CN101470194B - 一种水雷目标的识别方法 - Google Patents

Abstract

本发明公开一种水雷目标的识别方法，包括：步骤10)、获取声纳阵接收的目标的回波数据信号，计算所述回波数据信号的双谱特征；步骤20)、对所述双谱特征进行优化，获取独立的双谱特征；步骤30)、利用分类器比较训练获取的独立双谱特征和步骤20)中获取的所述独立双谱特征，确定所述目标是否为水雷目标。本方法经理论分析、湖海试实验数据验证，可较好的解决水雷非水雷目标识别问题。

Description

一种水雷目标的识别方法

技术领域

本发明涉及声纳信号处理技术领域，更具体地，本发明涉及一种水雷目标的识别方法。

背景技术

水雷目标的外形大多为近似圆柱形、近似球形和不规则体，尺度较小，内部有空腔存在，外壳材料多为金属或者诸如玻璃钢的非金属。非水雷目标可以是礁石、碎石、实心的人造物、沉船等，尺度范围变化很大。对于水下掩埋目标，通常通过一维主动声纳进行探测，目标的特性反映在回波信号中，通过分析回波信号可以实现对目标的识别。

图1的水雷目标主动探测示意图示出水雷目标掩埋于海底，声纳阵发送探测信号，经目标和水底反射得到回波信号，对回波信号进行分析，获取目标信息。水雷目标按其在水下的状态大致分为：悬吊、沉底和掩埋。利用主动声纳探测悬吊状态目标的工作背景主要是体积混响，在许多时候体积混响相对较弱，是比较容易探测的一种状态；沉底状态探测的干扰背景主要以海底混响为主，混响强度与发射功率、距离、海底底质、工作频率、掠射角等因素有关，这给目标的探测和识别带来极大的困难；掩埋探测时，不仅存在海底混响，而且掩埋层对声波的强烈吸收使探测工作变的极为艰难。

现有的诸如时域波形分析，信号频谱分析，功率谱分析，时频联合分布的目标识别方法可以反映高斯平稳信号的目标特征信息，但对于海底混响引起的非高斯非平稳性问题，难以描述回波信号的真实谱信息，从而难以实现对水雷目标和非水雷目标的准确识别。

发明内容

为克服现有水雷目标回波信号中非高斯性问题带来的水雷目标难以准确识别的缺陷，本发明提出一种水雷目标的识别方法。

根据本发明的一个方面，提出了一种水雷目标的识别方法，包括：

步骤10)、获取声纳阵接收的目标回波数据信号，计算所述目标回波数据信号的双谱特征；

步骤20)、对所述双谱特征进行优化，获取独立的双谱特征；

步骤30)、利用分类器识别所述独立双谱特征，确定所述目标是否为水雷目标。

其中，步骤10)还包括：

对接收的回波数据信号进行预处理，使其幅度归一化，也可以利用匹配相关处理方法提高所述信号的输入信噪比；或者对接收的回波数据信号运用直达声信号与接收阵信号进行匹配滤波。

其中，步骤10)还包括使用公式B(ω₁，ω₂)＝X(ω₁)X(ω₂)X^*(ω₁+ω₂)计算所述回波数据信号的双谱特征，其中，x(t)为所述回波数据信号，X(ω)为x(t)的傅立叶变换；^*为复共轭。

其中，步骤10)还包括使用公式 $E\left(l\right)=\underset{S_l}{\mathrm{\Σ}}B({\mathrm{\ω}}_1,{\mathrm{\ω}}_2)$ 计算所述回波数据信号的围线面积积分双谱特征，其中，S_l是积分路径；l＝1、2、...、L，L为积分数，积分路径为以原点为中心的正方形间的面积，B(ω₁，ω₂)为所述回波数据信号的双谱特征值。

其中，步骤20)中的所述优化包括去除所述积分双谱特征分量的一、二阶相关性及特征间的高阶相关信息，提取独立的积分双谱特征。

其中，步骤20)还包括根据快速独立成分分析方法使用公式 $s_i=w_i^{T}X$ 在各积分双谱特征中提取负熵最大化的积分双谱特征，其中，X是所述积分双谱特征，w_i ^T为所述快速独立成分分析模型中待估计的分离矩阵W的、与积分双谱特征s_i相对应的行向量；当X在w_i ^TX上的投影非高斯最大时，s_i为所提取的独立的双谱特征。

