融合時(shí)頻域特征的艦船識(shí)別方法及實(shí)驗(yàn)研究

梁 喆，侯 朋，夏春艷，呂孟婷

（大連測(cè)控技術(shù)研究所，遼寧 大連 116000）

0 引 言

近年來(lái)，隨著人工智能的快速發(fā)展，將神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于艦船目標(biāo)的特征識(shí)別已成為趨勢(shì)[1]。如何提取目標(biāo)的聲學(xué)特征作為神經(jīng)網(wǎng)絡(luò)輸入，以及采用哪些特征作為目標(biāo)識(shí)別的依據(jù)，是基于神經(jīng)網(wǎng)絡(luò)這類(lèi)人工智能識(shí)別方法需要解決的關(guān)鍵問(wèn)題。

當(dāng)艦船目標(biāo)處于高背景噪聲環(huán)境或較遠(yuǎn)距離時(shí)，接收水聽(tīng)器難以在高頻段獲得足夠的信噪比，而艦船目標(biāo)的低頻段噪聲具有衰減慢、傳播距離遠(yuǎn)、不易受其他信號(hào)調(diào)制等特點(diǎn)[2]，成為目標(biāo)被動(dòng)識(shí)別的主要信息源。由于艦船目標(biāo)的機(jī)械運(yùn)動(dòng)特性，其低頻線譜特征成為少數(shù)可以用于目標(biāo)識(shí)別的特征之一[1]。線譜特征集中了船舶槳軸頻率特征以及槳葉頻率特征，甚低頻中還包含了將船體尺度作為沖激響應(yīng)系統(tǒng)的信號(hào)特征。另一方面，艦船目標(biāo)作為一個(gè)獨(dú)特的發(fā)聲體，其時(shí)域信號(hào)特征也是目標(biāo)識(shí)別中一個(gè)重要的參考依據(jù)。以往的目標(biāo)識(shí)別大多基于單一特征提取，但由于艦船目標(biāo)聲學(xué)信息的特殊性，單一特征并不能完整地對(duì)目標(biāo)進(jìn)行表述[3-5]，選用不同的特征提取方法提取的特征反映了艦船噪聲信號(hào)不同的特征，一般情況下很難做出某種方法優(yōu)劣的判斷，如果把不同的特征提取方法提取的特征融合起來(lái)，將使識(shí)別過(guò)程中的不確定性樣本數(shù)減少，從而提高目標(biāo)識(shí)別正確概率，提高整個(gè)識(shí)別系統(tǒng)的性能[1-2,6]。

特征融合是將多源數(shù)據(jù)進(jìn)行多級(jí)別、多方面、多層次的處理，從而獲得比任何單個(gè)輸入數(shù)據(jù)更準(zhǔn)確的信息。特征融合方式主要分為三類(lèi)[5]：數(shù)據(jù)級(jí)融合、特征級(jí)融合、決策級(jí)融合。相比而言，數(shù)據(jù)級(jí)融合充分應(yīng)用了目標(biāo)的原始物理信息，但需要處理的信息量大，實(shí)時(shí)性差，處理代價(jià)高。常用的特征級(jí)融合方法利用特征的歐氏距離確定基本概率賦值的方法，雖然簡(jiǎn)單直觀地反映了特征向量之間的近似度，實(shí)現(xiàn)了可觀的信息壓縮，但該方法直接對(duì)特征向量進(jìn)行計(jì)算，不但計(jì)算量大，而且在證據(jù)沖突狀態(tài)下無(wú)法橫向?qū)Ρ炔煌卣魈崛》椒ǖ玫教卣飨蛄康闹眯哦萚6]，導(dǎo)致其中一種或幾種特征識(shí)別率嚴(yán)重下降時(shí)仍給出有效投票，增加目標(biāo)的錯(cuò)誤識(shí)別率。而決策級(jí)融合由于決策向量維數(shù)較低且已經(jīng)將目標(biāo)進(jìn)行預(yù)識(shí)別，因此有很高的的靈活性[7]。

基于上述考慮，本文提出一種融合艦船輻射噪聲時(shí)頻域特征的識(shí)別方法，將艦船輻射噪聲的線譜特征和線性預(yù)測(cè)倒譜特征作為輸入，分別利用 BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、降維及初步判別，并采用加權(quán)投票方式，引入置信度算法和拒判機(jī)制實(shí)現(xiàn)決策級(jí)融合識(shí)別，上述方法可以使不同的特征向量相互補(bǔ)充，提高艦船目標(biāo)識(shí)別的正確率。

