基于光纖矢量水聽器垂直陣列的目標(biāo)探測識別算法研究*

徐紅霞 易朗宇 高發(fā)仁 楊廷新 龔海霞 施 劍

（中國電子科技集團(tuán)公司第七研究所 廣州 510310）

1 引言

由于我國海域十分遼闊，且具有豐富的資源，保護(hù)我國海域不受侵?jǐn)_并積極開發(fā)現(xiàn)有資源對國家穩(wěn)定和經(jīng)濟(jì)發(fā)展意義重大［1～3］。隨著對海洋開發(fā)力度的不斷增大，安裝在海底的設(shè)備也日益增加，但這些設(shè)備常常會(huì)在無關(guān)船只進(jìn)行作業(yè)時(shí)被損壞。為了保障設(shè)備的安全運(yùn)行，就需要在設(shè)備周邊布置目標(biāo)探測識別設(shè)備，以探測是否有過往的無關(guān)船只［4］。當(dāng)探測到有可疑船只經(jīng)過時(shí)，設(shè)備告警并實(shí)時(shí)識別船只的類型，以方便工作人員采取合適的應(yīng)對措施。

由于光纖矢量水聽器具有工作可靠、探測弱信號能力強(qiáng)和定向精度高等優(yōu)點(diǎn)［5～6］，本文基于光纖矢量水聽器垂直陣列研究了目標(biāo)探測和目標(biāo)識別算法，并通過試驗(yàn)對算法的方位估計(jì)性能和目標(biāo)識別性能進(jìn)行了驗(yàn)證。

2 目標(biāo)探測識別算法研究

2.1 目標(biāo)探測算法

考慮到艦船噪聲的寬帶性質(zhì)，在進(jìn)行目標(biāo)探測時(shí)應(yīng)選取寬帶方位估計(jì)算法。矢量水聽器的寬帶方位估計(jì)算法主要有聲能流平均法和直方圖分析法。聲能流平均法利用的是積分時(shí)間內(nèi)的平均聲能流方向來進(jìn)行定向，其缺點(diǎn)是不能用于多目標(biāo)定向［7］。直方圖分析法利用的則是統(tǒng)計(jì)方法，通過統(tǒng)計(jì)工作頻帶內(nèi)每個(gè)頻率點(diǎn)估計(jì)出的聲強(qiáng)流方向來獲得最終的方位估計(jì)結(jié)果，具有多目標(biāo)定向能力［8］。直方圖分析法的流程如圖1所示。

圖1 直方圖分析法示意圖

圖中 vx、vy、Ix(f)、Iy(f)和 p分別為 x，y方向上的振速信息、x，y方向上的聲強(qiáng)流譜和標(biāo)量聲壓。方位轉(zhuǎn)換利用的是三角函數(shù)原理：

考慮寬帶信源的方位為281°的情況，仿真時(shí)設(shè)置信噪比為5dB，仿真結(jié)果如圖2所示。從圖2中可以看出，直方圖法估計(jì)出的方向?yàn)?81°，結(jié)果非常準(zhǔn)確。

圖2 直方圖法仿真結(jié)果

為了方便系統(tǒng)拓展，本文最終選擇的是直方圖分析法。為了提高接收信噪比，從而提升系統(tǒng)探測距離，系統(tǒng)采用的是垂直水聽器陣列來接收信號，而直方圖分析法為基于單矢量水聽器的方位估計(jì)算法，所以在進(jìn)行方位估計(jì)之前采用波束形成技術(shù)來將接收信號合成一路并提升系統(tǒng)增益。

2.2 目標(biāo)識別算法

目標(biāo)識別算法主要由特征抽取算法和判別算法這兩部分組成。判別器的準(zhǔn)確率受特征抽取結(jié)果的影響非常大，若抽取的特征不能有效地表征幾類目標(biāo)之間的區(qū)別，則分類的結(jié)果會(huì)非常差。

