果無法將主動聲吶信號和鯨聲信號有效區(qū)分，則可能會出現(xiàn)監(jiān)測網(wǎng)絡對監(jiān)測目標誤報或者漏報的情況。而目前水下監(jiān)測網(wǎng)絡對水聲信號的識別與分類研究，多集中在船艦輻射噪聲等低頻、持續(xù)時間長的噪聲[7]或者海洋背景噪聲[8]等與目標信號之間的識別與分類，對主動聲吶或通信信號的識別與分類研究較少。另一方面，在進行通信或主動聲吶探測時，如果無法將強烈和持續(xù)的鯨聲脈沖信號有效識別與分類，則可能會影響水聲通信的可靠性和聲吶探測的準確性。而目前主流的水下通信或主動聲吶系統(tǒng)幾乎都是把海洋哺乳動物所發(fā)出的叫聲歸類為海洋噪聲進行處理[9-10]。然而，這些系統(tǒng)多是對接收信號去除海洋背景噪聲[10]，但鯨聲脈沖信號并未被有效濾除，鯨聲脈沖信號極易和主動聲吶或通信信號混雜在一起，對系統(tǒng)產(chǎn)生干擾，影響系統(tǒng)正常工作。因此，有效識別與分類鯨聲脈沖信號與主動聲吶或通信信號，對提高水下監(jiān)測網(wǎng)絡、主動聲吶和水下通信系統(tǒng)的穩(wěn)定性和可靠性具有十分重要的作用。

國外一些學者對此做了相關的研究，但這些研究都集中在從海洋噪聲（海洋背景噪聲或海洋船舶輻射噪聲）中提取檢測海洋生物脈沖信號。如，Bertilone等[6]提出了一種基于非高斯檢測理論和非線性濾波技術的脈沖噪聲檢測和抑制方法，用于抑制脈沖噪聲，在一定程度上提高了主動聲吶系統(tǒng)對生物脈沖噪聲的抗干擾能力。Ijsselmuide等[10]提出了一種可以應用于低頻主動聲吶陣列系統(tǒng)的海洋哺乳動物聲音的檢測方法，基于冪法則（power-law）和Page’s test算法，設計了海豚和鯨魚等海洋哺乳動物的低頻瞬態(tài)信號檢測器，但方法實現(xiàn)較為復雜。André等[8]對海洋被動聲學監(jiān)測網(wǎng)中鯨和海豚的Click叫聲脈沖檢測方法進行了研究，并提出了Click叫聲脈沖和輪船輻射噪聲等人為噪聲的檢測分類算法。這些研究給出了從海洋噪聲中提取檢測海洋生物脈沖信號的方法，并取得了良好的檢測效果。然而，在海洋生物脈沖信號與主動聲吶或通信信號混雜在一起的條件下，正確識別與分類這兩類信號，即從混合信號中提取檢測海洋生物脈沖信號，同樣具有十分重要的意義，但國內(nèi)外對此領域的研究較少?；谝陨戏治?，本文提出了一種海洋生物脈沖信號與主動聲吶或通信信號的識別分類方法。

考慮到絕大多數(shù)的鯨和海豚都能發(fā)出Click叫聲脈沖，且抹香鯨所發(fā)出的Click叫聲在持續(xù)時間長度、頻率分布范圍、聲源級和時頻分布等方面都具有一定的代表性，所以本文對抹香鯨所發(fā)出的Click以及傳統(tǒng)3類具有代表性的聲吶信號(CW,LFM,HFM)的分類方法進行了研究，提出了一種基于時頻特征的抹香鯨Click與傳統(tǒng)聲吶信號的分類方法。利用濾波和小波去噪技術對水聽器接收到的水聲信號進行降噪；通過端點檢測方法，提取出4類信號的信號脈沖；對被提取出的信號脈沖進行短時傅里葉變換(Short-time Fourier transform,STFT)計算；并基于STFT時頻圖，利用所提出的時頻輪廓提取方法提取每個脈沖信號對應的時頻輪廓圖；利用多項式對提取出的時頻輪廓圖進行曲線擬合，并將多項式的系數(shù)作為時頻圖特征；最后，利用時頻圖特征訓練反向傳播(Back propagation，BP)神經(jīng)網(wǎng)絡分類器和支持向量機(Support vector machine,SVM)分類器，并利用被訓練的分類器去實現(xiàn)4類信號的分類與識別。