1 特征提取方法

1.1 線譜特征提取

圖1給出了典型的線譜特征提取流程。

圖1 線譜提取流程圖Fig.1 The flowchart of line spectrum extraction

首先，將降噪處理后的信號(hào)樣本進(jìn)行中心化處理：

式中：x（i）為信號(hào)樣本，y（i）為中心化處理得到的信號(hào)。通過(guò)多個(gè)時(shí)刻譜值積累可以減少偶然因素的影響，抑制隨機(jī)干擾弱線譜，提高線譜提取的可靠性。由于線譜疊加在連續(xù)譜之上，為了分解出線譜信息，需要通過(guò)譜平滑減去連續(xù)譜，得到去除連續(xù)譜后的線譜圖，只保留線譜。

對(duì)剔除連續(xù)譜后的線譜圖進(jìn)行歸一化處理得到y(tǒng)1（i）：

對(duì)每一點(diǎn)設(shè)置標(biāo)志F（i），對(duì)y1（i）求平均值，舍去小于平均值的點(diǎn)：

譜峰值所在點(diǎn)在局部為最大點(diǎn)，不可能出現(xiàn)在中間點(diǎn)上，因此剔除連續(xù)上升或連續(xù)下降點(diǎn)，只留下轉(zhuǎn)折點(diǎn)[2]：

可得：

剔除極小值：

將剔除的點(diǎn)所在位置的值置為0，得到y(tǒng)4（i）：

對(duì)剔除連續(xù)上升點(diǎn)、連續(xù)下降點(diǎn)和極小值點(diǎn)得到的y4（i）進(jìn)行譜峰值合并處理,即設(shè)置頻率范圍門(mén)限Δg，將頻率范圍Δg內(nèi)的線譜看作同一根線譜，其頻率局部最大值點(diǎn)為

對(duì)式（9）中y5（i）剩下的局部最大值點(diǎn)進(jìn)行門(mén)限閾值處理，即得到線譜特征。

1.2 線性預(yù)測(cè)倒譜特征提取

艦船目標(biāo)是一個(gè)復(fù)雜的發(fā)聲體，即一個(gè)聲頻系統(tǒng)。通過(guò)水聽(tīng)器偵聽(tīng)到的噪聲信號(hào)也可近似看作語(yǔ)音信號(hào)，這種語(yǔ)音信號(hào)就是目標(biāo)中的各種噪聲源通過(guò)這一聲頻系統(tǒng)產(chǎn)生的響應(yīng)，即聲頻系統(tǒng)沖激響應(yīng)和激勵(lì)噪聲源兩者在時(shí)域中的卷積，簡(jiǎn)單來(lái)說(shuō)也就是將船體視為一個(gè)響應(yīng)系統(tǒng)，而內(nèi)部的各個(gè)工作部件就是這個(gè)系統(tǒng)的輸入激勵(lì)信號(hào)，由于船體本身是不變的，那么分離出來(lái)的響應(yīng)函數(shù)也就能代表艦船的目標(biāo)特性[8]。

線性預(yù)測(cè)系數(shù)（Linear Prediction Coefficients,LPC）是用過(guò)去p個(gè)時(shí)刻的聲信號(hào)采樣值的線性組合以最小的預(yù)測(cè)誤差對(duì)下一時(shí)刻的信號(hào)進(jìn)行預(yù)測(cè)[9]，該預(yù)測(cè)值定義為對(duì)噪聲信號(hào)x（n）的p階線性預(yù)測(cè)，預(yù)測(cè)值表示為：

式中，系數(shù)ai（i=0,1,2,…,p）稱(chēng)為噪聲信號(hào)的線性預(yù)測(cè)系數(shù)，即LPC。

信號(hào)x（n）的倒譜cn反映了信號(hào)的時(shí)域特征，定義[10]為

式中，X（z）為信號(hào)x（n）的Z變換。

水聽(tīng)器接收到的聲信號(hào)可以表示為

式中：f（n）為目標(biāo)中的激勵(lì)噪聲源；h（n）為目標(biāo)作為一個(gè)響應(yīng)系統(tǒng)時(shí)的沖激響應(yīng)；hc（n）為聲信道的沖激響應(yīng)；N（n）為加性噪聲，一般情況下可將加性噪聲視為高斯白噪聲。將信號(hào)中的加性噪聲進(jìn)行高斯平滑預(yù)處理，以盡量減小對(duì)目標(biāo)噪聲信號(hào)的影響，將模型簡(jiǎn)化為