其中，步骤30)中，所述分类器比较训练获取的独立双谱特征和步骤20)中获取的所述独立双谱特征，确定所述目标是否为水雷目标。

其中，步骤30)中，所述训练获取的独立双谱特征为通过步骤10)和步骤20对已知水雷目标获得的独立双谱特征。

其中，步骤30)中，所述分类器为概率神经网络分类器。

本发明通过基于局部积分双谱特征来识别水雷目标，计算积分双谱特征，从而保证获取目标识别中的重要信息；根据快速独立成分分析方法对所提特征进行独立成分分析，构成局部积分双谱特征进行水雷非水雷目标识别，经理论分析、湖海试实验数据验证，可较好的进行水雷非水雷目标的识别。

附图说明

图1为声纳阵用于水雷目标主动探测的示意图；

图2为根据本发明的水雷目标识别流程图；

图3(a)和(b)分别是典型水雷和非水雷双谱分布示意图；

图4为根据本发明的FastICA算法流程图；

图5为围面积分双谱的积分路径示意图。

具体实施方式

下面结合附图和具体实施例对本发明提供的一种水雷目标的识别方法进行详细描述。

目标特征提取是目标识别的关键，良好的特征提取应该是可以使用较少的特征存储量来准确表达目标的类别属性。水下目标回波特性既可以由时间域的冲击响应描述，也可以由频率域上的系统函数描述。理论上，目标回波信号中包含有目标特征的丰富信息，可以直接用于目标分类。但由于目标回波信号中包含的目标信息具有很强的动态性和随机性，使得目标特征和目标客体之间的关系难以良好表达。而且无论哪种描述都是不全面的，而仅仅是目标特性在特定的特征空间的投影。

功率谱分析是一种常用的数据分析手段，但也只能得到信号包含哪些频率分量以及各分量的相对强度信息，无法获得这些频率分量如何随时间演变的信息，也就是说只有针对平稳信号才能够反映其真实的谱信息。从严格的意义上讲，自然界几乎所有的信号，其频率特征都是随时间变化的。这导致以频谱分析为基础的传统数字信号处理方法陷入困境，无法细致跟踪信号的时变特征，至少是无法直观地得到信号的动力学特征。

由于水声信号的产生是一个十分复杂的非线性过程，若要对其做出精确的描述，仅用二阶统计量显然不够。从沉底和掩埋水雷的回波生成机理方面考虑，存在时域和频域统计特征参数的、甚至可能是严重的非高斯性问题。非高斯过程的分析处理工具是高阶累积量，将高阶统计量用于水下目标识别可以有效抑制高斯噪声的影响。

双谱是高阶谱中阶数为3的一种特例，应用较广。在机械故障诊断中，为了更有效地提取信号特征，不能总假设信号具有高斯性，周期信号与准周期信号可以当作非高斯信号，复杂机械系统的自激信号也可以当作非高斯信号处理，所以作为非高斯信号处理更容易捕获故障信息。高阶谱是分析非高斯信号的有力工具，从更高阶概率结构表征随机信号，可以弥补二阶统计量(功率谱)不包含相位信息的缺陷，高阶谱有很强的消噪能力，理论上能完全抑制高斯噪声。

双谱定义为：

B(ω₁，ω₂)＝X(ω₁)X(ω₂)X^*(ω₁+ω₂)(1)

其中，x(t)为零均值、实平稳随机信号，X(ω)为x(t)的傅立叶变换；^*为复共轭。与功率谱不同，双谱不仅有幅度，而且有相位，因而与功率谱、傅立叶变换幅度谱相比能够更好地反映回波信号的信息。双谱可以抑制概率密度分布对称的噪声，如高斯噪声，均匀噪声等。

一维时间序列的双谱变换为复矩阵，包括幅值信息与相位信息。双谱分布属于高维空间分辨，可以视为一幅图像，直接利用图像本身显然计算量太大，必须对之进行合适的特征提取，降低维数，才能成为有意义的分类标准。

