CN101644768B - 一种基于倒谱分析的水雷目标识别方法 - Google Patents

Abstract

本发明提供一种基于倒谱分析的水雷目标识别方法，包括如下步骤：1)获取声纳阵接收的目标的回波数据信号并对信号进行预处理；2)将回波数据分为若干个长度为L的子段；3)根据这些数据子段进行差分倒谱分析，将目标数据与其前一段底回波数据进行倒谱处理后进行相减处理；4)对通过所述差分倒谱分析所得到的特征进行频谱分析，获取水雷的几何分布特征以及弹性特性特征，并进一步构成识别所需的特征向量；5)利用分类器对步骤4)的特征向量进行识别，确定目标是否为水雷目标。根据本发明的基于倒谱分析的水雷目标识别方法，通过倒谱分析分离底回波特征与水雷目标特征，可以有效地消除掩埋状态下干扰项的影响，提高对水雷目标的识别能力。

Description

一种基于倒谱分析的水雷目标识别方法

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。 

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。 

图1的水雷目标主动探测示意图表示了水雷目标掩埋于海底，声纳阵发射探测信号，经目标和水底反射得到回波信号，对回波信号进行分析，获取目标信息的情况。主动声纳接收的目标回波信号是主动声脉冲入射后由目标体上不连续点(如棱角、边缘、强反射点等)的反射作用产生相应的多个反射波的相互叠加而形成的。因此主动声纳接收的目标回波信号实际上是一种时间上重叠的多子波合成的复合信号。采用倒谱分析可对主动声纳目标信号进行分析处理，以提取信号的有关子波的到达时间和振幅的信息，并用于目标分类。但是，在掩埋状态下，回波中底回波比较强，会将水雷目标的回波淹没，如果直接采用倒谱分析，底回波特性强于目标特性，从而造成分析的困难。 

发明内容

为了解决现有海底混响淹没掩埋目标特性带来的水雷目标难以准确识别的缺陷，本发明的目的在于提供一种基于倒谱分析的水雷目标识别方法。本发明的方法经理论分析、湖海试实验数据验证，通过倒谱分析分离底回波特征与水雷目标特征，可以有效地消除掩埋状态下干扰项的影响，提高对水雷目标的识别能力。 

本发明的基于倒谱分析的水雷目标识别方法，包括如下步骤： 

1)获取声纳阵接收的目标的回波数据信号，并对信号进行预处理，使其幅度归一化； 

2)将回波数据分为若干个长度为L的子段，L满足： 

L≥L_m·f_s/750 

其中，L_m为水雷的长度，f_s为采样率，第i个子段记为r_i(t)； 

3)根据上述数据子段进行差分倒谱分析，将目标数据与其前一段底回波数据进行倒谱处理后进行相减处理； 

4)对通过所述差分倒谱分析所得到的特征进行频谱分析，获取水雷的几何分布特征以及弹性特性特征，并进一步构成识别所需要的特征向量； 

5)利用分类器对步骤4)所述的特征向量进行识别，确定所述目标是否为水雷目标。 

其中，步骤3)还包括使用公式为x_c(n)＝F^-1|logX(ω)|计算所述回波数据信号的倒谱特征，其中，x(t)为所述回波数据信号，X(ω)为x(t)的傅立叶变换。 

其中，步骤4)中的所述频谱分析包括去除频谱中的高频信息，提取独立的低频特征。 

其中，步骤5)中，所述分类器事先通过训练集进行训练，训练过程为：对已知类别目标的数据段进行所述步骤1)的预处理、步骤3)的差分倒谱计算以及步骤4)的提取特征向量，然后根据步骤4)提取的特征向量，对分类器进行训练。所述分类器为神经网络分类器、k近邻分类器、高斯分类器以及支持向量机分类器中的一种。 

本发明通过基于差分倒谱分析分离底回波特征与水雷目标特征，差分倒谱中底回波特征相互抵消，从而将目标特征提取出来，通过这种手段分离信息通道对信号的影响，提纯水雷目标信号特征。对经过该步骤处理得到的水雷目标数据进行频谱分析，可以得到水雷的几何分布特征以及弹性特性特征，并进一步构成识别所需要的特征向量。经理论分析、湖海试实验数据验证，通过倒谱分析分离底回波特征与水雷目标特征，可以有效地消除掩埋状态下干扰项的影响，提高对水雷目标的识别能力。 

附图说明

图1为声纳阵用于水雷目标主动探测的系统构成示意图； 

图2为本发明的基于倒谱分析的水雷目标识别过程的流程图； 

图3为本发明的分类器训练过程的工作流程图。 

具体实施方式

下面结合附图和具体实施方式对本发明的基于倒谱分析的水雷目标识别方法做进一步的说明。 

在进行目标识别过程中，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，通过功率谱分析可以得到信号包含哪些频率分量以及各分量的相对强度信息，但是在掩埋雷识别中，水雷上方覆盖着一层沉积物，所以底回波信号与水雷回波信号是混杂在一起的，很难分离。 