為了分離目標(biāo)聲頻特性沖激響應(yīng)h（n），對(duì)信號(hào)進(jìn)行倒譜計(jì)算，設(shè)式（3）中x（n）、f（n）、h（n）、hc（n）的倒譜分別為cn、fn、hn、hcn，則：

由于相同情況下，不同目標(biāo)艦船的聲信道沖激響應(yīng)hcn基本不變，可將hcn作為系統(tǒng)誤差進(jìn)行忽略，所以式（14）簡(jiǎn)化得到信號(hào)x（n）的倒譜cn：

若噪聲使用全極點(diǎn)模型，艦船目標(biāo)系統(tǒng)函數(shù)可表示為[10]

由上式可知h（n）的倒譜hn隨n的增加而衰減，因此，hn集中在目標(biāo)噪聲信號(hào)倒譜的低時(shí)段。線性預(yù)測(cè)倒譜是基于時(shí)域劃分的以時(shí)間片段為軸系的特征，低時(shí)段指坐標(biāo)軸中時(shí)間序列較低部分，高時(shí)段指坐標(biāo)軸中時(shí)間序列較高部分。

激勵(lì)噪聲源f（n）可以表示為周期性的沖激信號(hào)[10]：

對(duì)f（n）求倒譜得到fn[9]：

可以看出激勵(lì)噪聲源的倒譜是周期性的沖激函數(shù)，周期Np保持不變，因Np相對(duì)于n較大，所以fn處于高時(shí)段。

由于hn和fn所處的倒譜時(shí)段不同，通過(guò)提取噪聲信號(hào)倒譜的低時(shí)段和高時(shí)段．可以將它們較好地分離。因此用噪聲信號(hào)倒譜的低時(shí)段分量就可以很好地表示目標(biāo)作為發(fā)聲體的沖激響應(yīng)[9]。從而將信號(hào)中的激勵(lì)噪聲源fn剔除，保留響應(yīng)函數(shù)特征，即僅保留hn。

將LPC系數(shù)代入式（15）推導(dǎo)得出艦船目標(biāo)輻射噪聲信號(hào)的LPC倒譜cn[9]：

式（20）中的an即為由式（10）計(jì)算得到的LPC系數(shù)。典型的LPC倒譜特征提取結(jié)果如圖2所示。

圖2 典型的LPC倒譜特征Fig.2 Typical cepstrum features of LPC

2 目標(biāo)特征融合識(shí)別

2.1 特征融合識(shí)別方法

考慮到對(duì)目標(biāo)的特征融合算法本身增大了識(shí)別算法整體的運(yùn)算量和復(fù)雜度，本文采用將BP神經(jīng)網(wǎng)絡(luò)的輸出向量作為決策級(jí)融合的輸入數(shù)據(jù)。一方面因?yàn)?BP神經(jīng)網(wǎng)絡(luò)具有優(yōu)異的非線性映射能力，并且它的簡(jiǎn)單高效使其在模式識(shí)別領(lǐng)域被廣泛應(yīng)用，另一方面由于特征融合導(dǎo)致的特征維數(shù)增加，而經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)的判別后，特征維數(shù)被有效降至低維矢量，再經(jīng)過(guò)融合算法構(gòu)成完整的識(shí)別系統(tǒng)，既有效降低了數(shù)據(jù)運(yùn)算量，提高了系統(tǒng)效率，避免了維數(shù)過(guò)高可能帶來(lái)的精度降低問(wèn)題。決策級(jí)融合方式如圖3所示。

圖3 決策級(jí)特征融合識(shí)別方式示意圖Fig.3 Schematic diagram of decision-level feature fusion

2.2 決策級(jí)融合的加權(quán)投票法

在決策級(jí)融合方法中，常見(jiàn)的有投票法、貝葉斯（Bayes）推理法、D-S證據(jù)論證法[11-13]。其中，投票法最為簡(jiǎn)單直觀，且應(yīng)用廣泛。因此，本文采用加權(quán)投票決策級(jí)融合方式。