本方法从双谱矩阵提取了双谱的局部积分特征。通过沿双谱平面过原点的直线进行积分得到径向积分双谱；以一组原点为圆心的同心圆作为积分路径得到圆周积分双谱；对双谱进行围线面积积分得到围面积分双谱。这些积分双谱特征普遍具有平移不变性和尺度不变性，并且保留了信号的尺度信息和部分相位信息，从而保证能够获取目标识别中的重要信息。

基于局部积分双谱特征的水雷非水雷识别方法，实现大致分为4个步骤。其方法流程图见图2所示，对已知的水雷目标使用下述方法，获取独立积分特征，然后对测试目标使用下述方法获取独立积分特征，使用分类器进行比较识别，获得所识别的水雷目标的信息，详细如下所述。

步骤1：信号预处理

对时域接收数据信号，即声纳接收阵获取的目标发射回波数据，进行幅度归一化，保证所提信号特征数量级统一；再次，为了克服时域接收数据信号信噪比低的缺点，可利用匹配相关处理的方法提高特征提取的输入信噪比。根据主动发射信号形式，仿真水下传输信道，模拟接收端信号形式与时域接收信号进行匹配滤波；或者，运用直达声信号与接收阵信号进行匹配滤波。

步骤2：计算经过预处理的数据信号的双谱

根据公式(1)计算信号双谱，即对接收的回波数据x(t)计算其双谱，典型水雷非水雷双谱图如图3所示。从信号域到双谱域的变换一方面使变换后的双谱域数据具有平移不变性质，同时保持相位信息，这些对识别非常有价值，同时信号变换到双谱域也抑制和降低了干扰和噪声的影响。

由于数据量的复杂，如果直接使用双谱矩阵作为特征，目标模板库的存储量巨大，而且双谱具有很大的信息冗余，需要降低维数，将二维特征变化为可用的一维空间，寻找既能反映目标特征又能降低运算量的方法。

1.求解径向积分双谱

公式为： $\mathrm{MRIB}\left(a\right)={\∫}_{f_1=0^{+}}^{\frac{1}{1+a}}B(f_1,{\mathrm{af}}_1){\mathrm{df}}_1;$

其中，0＜a＜1，ω₁＝2πf₁。B为双谱，f₁为频率；其积分路径为过原点的直线，径向积分双谱特征具有平移不变性和尺度不变性。

2.求解圆周积分双谱

公式为：CIB(a)＝∫B_p(a，θ)dθ；

其中，B_p(a，θ)是B(ω₁，ω₂)的极坐标形式，其积分路径为以原点为圆心的同心圆；径向积分双谱和圆周积分双谱特征具有平移不变性，而且保留了信号的尺度信息和部分相位信息，但会出现双谱值被遗漏的情况。

3.求解围线面积积分双谱

公式为： $E\left(l\right)=\underset{S_l}{\mathrm{\Σ}}B({\mathrm{\ω}}_1,{\mathrm{\ω}}_2);$

其中，S₁是积分路径；l＝1，2，...，L，L为积分数目，其积分路径为以原点为中心的正方形间的面积，如图5所示。l＝1，2，...，L。围线面积积分双谱不会遗漏双谱值，也不会导致某些双谱值被重复使用，还能得到双谱能量信息，从而保证能够获取目标识别中的重要信息。

步骤3：提取独立积分双谱特征

对双谱矩阵进行积分计算后，根据快速独立成分分析方法(Fast IndependentComponent Analysis，FastICA)对所提取特征，即各局部积分双谱结果进行优化，构成有效的局部积分双谱特征。

FASTICA方法，又称固定点算法，可以去除输入数据分量的一、二阶相关性，及数据间的高阶相关信息，使得输出分量相互独立，处理结果减小信息冗余。输入数据分量相关性越强，充分描述它们的独立变量数就越少。负熵是ICA中一个极其重要的判据，负熵最大化可导致互信息最小化。常用的方法是通过用高阶累积量来近似计算负熵。FastICA算法是一种快速的寻优迭代算法，具有非常快的收敛速度，而且不需要确定学习步长。该算法以负熵最大作为一个搜寻方向，可以实现顺序地提取独立源。