图1为声纳阵用于水雷目标主动探测的系统构成示意图，由图1可知，声纳阵发射探测信号，经目标和水底反射得到回波信号，所以回波信号可以表示为 

r(t)＝s(t)*c(t)*h(t)*T(t)(1) 

式中，s(t)表示激励源信号，即发射信号，一般为一单频或线性调频声脉冲，c(t)表示声传输信道的脉冲响应，h(t)表示水底沉积层的脉冲响应，T(t)表示水雷 目标的脉冲响应，r(表示接收到的噪声信号。 

令S(f)＝F[s(t)]为s(t)的傅立叶变换，P_s(f)＝|S(f)|²，对(1)式做傅立叶变换，可得： 

R(f)＝S(f)·C(f)·H(f)·T(f)(2) 

取(2)式模平方的对数，可得 

logP_r(f)＝logP_s(f)+logP_c(f)+logP_h(f)+logT(f)(3) 

对(3)式再做傅氏反变换，得 

F^-1[logP_r(f)]＝F^-1[logP_s(f)]+F^-1[logP_c(f)]+F^-1[logP_h(f)]+F^-1[logT(f)](4) 

即 

c_r(n)＝c_s(n)+c_c(n)+c_h(n)+c_T(n)(5) 

其中c_r(n)表示回波数据的倒谱，c_s(n)表示发射信号的倒谱，c_c(n)表示声传输信道的倒谱，c_h(n)表示水底沉积层的倒谱。 

鉴于上述问题，本发明的基于倒谱分析的水雷目标识别方法，在现有系统的基础上通过分离各种信号，凸现目标特征，来实现对水雷目标的识别。图2是本发明的基于倒谱分析的水雷目标识别方法的识别过程流程图，如图2所示，对待测试目标分析差分倒谱特征，然后使用分类器进行识别；分类器需要事先通过训练集进行训练，图3是本发明的训练过程流程图，通过对已知的水雷目标即训练集进行分析，获取其差分倒谱特征对分类器进行训练。 

本发明的基于倒谱分析的水雷目标识别方法，识别过程包括如下步骤： 

1)获取声纳阵接收的目标的回波数据信号，并对信号进行预处理 

对时域数据信号，即声纳接收阵获取的目标回波数据，进行幅度归一化，保证所提信号特征数量级统一； 

2)为了下一步进行差分倒谱分析，将时域数据分为若干个长度为L的子段。L应满足： 

L≥L_m·f_s/750 

其中，L_m为水雷的长度，f_s为采样率。 

则第i个子段记为r_i(t)。 

3)根据上述数据子段进行差分倒谱分析，将目标数据与其前一段底回波数据进行倒谱处理后进行相减处理，即进行差分倒谱计算： 

假设水雷存在于第i个子段中，r_i(t)的倒谱为 

c_ri(n)＝c_s(n)+c_c(n)+c_hi(n)+c_T(n) 

第i-1个子段中无水雷，假设声传输信道的特性相同，r_i-1(t)的倒谱为 

c_ri-1(n)＝c_s(n)+c_c(n)+c_hi-1(n) 

令d_i(n)＝c_ri(n)-c_ri-1(n)＝c_T(n)+c_hi(n)-c_hi-1(n) 

若假设水底的沉积物具有均匀一致性，也就是说c_hi(n)-c_hi-1(n)＝0，则d_i(n)＝c_T(n)。这样就实现了目标倒谱的提取，通过倒谱分析分离底回波特征与水雷目标特征。 

4)对通过所述差分倒谱分析所得到的特征进行频谱分析，获取水雷的几何分布特征以及弹性特性特征，并进一步构成识别所需要的特征向量，即提取特征向量： 

c_hi(n)-c_hi-1(n)＝0只是理想的情况，通常c_hi(n)-c_hi-1(n)＝0的条件并不满足，这就需要进一步提取有用特征。 

虽然c_hi(n)-c_hi-1(n)≠0，但是由于二者特性一致，其频谱表现为幅度均匀，高频成分多。而水雷目标由于其棱角、边缘为强反射点，其回波构成由若干有规律的几何亮点和弹性亮点构成，所以c_T(n)的频谱表现为幅度变化明显，低频成分多。 

对所述差分倒谱特征进行频谱分析，通过频谱中频率分布情况可以获取水雷的几何分布特征以及弹性特性特征，并进一步构成识别所需要的特征向量。 

5)利用分类器对步骤4)所述的特征向量进行识别，确定所述目标是否为水雷目标， 

将步骤4)中生成的特征向量输入到分类器，分类器将输出r_i(t)段数据对应的目标类别。 

6)判断是否结束 

若不结束识别，则将i增加1，从步骤3)重复进行，识别下一段数据对应的目标类别。 

以上为识别过程，其中的分类器需要事先进行训练，训练是基于训练集进行的，训练集为已知类别目标的数据段。图3为本发明的分类器训练过程的工作流程图，如图3所示，对已知类别目标的数据段进行步骤1)的预处理、步骤3)的差分倒谱计算以及步骤4)的提取特征向量；根据步骤4)提取的特征向量，对分类器进行训练；分类器的种类很多(如神经网络分类器，k近邻分类器，高斯分类器等)，本发明采用支持向量机(Support Vector Machine，SVM)。 