設(shè)給定的模式空間D中的向量分屬于M個(gè)互斥的集合C1、C2…CM，識(shí)別系統(tǒng)由J個(gè)特征提取連接獨(dú)立的分類(lèi)器組合形成，若分類(lèi)器ej對(duì)于來(lái)自Ci的樣本有期望輸出Ei,j，而在分類(lèi)器ej進(jìn)行識(shí)別時(shí)產(chǎn)生的輸出向量為yj，由于期望輸出向量Ei,j與實(shí)際輸出向量yj基本不相同，并且類(lèi)別相差越大的目標(biāo)，向量Ei,j與yj差值越大。所以當(dāng)期望輸出向量Ei,j與實(shí)際輸出向量yj差值較大時(shí)，賦予識(shí)別集合Ci較小權(quán)值，當(dāng)Ei,j與yj差值較小時(shí)，賦予識(shí)別集合Ci較大權(quán)值。

權(quán)值計(jì)算流程如圖4所示，權(quán)值公式定義為

圖4 權(quán)值計(jì)算流程圖Fig.4 Flow chart of weight calculation

相對(duì)距離定義為

圖5 支持度計(jì)算流程圖Fig.5 Flow chart of support calculation

則積分上限Oj為各分類(lèi)器產(chǎn)生輸出向量中相對(duì)距離最小值的負(fù)數(shù):

基于多個(gè)分類(lèi)器輸出向量加權(quán)投票法的判決規(guī)則E（D）為[14]

式中：Tk為決策閾值根據(jù)系統(tǒng)需求設(shè)定；k為某個(gè)已設(shè)定類(lèi)別；P（D∈Ci）為式（23）計(jì)算得到輸入數(shù)據(jù)屬于Ci類(lèi)別的票數(shù)。該系統(tǒng)引入拒判機(jī)制，當(dāng)票數(shù)P低于決策閾值Tk時(shí)，判決輸入數(shù)據(jù)不屬于數(shù)據(jù)庫(kù)內(nèi)的已知目標(biāo)，防止識(shí)別系統(tǒng)將數(shù)據(jù)庫(kù)外的目標(biāo)進(jìn)行誤判。

3 實(shí)驗(yàn)驗(yàn)證

3.1 實(shí)驗(yàn)概述

為驗(yàn)證本文提出的艦船目標(biāo)識(shí)別方法的有效性，在某海域進(jìn)行了實(shí)船驗(yàn)證實(shí)驗(yàn)。實(shí)驗(yàn)涉及三類(lèi)實(shí)船目標(biāo)，主要參數(shù)如表1所示。實(shí)驗(yàn)海域?yàn)槟嗌迟|(zhì)斜坡式海底，水深30～50 m，海況3～4級(jí)。參照實(shí)船噪聲測(cè)試規(guī)范，實(shí)驗(yàn)過(guò)程中，被測(cè)艦船由出發(fā)點(diǎn)加速至目標(biāo)航速，以既定正橫距離通過(guò)測(cè)量系統(tǒng)后駛出測(cè)量區(qū)域。選取每段噪聲數(shù)據(jù)末尾處即目標(biāo)艦船離開(kāi)測(cè)量區(qū)域后的測(cè)試數(shù)據(jù)作為背景噪聲，以目標(biāo)艦船處于正橫處的測(cè)試數(shù)據(jù)作為信號(hào)計(jì)算信噪比。

表1 三類(lèi)目標(biāo)船型數(shù)據(jù)Table 1 The data of three types of target ship

針對(duì)三類(lèi)艦船輻射噪聲數(shù)據(jù)進(jìn)行分析，其中：

（1）交通艇測(cè)試數(shù)據(jù)206個(gè)，航速均為 6 kn（1 kn=1.852 km·h-1），測(cè)試正橫距離 300 m，水深30 m，信噪比約為11.1 dB，驗(yàn)證大數(shù)據(jù)量情況下系統(tǒng)的識(shí)別效果；

（2）拖輪測(cè)試數(shù)據(jù)284個(gè)，航速4 kn，正橫距離300 m，水深30 m，信噪比約為10.8 dB的數(shù)據(jù)142個(gè)；航速7 kn，正橫距離1 500 m，水深50 m，信噪比約為3 dB的數(shù)據(jù)142個(gè)，主要驗(yàn)證目標(biāo)相對(duì)距離對(duì)系統(tǒng)識(shí)別穩(wěn)定性的影響；

（3）某型實(shí)驗(yàn)船測(cè)試數(shù)據(jù)198個(gè)，航速6 kn，正橫距離300 m，水深30 m，信噪比約為9.4 dB的數(shù)據(jù)70個(gè)；航速9 kn，拖槳滑行，正橫距離300 m，水深30 m，信噪比約為4.3 dB的數(shù)據(jù)71個(gè)；航速13 kn，正橫距離 300 m，水深 30 m，信噪比約為26.1 dB的數(shù)據(jù)57個(gè)，驗(yàn)證不同工況及小數(shù)據(jù)量情況下識(shí)別系統(tǒng)的穩(wěn)定性。