1 時頻特征分析

當進行捕食、交流和導航時，抹香鯨會不停地發(fā)出Click叫聲脈沖。一般地，Click都是寬帶脈沖信號，持續(xù)時間一般在0.1～30 ms，頻率主要分布在100 Hz～30 kHz，且主要能量集中在100 Hz～12 kHz[11]。圖1給出了一段抹香鯨叫聲的波形圖和對應的時頻圖，可以看出，它們的寬帶很寬，且在各個頻率內(nèi)都具有可觀的能量。然而傳統(tǒng)的聲吶信號脈沖(也就是CW，LFM和HFM脈沖)都具有各種獨特的特征。進一步地，CW，LFM和HFM信號脈沖的包絡均為矩形，CW信號脈沖的頻率為單頻，LFM信號脈沖的頻率呈線性變化，而HFM信號脈沖的頻率呈現(xiàn)雙曲線形式變化[1,12]。為了直觀表示，圖2給出了3類傳統(tǒng)聲吶信號脈沖時頻圖的一個例子。

圖1 一段抹香鯨叫聲的波形圖和對應的時頻圖Fig.1 Waveform and corresponding time-frequency spectrogram ofthe sperm whale sound segment

圖24類信號脈沖的時頻圖Fig.2 Time-frequency spectrograms of four signal

2 信號脈沖的時頻特征提取與分類

根據(jù)上述4類信號脈沖的時頻特征分析結果，本文提出了如圖3所示的信號脈沖時頻特征提取與分類方法：利用濾波和小波去噪技術對水聽器接收到的水聲信號進行降噪；通過端點檢測方法，提取出4類信號的信號脈沖；對被提取出的信號脈沖進行STFT計算；基于STFT時頻圖，利用所提出的時頻輪廓提取方法提取每個脈沖信號對應的時頻輪廓圖；利用多項式對提取出的時頻輪廓圖進行曲線擬合，并將多項式的系數(shù)作為時頻圖特征；最后，利用時頻圖特征訓練BP神經(jīng)網(wǎng)絡和SVM，實現(xiàn)4類信號的分類與識別。

圖3 信號脈沖時頻特征提取與分類方法Fig.3 Signal pulse time-frequency feature extraction and classification method

2.1 去噪和端點檢測

鑒于水聲信號通常為非平穩(wěn)信號，首先通過低通和高通濾波器濾除帶外噪聲，然后，通過小波去噪技術去除疊加在信號中的噪聲。由于小波去噪技術很成熟，本文不再詳述，具體方法可參見文獻[13]。通常情況下，聲吶信號和Click均由間隔的脈沖序列組成，因此，在進行STFT之前，首先利用端點檢測方法從去噪后的信號序列里提取出所有聲吶信號脈沖。其中，端點檢測方法可使用傳統(tǒng)的語音信號短時能量端點檢測算法[14]。

2.2 短時傅里葉變換

式中：x(n)為提取出的脈沖信號；w(n)為窗函數(shù)，窗函數(shù)的移動距離由m確定；f代表頻率?？紤]到短時傅里葉變換的時間分辨率和頻率分辨率，本文選取漢明(Hamming)窗對信號進行處理，窗寬為60個采樣點，步長為10個采樣點，F(xiàn)FT點數(shù)為1024（信號采樣率fs=44.1 kHz）。每一個信號經(jīng)過短時傅里葉變換，得到相應的短時傅里葉變換譜F(m,f)。按照式(2)對F(m,f)進行對數(shù)變換后得到STFT時頻圖。4類信號時頻變換的一個實例見圖2。

根據(jù)離散時間短時傅里葉變換對提取出的信號脈沖進行變換處理，即

2.3 時頻輪廓提取

基于短時傅立葉變換時頻圖能清晰地反映出信號在不同時刻的頻率變化信息，本文提出了一種基于短時傅里葉變換譜的信號時頻變化輪廓提取方法。該方法分為以下3個步驟：

(1)對每一個信號的STFT譜F(m,f)取絕對值，得到信號的STFT絕對值矩陣X(m,f)，即

(2)對于每一個被窗函數(shù)w(n-m)截斷的信號切片，都可相應地從X(m,f)中獲得當前信號切片內(nèi)的頻譜信息xi(f)，即xi(f)=X(mi,f)，其中i表示當前信號切片的索引值。求取每個xi(f)在頻率f上的最大值mi(f)，并計算xi(f)的半功率幅值如圖4所示，確定f-xi(f)曲線中mi(f)左右兩邊的半功率頻率點的頻率坐標fli和fri，其中fli和fri滿足