本发明使用FASTICA算法对以上所提取的积分双谱进行特征优化，提取独立的积分双谱特征用于后面的识别。

FastICA算法流程图见图4，最终可以处理得到独立成分权向量矩阵W。流程详细说明如下：设X为各局部积分双谱结果，w_i ^T为ICA模型中待估计的分离矩阵W的与独立分量s_i相对应的行向量，满足下式：

$s_i=w_i^{T}X---\left(1.1\right)$

FastICA算法的基本思想就是：寻找投影向量w_i，使得X在w_i ^TX上面的投影非高斯最大。

首先考虑提取一个分量，假设神经元的调整权值为w_i，即投影方向，并以负熵作为目标函数。考虑到ICA的假设条件，w_i ^TX为单位方差，而X事先经过了白化处理，所以限制条件等价于要求w_i的模为1，即||w_i||＝1。

在实际的负熵计算中，由于概率密度分布函数未知，故度量分离结果在非高斯性时采用负熵很不方便，HyvarinenA采用了更有效的负熵的近似公式，如下所示：

$J\left(w_i\right)\≈\left[E\right\{G\left(w_i^{T}x\right)\}-E\{G\left(v\right)\left\}\right]---\left(1.2\right)$

式中，G为一些非二次函数，v是一个标准正态分布的随机变量。

该算法通过寻找使得J(w_i)取极大值的投影方向w_i，相应地便可以提取出一个独立分量。J(w_i)取极大值，即使得E{G(w_i ^TX)}取极大值，而E{G(w^iTX)}的极值点w_i就是以下方程的解，

$E\left\{\mathrm{Xg}\left(w_i^{T}X\right)\right\}=0---\left(1.3\right)$

其中，函数g是函数G的导数，由牛顿迭代定理，得：

$w_i^{+}=w_i-\frac{E\left\{\mathrm{Xg}\left(w_i^{T}X\right)\right\}}{E\left\{X^T{\mathrm{Xg}}^{\′}\left(w_i^{T}X\right)\right\}}\≈w_i-\frac{E\left\{\mathrm{Xg}\left(w_i^{T}X\right)\right\}}{E\left\{g^{\′}\left(w_i^{T}X\right)\right\}}---\left(1.4\right)$

其中， $E\left\{X^T{\mathrm{Xg}}^{\′}\left(w_i^{T}X\right)\right\}\≈E\left\{X^{T}X\right\}E\{g^{\′}\left(w_i^{T}X\right)=E\{g^{\′}\left(w_i^{T}X\right)\},$ 并进行归一化处理

$w_i=w_i^{+}/\left|\right|w_i^{+}\left|\right|---\left(1.5\right)$

如果(1.4)式等号两边都乘以-E{g′(w_i ^TX)}，令 $w_i^{*}=-E\left[g^{\′}\left(w_i^{T}X\right)\right]w_i^{+},$ 则得到简化的迭代公式：

$w_i^{*}=E\left\{\mathrm{Xg}\left(w_i^{T}X\right)\right\}-E\left\{g^{\′}\left(w_i^{T}X\right)\right\}{w}_i^T---\left(1.6\right)$

$w_i=w_i^{*}/\left|\right|w_i^{*}\left|\right|---(1.7)$

其中，求期望值过程可用样本的平均值进行估计；按照上式进行迭代，收敛得到的w_i ^T对应于分离矩阵W中的行向量，可提出一个独立分量。

上述的每个迭代过程估计一个独立分量，要估计n个独立分量，虽然只需要使用n个列向量w₁，w₂，…，w_n重复使用上述过程进行分离，但为了防止不同的权向量收敛到相同的极值点，在每次迭代后必须对估计的权向量进行去相关，可以使用类似Gram-Schmidt正交归一化的方法。当估计了p个独立分量后，在得到p个列向量w₁，…，w_p的基础上，求出w_p+1，在每一次迭代后进行去相关，并重新归一化：

$w_{p+1}(k+1)=w_{p+1}(k+1)-\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{w}_{p+1}{(k+1)}^T{w}_j---\left(1.8\right)$

w_p+1(k+1)＝w_p+1(k+1)/||w_p+1(k+1)||    (1.9)