在两类模式线性可分的情况下，划分两类的超平面可以表示为： 

w·x+b＝0 

则d维空间中的判别函数形式为g(x)＝w·x+b，将判别函数归一化，则最优分类面问题为： 

$\min \mathrm{\φ}\left(w\right)=\frac{1}{2}(w\·w)$

s.t.y_i[(w·x_i)+b]≥1     i＝1，…1 

线性不可分情况下需要通过一个非线性变换Φ： 

将给定模式样本映射到某个高维特征空间，在高维特征空间中构造分类超平面 

线性不可分的两类问题可以通过求其最优分类面解决，即使两类无错误地分开，并且两类的分类间隙最大，该问题的数学形式为： 

$\min \mathrm{\φ}(w,\mathrm{\ξ})=\frac{1}{2}(w\·w)+C\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i$

s.t.y_i[(w·x_i)+b]≥1-ξ_i     i＝1，…l 

ξ_i≥0         i＝1，…l 

其中ξ_i为松弛变量，C为惩罚因子，通过改变惩罚因子可以在分类器的泛化能力和错分类率之间折衷。 

该问题的对偶形式为： 

$\max W\left(\mathrm{\α}\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i-\frac{1}{2}\underset{i,j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_{j}K(x_i,x_j)$

s.t.C≥α_i≥0    i＝1，…l 

$\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_i=0$

其中，α_i为Lagrange乘子， 

称为核函数。 

解式上述最优化问题可以得到可以得到α_i，分类函数可以表示为： 

$f\left(x\right)=\mathrm{sgn}[\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}K\left(x_i{,x}_j\right)+b]$

支持向量机的基本思想可以概括为：通过非线性变换将输入向量映射到一个高维特征空间，再在这个空间中求最优分类超平面，而这种非线性变换可以通过定义适当的内积函数来实现。目前主要的内积函数有多项式形式、RBF函数以及S形函数等。 

测试试验： 

对测试集的时域数据信号，即声纳接收阵实际使用中获取的目标回波数据，进行与步骤1)相同的处理，即幅度归一化，并将时域数据分为若干个长度为L的子段。之后进行步骤3)和步骤4)的处理，将得到的特征向量送入分类器进行比较判别，判断目标的种类是否水雷。 

在对部分湖海试实验数据进行的测试中，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识别率。识别结果见表1。 

表1  部分湖海试实验数据识别结果 

	水雷目标正确识别率Pd	假目标错误识别率Pf
			SVM	80％	15％

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 (5)

1.一种基于倒谱分析的水雷目标识别方法，包括如下步骤：

1)获取声纳阵接收的目标的回波数据信号，并对信号进行预处理，使其幅度归一化；

2)将回波数据分为若干个长度为L的子段，L满足：

L≥L_m·f_s/750

其中，L_m为水雷的长度，f_s为采样率，第i个子段记为r_i(t)；

3)根据上述数据子段进行差分倒谱分析，将目标数据与其前一段底回波数据进行倒谱处理后进行相减处理；

4)对通过所述差分倒谱分析所得到的特征进行频谱分析，获取水雷的几何分布特征以及弹性特性特征，并进一步构成识别所需要的特征向量；

5)利用分类器对步骤4)所述的特征向量进行识别，确定所述目标是否为水雷目标。

2.如权利要求1所述的基于倒谱分析的水雷目标识别方法，其特征在于，所述步骤3)中，使用公式x_c(n)＝F^-1|logX(ω)|计算所述回波数据信号的倒谱特征，其中，x(t)为所述回波数据信号，X(ω)为x(t)的傅立叶变换。

3.如权利要求1所述的基于倒谱分析的水雷目标识别方法，其特征在于，所述步骤4)中的所述频谱分析包括去除频谱中的高频信息，提取独立的低频特征。

4.如权利要求1所述的基于倒谱分析的水雷目标识别方法，其特征在于，所述步骤5)中，所述分类器事先通过训练集进行训练，训练过程为：对已知类别目标的数据段进行所述步骤1)的预处理、步骤3)的差分倒谱计算以及步骤4)的提取特征向量，然后根据步骤4)提取的特征向量，对分类器进行训练。

5.如权利要求4所述的基于倒谱分析的水雷目标识别方法，其特征在于，所述分类器为神经网络分类器、k近邻分类器、高斯分类器以及支持向量机分类器中的一种。

Images