在水聲目標(biāo)識別算法中，較為常用的特征有線譜特征、包絡(luò)譜特征和倒譜特征。線譜特征中最有代表性的就是LOFAR譜。LOFAR譜主要是利用信號在短時(shí)間內(nèi)的平穩(wěn)特征來提取噪聲中穩(wěn)定的低頻成份［9］。包絡(luò)譜特征中比較有代表性的是DEMON譜。DEMON譜提取的是噪聲信號包絡(luò)中蘊(yùn)含的調(diào)制信息［10］。倒譜特征主要包括LPC倒譜和Mel倒譜［11］。因?yàn)镸el倒譜在建模時(shí)充分考慮了生物的聽覺機(jī)理，具有可靠的理論依據(jù)，所以其綜合性能較線譜特征、包絡(luò)譜特征和LPC倒譜特征好［12］。

Mel頻率與實(shí)際頻率的轉(zhuǎn)換公式為

Mel濾波器的響應(yīng)為

其中 fc為第c個(gè)濾波器的中心頻率，且有

Mel倒譜的抽取方法如圖3所示。其中對數(shù)壓縮的目的是模擬神經(jīng)細(xì)胞的非線性效應(yīng)，DCT變換的目的則是去除特征中的冗余信息。

圖3 Mel倒譜特征抽取

如式所示的Mel濾波器組中各個(gè)濾波器的響應(yīng)幅度相同，但考慮到船只輻射噪聲中低頻分量蘊(yùn)含的信息更加豐富，本文對其進(jìn)行了改進(jìn)，按照負(fù)指數(shù)規(guī)律對低頻部分加以更大的權(quán)重。由于所使用的光纖水聽器在1000Hz以上有多個(gè)自激頻率，不適合用于特征抽取，所以在進(jìn)行特征抽取時(shí)僅考慮1000Hz以下的頻率成分。改進(jìn)前后的Mel濾波器的幅度響應(yīng)如圖4所示。

圖4 改進(jìn)前后的Mel濾波器幅度響應(yīng)

按照圖3的流程抽取出的只是靜態(tài)特征，不能表征船只運(yùn)動(dòng)狀態(tài)的變化。為了提高算法的識別率，本文采用的是艦船輻射噪聲的13通道靜態(tài)特征及其一、二階差分，共計(jì)39維特征作為分類器的輸入。

常用的分類器有神經(jīng)網(wǎng)絡(luò)、感知器和支持向量機(jī)等。支持向量機(jī)的原理如圖5所示，其目的就是在樣本空間中尋找一個(gè)與兩類數(shù)據(jù)的距離同時(shí)達(dá)到最大的超平面將原始數(shù)據(jù)分開，也就是圖中的P*。構(gòu)造支持向量機(jī)的流程如圖6所示。

圖5 支持向量機(jī)原理

圖6 支持向量機(jī)構(gòu)造流程

由于支持向量機(jī)具有模型簡單、訓(xùn)練所需樣本量小的優(yōu)點(diǎn)，本文選取支持向量機(jī)作為判別算法。

3 湖上試驗(yàn)

為了驗(yàn)證目標(biāo)探測算法和目標(biāo)識別算法的性能，在2021年12月23日于撫仙湖開展了定點(diǎn)測試試驗(yàn)和動(dòng)態(tài)測試試驗(yàn)。試驗(yàn)進(jìn)行時(shí)，所用的信號處理設(shè)備均布置在岸邊，并通過光電復(fù)合線纜與陣列連接。為了利用定向交匯算法獲得待測目標(biāo)的精確位置，試驗(yàn)中共使用了兩條陣列。兩陣列的位置關(guān)系如圖7所示，陣列1位于坐標(biāo)原點(diǎn)處，陣列2位于陣列1正北方向1km處。

圖7 陣列布置圖

試驗(yàn)所用到的目標(biāo)船有兩種，分別為100t測量船和小型快艇。

3.1 定點(diǎn)測試試驗(yàn)

該試驗(yàn)主要通過吊放聲源的方式進(jìn)行（此時(shí)將聲源作為探測目標(biāo)，不進(jìn)行目標(biāo)識別），并依據(jù)陣列估計(jì)角度的均方根誤差來驗(yàn)證系統(tǒng)的方位估計(jì)精度。