定義fli和fri的平均值為當前信號切片的瞬時頻率fei,fei=1/2×(fli+fri)估計值(圖4)，則所有切片信號的fei就構成了一個當前信號瞬時頻率的序列Fe。

圖4 fe的估計原理示意圖Fig.4 Schematic diagram of the estimation pri-nciple of fe

(3)對每一個信號的瞬時頻率序列Fe，使用移動平均濾波器對其進行平滑濾波，得到平滑信號的時頻變化輪廓Se，可根據(jù)信號的瞬時頻率序列Fe的長度來確定移動平均濾波的長度L。

通過上述方法，便可得到每一個信號的瞬時頻率估計值以及時頻變化輪廓。圖5所示為一個HFM信號的時頻譜，通過上述時頻輪廓提取方法可提取到圖中藍色線條所示的時頻變化輪廓曲線。從圖中可以看出，提取出的時頻變化輪廓與時頻圖中能量最大的脊（紅色區(qū)域）重合，即通過該方法得到的時頻變化輪廓可以準確地反映信號的時頻變化特征。

圖5 HFM信號的時頻譜和提取出的時頻變化輪廓曲線Fig.5 Time-frequency spectrogram and extracted time-frequency variation contour of HFM signal

2.4 時頻曲線擬合與特征提取

基于最小二乘法，使用n階的多項式p(t)對Ce進行擬合，即

式中：Se(i)表示時頻變化輪廓Se中第i個信號切片所對應的值，即平滑濾波后瞬時頻率值；ti表示第i個信號切片的中心在原信號中的位；E代表殘差。根據(jù)最小二乘法，求取式(5)中的系數(shù)a0,a1,…,an-1,an,使式(6)表達的殘差E達到最小。同時，考慮信號起始段和終止段因頻譜泄露等原因而導致Se(i)存在異常值，在處理過程中可根據(jù)實際信號的切片個數(shù)舍去時頻變換輪廓Se左右兩端的若干Se(i)值，之后再進行多項式擬合。

上述擬合過程將離散的時頻變化輪廓特征轉(zhuǎn)化為連續(xù)的時頻變化曲線p(t)。圖5所示黑色線條為通過上述方法處理后得到的擬合曲線，可以看出，p(t)和信號的時頻變化輪廓吻合度非常高。

該信號處理過程將4類信號脈沖的時頻圖映射成了相應的時頻變化擬合曲線p(t)，而p(t)的各階多項式系數(shù)a0,a1,…,an-1,an包含了信號的時頻變化特征。利用由多項式系數(shù)a0,a1,…,an-1,an組成的特征向量A=[a0,a1,…,an-1,an]對分類器進行訓練，然后，使用經(jīng)訓練的分類器對4類信號進行分類與識別。

2.5 信號分類與識別

鑒于BP神經(jīng)網(wǎng)絡和SVM都是在目標分類領域被廣泛使用的經(jīng)典分類方法[15]，本文分別使用BP神經(jīng)網(wǎng)絡和SVM作為分類器對4類脈沖信號進行分類和識別。

BP神經(jīng)網(wǎng)絡的輸入層有n+1個輸入層單元，對應輸入特征向量中的n+1項多項式系數(shù)；輸出層有4個輸出單元，分別對應Click，CW，LFM和HFM4個信號類別。輸入層與隱含層，隱含層與輸出層之間使用Log-Sigmoid作為激活函數(shù)，輸出層到輸出結果使用Tan-Sigmoid函數(shù)作為激活函數(shù)。其中，Tan-Sigmoid函數(shù)將輸出單元輸出限定在(0,1)區(qū)間內(nèi)，輸出值大小反映了輸入特征可以被分類為當前信號類型的置信程度。通過比較4個輸出單元輸出值大小，將輸入特征分類至其相應的信號類型中。BP神經(jīng)網(wǎng)絡的結構如圖6所示，神經(jīng)網(wǎng)絡的詳細參數(shù)設置如表1所示。