3.2 數(shù)據(jù)處理流程

（1）將測(cè)量得到的A、B、C三類(lèi)不同類(lèi)型的船只輻射噪聲分為訓(xùn)練組和測(cè)試組兩組數(shù)據(jù)，挑選具有典型特征代表的數(shù)據(jù)作為訓(xùn)練組，訓(xùn)練組樣本個(gè)數(shù)分別為：A類(lèi)56個(gè)、B類(lèi)84個(gè)、C類(lèi)61個(gè)。測(cè)試組樣本個(gè)數(shù)分別為：A類(lèi)150個(gè)、B類(lèi)200個(gè)、C類(lèi)137個(gè)。

（2）將訓(xùn)練組噪聲數(shù)據(jù)進(jìn)行線譜特征提取和LPC倒譜特征提取，保存得到特征向量。

（3）分別用線譜特征向量和LPC倒譜特征向量訓(xùn)練獨(dú)立的BP神經(jīng)網(wǎng)絡(luò)并存儲(chǔ)。

（4）提取測(cè)試組數(shù)據(jù)的線譜特征，輸入由訓(xùn)練組的線譜特征訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，得到單獨(dú)使用線譜特征識(shí)別目標(biāo)的識(shí)別率。

（5）提取測(cè)試組數(shù)據(jù)的LPC倒譜特征，輸入由訓(xùn)練組的LPC倒譜特征訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，得到單獨(dú)使用LPC倒譜特征識(shí)別目標(biāo)的識(shí)別率。

（6）將測(cè)試組數(shù)據(jù)的線譜特征和LPC倒譜特征同時(shí)輸入對(duì)應(yīng)的BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器，得到兩個(gè)分類(lèi)器的輸出向量后，輸入至決策器進(jìn)行判決，最終得出聯(lián)合特征識(shí)別的識(shí)別率。

3.3 BP神經(jīng)網(wǎng)絡(luò)及決策器設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)為3層，其中輸入層神經(jīng)節(jié)點(diǎn)數(shù)為各自特征的維數(shù)，輸出層神經(jīng)節(jié)點(diǎn)數(shù)為3，三類(lèi)目標(biāo)的期望輸出值分別為[1 0 0]、[0 1 0]、[0 0 1]。隱含層的神經(jīng)節(jié)點(diǎn)數(shù)按照經(jīng)驗(yàn)公式設(shè)計(jì)[15]：

其中：m為輸入層神經(jīng)節(jié)點(diǎn)數(shù)，n為輸出層神經(jīng)節(jié)點(diǎn)數(shù)。

經(jīng)過(guò)多次實(shí)驗(yàn)得出的最優(yōu)結(jié)果，設(shè)決策閾值Tk=0.45，此時(shí)的判決準(zhǔn)則為：輸出向量得票數(shù)最高且超過(guò)決策閾值Tk的決策結(jié)果。

3.4 實(shí)驗(yàn)結(jié)果及分析

表2～4分別給出了不同工況下分別基于線譜特征、LPC倒譜特征及融合時(shí)頻域特征的三型船只識(shí)別結(jié)果。

表2 基于A類(lèi)目標(biāo)識(shí)別結(jié)果Table 2 Recognition result of Class A targets

如圖6所示，對(duì)A類(lèi)目標(biāo)特征的線譜提取時(shí)發(fā)現(xiàn)，由于某單程受到不明來(lái)源的低頻噪聲干擾，導(dǎo)致測(cè)試組中的幾個(gè)特征數(shù)據(jù)出現(xiàn)了較強(qiáng)干擾譜線，分類(lèi)器對(duì)這幾個(gè)特征數(shù)據(jù)誤判。但由于總體信噪比條件良好，以LPC倒譜作為對(duì)目標(biāo)時(shí)域特征的描述未受無(wú)節(jié)奏周期聲干擾的影響，仍表現(xiàn)出對(duì)A類(lèi)目標(biāo)較高的識(shí)別率。而應(yīng)用融合特征識(shí)別時(shí)將錯(cuò)誤判例及時(shí)糾正，提高了對(duì)A類(lèi)目標(biāo)的識(shí)別率（表2）。

圖6 A類(lèi)目標(biāo)6 kn航速的線譜特征對(duì)比Fig.6 Comparison of line spectrum feature of Class A targets at 6 kn speed