步骤4：识别分析

根据运用FASTICA算法优化后的局部积分双谱特征，利用分类器对待识别数据进行识别分析：依据上述方法首先对已知类别目标数据提取特征并进行训练；然后再运用分类器将测试集与训练的统计结果进行比较判别，判断目标的种类是水雷还是非水雷。分类器的种类很多，本发明采用概率神经网络分类器(Probabilistic neural networks，PNN)。

概率神经网络分类器用于检测和模式分类时，可以得到贝叶斯最优结果。考察水雷非水雷识别的情况时，已知类别状态θ为水雷目标θ_A和非水雷目标θ_B两类。

l_A为θ＝θ_A时判定d(X)＝θ_B的损失函数；l_B为θ＝θ_B时判定d(X)＝θ_A的损失函数(取正确判定的损失等于0)；h_A为模式来自水雷目标A出现的先验概率；h_B＝1-h_A为θ＝θ_B的先验概率。当两个神经元加权求和输出值大于1时，判定测试集目标属于水雷目标θ_A；小于1时判定测试集目标属于非水雷目标θ_B。

概率神经网络训练容易，收敛速度快，非常适用于湖海试实验实时处理；模式层的传递函数可以选用各种用来估计概率密度的核函数。并且分类结果对核函数的形式不敏感。

本发明对部分湖海试实验数据进行测试，已知训练集水雷目标：25个，假目标：34个。识别集水雷目标：122个，假目标：180个。识别结果为：水雷目标识别率为83％，非水雷目标识别率为87％，目标正确识别率为85％。识别的算法流程见图2所示，首先对已知类别训练集目标数据提取特征并进行训练；然后根据训练结果对测试集目标进行识别；最后根据分类器识别结果统计目标识别率，把它作为判别识别方法好坏的依据。

最后应说明的是，以上实施例仅用以描述本发明的技术方案而不是对本技术方法进行限制，本发明在应用上可以延伸为其他的修改、变化、应用和实施例，并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。

Claims (7)

1.一种水雷目标的识别方法，包括：

步骤10)、获取声纳阵接收的目标的回波数据信号，计算所述目标回波数据信号的双谱；从所述目标回波数据信号的双谱中提取出积分双谱特征；所述积分双谱特征包括：通过沿双谱平面过原点的直线进行积分得到的径向积分双谱；以一组原点为圆心的同心圆作为积分路径得到的圆周积分双谱；以及对双谱进行围线面积积分得到的围面积分双谱；

步骤20)、对所述积分双谱特征进行优化，去除所述积分双谱特征分量的一、二阶相关性及特征间的高阶相关信息，获取独立的积分双谱特征；

步骤30)、利用分类器识别所述独立的积分双谱特征，确定所述目标是否为水雷目标。

2.权利要求1的方法，其中，步骤10)还包括：

对接收的回波数据信号进行预处理，使其幅度归一化，也可以利用匹配相关处理方法提高所述信号的输入信噪比；或者对接收的回波数据信号运用直达声信号与接收阵信号进行匹配滤波。

3.权利要求1的方法，其中，步骤10)还包括使用公式B(ω₁，ω₂)＝X(ω₁)X(ω₂)X*(ω₁+ω₂)计算所述回波数据信号的双谱，其中，x(t)为所述回波数据信号，X(ω)为x(t)的傅立叶变换；*为复共轭。

4.权利要求3的方法，其中，步骤20)还包括根据快速独立成分分析方法使用公式

在各积分双谱特征中提取负熵最大化的积分双谱特征，其中，X是所述积分双谱特征，

为所述快速独立成分分析模型中待估计的分离矩阵W的与积分双谱特征s_i相对应的行向量；当X在

上的投影非高斯最大时，s_i为所提取的独立的积分双谱特征。

5.权利要求1的方法，其中，步骤30)中，所述分类器比较训练获取的独立双谱特征和步骤20)中获取的所述独立的积分双谱特征，确定所述目标是否为水雷目标。

6.权利要求5的方法，其中，步骤30)中，所述训练获取的独立双谱特征为通过步骤10)和步骤20对已知水雷目标获得的独立的积分双谱特征。

7.权利要求1的方法，其中，步骤30)中，所述分类器为概率神经网络分类器。

Images