表1 BP神經(jīng)網(wǎng)絡相關參數(shù)Tab.1 Related parameters of BP neural network

SVM是一種定義在輸入特征空間上的間隔最大分類器，它能較好地解決小樣本、非線性、高維數(shù)和局部極小點等問題，是求解特征識別分類問題的有效工具。本文使用基于核方法的非線性SVM，通過使用核函數(shù)將原空間的分類數(shù)據(jù)映射到新空間，從而在新空間里用線性分類學習方法從訓練數(shù)據(jù)中學習分類模型。為解決任意維數(shù)的特征矩陣問題，選用徑向基函數(shù)（Radial basis function，RBF）作為核函數(shù)。由于SVM一般針對二分類任務，而本文中有4種待分類信號，因此通過“一對一”(one vs one,ovo)方法設計多分類SVM。該方法通過在每兩個目標類別之間訓練一個分類器來獲取分類器的權值和偏置系數(shù)；因此對于四分類問題，需要設計6個二分類器。當對輸入特征進行分類時，每個分類器都對其類別進行判斷，然后在決策階段采用“投票法”判斷輸入特征的實際所屬類別。所用SVM詳細參數(shù)如表2所示。

圖6 BP神經(jīng)網(wǎng)絡結構示意圖Fig.6 Schematic diagram of BP neural network structure

表2 SVM相關參數(shù)Tab.2 Related parameters of SVM

式中：Ns為送入兩個分類器特征向量的數(shù)量，Nc為被兩個分類器正確分類的特征向量的數(shù)量。

使用分類正確率τ評價以上兩個分類器的分類效果，其定義如下

3 實驗結果及分析

3.1 實驗數(shù)據(jù)

Click：使用一段通過浮標采集的、時長為7m54s的高質(zhì)量抹香鯨叫聲脈沖信號，信號采樣頻率為44.1KHz。首先通過高通、低通和小波閾值去噪方法對原始的抹香鯨聲音進行去噪，然后，通過基于短時能量的端點檢測算法提取出所有Click叫聲脈沖，最后從中隨機選取800個叫聲脈沖用于分類實驗。

傳統(tǒng)聲吶信號脈沖：根據(jù)已知的數(shù)學表達式，采用軟件產(chǎn)生CW，LFM和HFM這3類傳統(tǒng)聲吶信號脈沖。根據(jù)工程實際中低、中、高頻聲吶所使用的CW，LFM和HFM聲吶信號脈沖的頻帶范圍、脈沖寬度等時頻參數(shù)，通過MATLAB軟件隨機生成CW，LFM和HFM類信號樣本各800個。隨機生成的3類信號的時頻參數(shù)如表3所示，信號的頻率范圍按照實際使用的低頻（1～5 kHz）、中頻（5～15 kHz）和高頻（15～20 kHz）聲吶的頻帶范圍確定。表3中B表示實際生成信號的帶寬，在生成信號的過程中，首先確定信號的起始頻率，再確定其持續(xù)時間，同時根據(jù)調(diào)頻斜率或曲率的參數(shù)要求，確定信號的終止頻率，最后生成的信號需滿足表中所列頻率范圍，否則生成的信號將被舍去。

表3 CW，LFM和HFM信號參數(shù)Tab.3 Signal parameters of CW，LFM and HFM

3.2 實驗過程

按照圖3所述流程，Click，CW，LFM和HFM水聲信號的識別與分類過程如下：

(1)分別對這4類水聲信號進行短時傅里葉變換，窗函數(shù)取Hamming窗，窗寬為60個采樣點，步長為50個采樣點，F(xiàn)FT長度為1024。

(2)在估計每個實驗信號樣本的時頻變化輪廓Se時，移動平均濾波的長度設置為L=10。

(3)設置擬合多項式階數(shù)n=5。為減小時頻變化輪廓異常值對擬合精度的影響，僅使用Se中間4/5的長度進行擬合（將左右兩端各1/10長度的Se(i)舍去），得到時頻變化特征向量A=[a0,a1,…,an-1,an]。