由于B類(lèi)目標(biāo)的線譜特征較為明顯，且作為訓(xùn)練組的數(shù)據(jù)具有代表性，對(duì)B類(lèi)目標(biāo)的線譜識(shí)別即使在遠(yuǎn)距離也具有極高的識(shí)別率，而LPC倒譜特征作為時(shí)域上的節(jié)奏性特征，遠(yuǎn)距離識(shí)別率出現(xiàn)下降，但兩種特征依然互為補(bǔ)充，從而達(dá)到準(zhǔn)確識(shí)別目標(biāo)的效果（表3）。

表3 對(duì)于B類(lèi)目標(biāo)識(shí)別結(jié)果Table 3 Target recognition result of Class B targets

針對(duì)C類(lèi)目標(biāo)13 kn航速狀態(tài)下的識(shí)別，由于訓(xùn)練組供分類(lèi)器訓(xùn)練的數(shù)據(jù)樣本較少，且工況中存在目標(biāo)在加速狀態(tài)后切換到勻速航行狀態(tài)并轉(zhuǎn)舵的情況，使聲節(jié)奏疊加并受到干擾結(jié)果如圖7所示。LPC倒譜的識(shí)別率嚴(yán)重降低，決策器通過(guò)置信度算法顯示分類(lèi)器偏移期望向量過(guò)大，自動(dòng)給予線譜特征識(shí)別方式較高的支持度，而線譜在譜值積累的作用下抑制了短時(shí)出現(xiàn)的轉(zhuǎn)舵聲，仍有較好的識(shí)別率，使總識(shí)別率不受LPC倒譜特征的影響，即聯(lián)合特征的識(shí)別率仍與線譜特征識(shí)別率持平（表4）。

表4 對(duì)于C類(lèi)目標(biāo)識(shí)別結(jié)果Table 4 Target recognition result of Class C targets

圖7 C類(lèi)目標(biāo)13 kn航速的LPC倒譜特征對(duì)比Fig.7 Comparison of LPC cepstrum feature of class C targets at 13 kn speed

4 結(jié) 論

本文提出了一種融合時(shí)頻域特征，并在常用的加權(quán)投票法后加入置信度算法的識(shí)別方法，對(duì)三類(lèi)不同類(lèi)型的艦船在多種工況下進(jìn)行識(shí)別，分析了不同識(shí)別方法的特點(diǎn)，通過(guò)實(shí)驗(yàn)驗(yàn)證了本方法的可行性。

研究發(fā)現(xiàn)，對(duì)于艦船目標(biāo)聲學(xué)特征的描述，頻域方面的線譜特征識(shí)別率較為穩(wěn)定，時(shí)域方面的LPC倒譜特征識(shí)別率波動(dòng)較大，推測(cè)其使用的聲節(jié)奏特征易受到復(fù)雜工況和環(huán)境疊加干擾的影響，后續(xù)研究將加強(qiáng)對(duì)該方面進(jìn)行驗(yàn)證。盡管如此，由于頻域和時(shí)域?qū)δ繕?biāo)聲學(xué)特征的描述方式不同，呈現(xiàn)出互補(bǔ)的效果，所以融合多種特征的目標(biāo)識(shí)別方式可以互相修正某些錯(cuò)誤判別，具有較強(qiáng)的魯棒性，可提升對(duì)目標(biāo)的識(shí)別率。加權(quán)投票法后加入置信度算法的方式，避免了常用投票法中出現(xiàn)被低識(shí)別率識(shí)別方法拉低總識(shí)別率的問(wèn)題，提高了識(shí)別系統(tǒng)的穩(wěn)定性和可信度。

本文將線譜特征作為融合特征之一，但近代艦船大量使用大側(cè)斜螺旋槳，大幅降低了葉頻和諧波噪聲。為了在低信噪比狀況下提取目標(biāo)低頻線譜特征，研究人員提出了DEMON譜分析、循環(huán)平穩(wěn)譜分析、Hilbert-Huang變換、小波分析等系列方法。后續(xù)研究可考慮將上述方法融入到本文提出的多特征聯(lián)合識(shí)別系統(tǒng)，進(jìn)一步提升目標(biāo)識(shí)別的準(zhǔn)確率和魯棒性。

致謝感謝大連測(cè)控技術(shù)研究所科研一室參加海試的科研人員，他們對(duì)實(shí)驗(yàn)數(shù)據(jù)獲取做了大量的工作。