試驗(yàn)進(jìn)行時(shí)，先后在湖上的距兩陣列約3km處的三個(gè)點(diǎn)位布放聲源，并發(fā)射頻率為600Hz～900Hz的線性調(diào)頻脈沖信號（脈沖寬度為0.1s，重復(fù)周期為1s），兩個(gè)陣列估計(jì)角度的均方根誤差如表1所示。

表1 陣列角度估計(jì)均方根誤差

從表1中可以看出，陣列估計(jì)角度的均方根誤差小于1.5°，陣列的角度估計(jì)精度較高。

3.2 動(dòng)態(tài)測試試驗(yàn)

在試驗(yàn)進(jìn)行時(shí)，先后指揮小型快艇和100t測量船從坐標(biāo)點(diǎn)（1400，2500）附近處出發(fā)，以5節(jié)的速度向東北方向航行，利用船載定位系統(tǒng)實(shí)時(shí)記錄船只位置并同時(shí)進(jìn)行船只目標(biāo)跟蹤和識別，跟蹤和識別的周期均為1s。船只跟蹤結(jié)果如圖8所示（只截取了中間60s的數(shù)據(jù)）。

圖8 船只跟蹤結(jié)果

從圖8中可以看出，系統(tǒng)跟蹤結(jié)果與船只的軌跡重合程度較高，證明系統(tǒng)的跟蹤效果較好。除此之外，還可以發(fā)現(xiàn)系統(tǒng)對小型快艇的跟蹤結(jié)果較100t測量船的更加離散，這可能是由小型快艇的輻射噪聲更小導(dǎo)致的。

從截取的100s噪聲數(shù)據(jù)中抽取可得兩類目標(biāo)的Mel特征和改進(jìn)的Mel特征如圖9所示。圖9（a）和圖9（b）分別為小型快艇和100t測量船的改進(jìn)前Mel特征，圖9（c）和圖9（d）分別為小型快艇和100t測量船的改進(jìn)后Mel特征，圖9（e）和圖9（f）分別為對兩船的改進(jìn)前后的Mel特征求平均值的結(jié)果。從圖9（a）、圖 9（b）、圖9（e）中可以看出，兩類船只的39維特征非常穩(wěn)定，但區(qū)別不大，這表明抽取出的特征具有良好的一致性，但沒有良好的可分性。從圖 9（c）、圖 9（d）、圖9（f）中可以看出，兩類船只的39維特征非常穩(wěn)定，且前13維標(biāo)準(zhǔn)特征區(qū)別非常大，這表明抽取出的特征具有良好的一致性和可分性。

圖9 Mel倒譜特征結(jié)果

將特征數(shù)據(jù)輸入到基于線性核函數(shù)的SVM中進(jìn)行訓(xùn)練。訓(xùn)練完成后，從記錄的噪聲數(shù)據(jù)中另截取200s進(jìn)行特征抽取，并將特征數(shù)據(jù)輸入到訓(xùn)練好的SVM中驗(yàn)證算法的效果，可得基于改進(jìn)前后Mel特征的混淆矩陣如下。

表2 基于改進(jìn)前Mel特征的混淆矩陣

表3 基于改進(jìn)后Mel特征的混淆矩陣

從混淆矩陣中可以看出，利用改進(jìn)前的Mel特征對小型快艇和100t測量船進(jìn)行分類的識別率不高，僅為72%和78.5%，而利用改進(jìn)后的Mel特征可以將識別率提高到90%以上。

4 結(jié)語

本文研究了用于目標(biāo)探測的直方圖分析法和用于目標(biāo)識別的Mel特征與支持向量機(jī)，并對Mel特征進(jìn)行了改進(jìn)。湖上試驗(yàn)表明，直方圖分析法的方位估計(jì)精度可達(dá)1.5°，改進(jìn)后的目標(biāo)識別算法的準(zhǔn)確率可達(dá)90%以上，具備跟蹤水面船只軌跡和對水面船只進(jìn)行分類識別的能力，可以實(shí)現(xiàn)水面目標(biāo)探測識別預(yù)警。