(4)使用k-折交叉驗證法評估BP神經(jīng)網(wǎng)絡和SVM的分類性能。具體過程如下：首先，將每一類水聲信號中的800個特征向量隨機切分為10個互不相交且大小相同的子集（即k=10），使每一個子集都包含80個數(shù)據(jù)樣本。然后，每一次使用4類水聲信號中的9個子集的并集作為BP神經(jīng)網(wǎng)絡和SVM的訓練集(即4×9×80共2880個訓練樣本)，余下的4類水聲信號子集的并集作為BP神經(jīng)網(wǎng)絡和SVM的測試集(即4×(10-9)×80共320個特征向量樣本)。進行10次訓練和測試，保證每個子集都有一次機會作為測試集，其余作為訓練集。用訓練好的模型在相應的測試集上測試，計算并保存模型的評估結果。最后，將10組測試集上分類正確率的平均值作為分類器的分類成功概率。

3.3 忽略水聲信道影響下的分類結果

表4和表5分別列出了BP神經(jīng)網(wǎng)絡交叉驗證實驗和SVM交叉驗證實驗混淆矩陣(Confusion matrix)的平均值和平均分類正確率。對比表4和表5的結果，可以發(fā)現(xiàn)在相同訓練集和測試集條件下，BP神經(jīng)網(wǎng)絡對Click，LFM和HFM信號的識別和分類能力優(yōu)于SVM，兩者的CW分類正確率相差不大，但SVM對LFM和HFM的分類能力較差，分類正確率遠低于BP神經(jīng)網(wǎng)絡。BP神經(jīng)網(wǎng)絡對4類信號的分類正確率均高于90%。

表4 BP神經(jīng)網(wǎng)絡分類結果Tab.4 Classification results of BP neural network

從表5還可以看出，SVM對LFM和HFM分類準確率較低，主要表現(xiàn)在SVM將較多的LFM測試樣本(30.75%)錯誤地分類到HFM，同時也將較多的HFM測試樣本(32%)錯誤地分類到LFM。這表明，相比其他兩類信號，LFM和HFM的時頻變化趨勢更為相似，兩者時頻特征向量在SVM的輸入特征空間有較多重合區(qū)域，同時SVM的核函數(shù)無法將兩者的時頻特征向量有效映射到線性可分空間內(nèi)，最終導致SVM將較多的LFM和HFM特征向量錯誤分類。

表5 SVM分類結果Tab.5 Classification results of SVM

3.4 水聲信道影響下的分類結果

在水聲信號實際傳播過程中，受海洋水聲信道頻率選擇性、時變、多途效應等的影響，4類信號在傳播過程中會產(chǎn)生不同程度的信號畸變[16]，但在3.3節(jié)中這一現(xiàn)象未被考慮在內(nèi)。因此使用Bellhop模型對海洋聲信道傳播特性進行建模仿真，獲取信道沖激響應[17]，考察在水聲信道影響下4類信號的分類效果。Bellhop模型建模仿真參數(shù)如表6所示。

表6 Bellhop模型仿真參數(shù)Tab.6 Simulation parameters of the Bellhop model

對3200個經(jīng)過水聲信道后的接收信號按照圖3所述實驗過程再次進行實驗。表7和表8分別列出了BP神經(jīng)網(wǎng)絡和SVM分類器混淆矩陣的平均值和平均分類正確率。從表中看出，BP神經(jīng)網(wǎng)絡和SVM對Click和CW的分類效果沒有大幅變化，但對LFM和HFM的分類效果明顯下降。BP神經(jīng)網(wǎng)絡幾乎是對經(jīng)水聲信道后的LFM和HFM信號進行了隨機分類。這主要是由于受信道影響后，LFM和HFM信號出現(xiàn)嚴重的時間擴展，產(chǎn)生了鋸齒狀的信號重疊現(xiàn)象，影響時頻特征提取算法對信號瞬時頻率的估計，導致算法無法準確提取原信號時頻脊的斜率或曲率細節(jié)變化等特征，但這種影響僅體現(xiàn)在這兩類信號之間。除此之外，BP神經(jīng)網(wǎng)絡仍能準確分類Click和CW信號，平均分類正確率分別達到96.88%和92.65%。這是由于同LFM和HFM信號相比，Click和CW信號頻率變化更平穩(wěn)，信道對其時頻變化影響較小。

SVM相比BP神經(jīng)網(wǎng)絡分類效果較差。和原始信號分類結果相比，SVM對4類信號的分類正確率均有所下降。SVM除不能準確分類經(jīng)水聲信道后的LFM和HFM信號外，還將28.38%的LFM信號和31.38%的HFM信號錯誤分類為Click信號，這同樣說明三者的時頻特征在SVM的輸入特征空間存在重合區(qū)域且核函數(shù)不能將三者正確映射到線性可分空間。

表7 BP神經(jīng)網(wǎng)絡對經(jīng)水聲信道后信號的分類結果Tab.7 Classification results of BP neural network on signals after the simulated underwater acoustic channel

表8 SVM對經(jīng)水聲信道后信號的分類結果Tab.8 Classification results of SVM on signals after the simulated underwater acoustic channel

3.5 水聲信道影響被補償后的分類結果

在本部分，通過虛擬時間反轉(zhuǎn)鏡技術對水聲信道的影響進行了補償[16]。經(jīng)過虛擬時間反轉(zhuǎn)鏡補償后的4類水聲信號按照圖3所述實驗過程再次進行實驗。其中，在估計每一個實驗信號樣本時頻變化輪廓Se過程中，由于信號在時間上被壓縮聚焦，左右兩端信號幅值明顯減小，為減小兩端低幅值信號對擬合效果的影響，將低于信號最大幅值1/5的兩端信號對應的Se(i)值舍去，只保留中間時間段內(nèi)對應幅值較大的Se(i)進行時頻曲線擬合。表9和表10分別列出了BP神經(jīng)網(wǎng)絡和SVM分類器混淆矩陣的平均值和平均分類正確率。

和補償前相比，BP神經(jīng)網(wǎng)絡對補償后的Click，CW，LFM和HFM信號的平均分類正確率分別達到95.5%，94.25%，82.87%和86%，其中對LFM和HFM信號的分類正確率分別提高了38.9%和43.9%，分類效果明顯改善。SVM對于補償后Click，CW，LFM和HFM信號的分類效果仍然比較差，平均分類正確率分別為85.75%，92.38%，37.9%和44.75%，和未補償信號的分類正確率相當，均低于BP神經(jīng)網(wǎng)絡分類正確率。從混淆矩陣看，和補償前相比，SVM將補償后LFM和HFM信號錯誤分類到Click的比例明顯減少，LFM錯分到Click的比例由原來的28.38%下降到16.25%，HFM錯分到Click的比例由原來的31.38%下降到11.38%。

對比3組實驗結果可以發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡比SVM分類器具有更好的適應性和分類效果。

表9 BP神經(jīng)網(wǎng)絡對水聲信道補償后信號的分類結果Tab.9 Classification results of BP neural network after compensation for underwater acoustic channel

表10 SVM對水聲信道補償后信號的分類結果Tab.10 Classification results of SVM after compensation for underwater acoustic channel

4 結束語

本文提出了一種基于短時傅里葉變換的Click，CW，LFM和HFM水聲信號時頻特征提取和分類算法。本算法基于短時傅里葉變換譜，對信號瞬時頻率進行估計，進而提取信號的時頻變化輪廓，通過對時頻變化輪廓進行多項式擬合，將離散的時頻變化輪廓轉(zhuǎn)化為連續(xù)的時頻特征曲線，最終計算得到時頻特征向量。進一步地，基于特征向量，利用BP神經(jīng)網(wǎng)絡和SVM分類器對4類信號進行分類。分別在理想情況下、在水聲信道對信號產(chǎn)生影響的情況下和在水聲信道的影響被校正的情況下，進行了分類實驗。實驗結果表明，所提出的時頻特征識別分類算法可以準確提取4類水聲信號的時頻變化特征并將其正確分類。BP神經(jīng)網(wǎng)絡分類器比SVM分類具有更好的適應性和分類正確率。從實驗結果可以看出，在3種實驗條件下，僅使用小規(guī)模數(shù)據(jù)（每一類信號800個數(shù)據(jù)樣本）對BP神經(jīng)網(wǎng)絡進行訓練即可使分類器對Click信號的分類正確率達到95%以上。本文提出的時頻特征分類和識別算法模型結構簡單，運算量小，可搭載于小型或微型嵌入式系統(tǒng)，可應用在被動聲學監(jiān)測、主動聲吶探測以及水聲通信等場景下的多類信號的分類與識別，以及水下軍事預警等領域。