CN102213759A - 基于功率谱的水声目标特征匹配方法 - Google Patents

Abstract

一种基于功率谱的水声目标特征匹配方法，其特征在于：水声目标辐射噪声功率谱是连续谱分量和线谱分量的叠加，通过对连续谱分量和线谱分量进行提取得到功率谱的连续谱特征和线谱特征；分别建立连续谱特征和线谱特征的特征匹配准则，并与事先建立的水声目标辐射噪声功率谱特征库中的样本特征进行匹配，完成水声目标的特征匹配。

Description

基于功率谱的水声目标特征匹配方法

技术领域

本发明涉及水声信号处理技术领域中的水声目标分类识别方法，尤其涉及一种基于功率谱的水声目标特征匹配方法。它通过提取水声目标辐射噪声功率谱中的连续谱特征和线谱特征，并将以上两种特征与水声目标功率谱特征库中的样本进行匹配来实现对水声目标的分类识别。

背景技术

对水声目标的分类识别依赖的是目标的特征。水声目标识别也是国内外水声信号处理领域内的难题，目前还没有一种方法被公认为是解决目标识别问题的有效途径。由于舰船的辐射噪声功率谱中包含了丰富的目标信息，因此对水声目标的分类识别一般是将待识别目标的功率谱与目标辐射噪声特征库中的样本进行特征匹配来实现的。

传统的特征匹配方法是将各种目标类型的一些典型样本作为模板，将待识别的目标的功率谱与模板进行比对，将二者之间的欧氏距离作为衡量功率谱相似性的标准，并采用最邻近准则作为对目标类型判别的依据。该方法的主要难点在于水声目标辐射噪声的产生有着非常复杂的物理机理，并且水声目标辐射噪声是连续谱分量与线谱分量的叠加，模板的选择是比较困难的。此外，该方法只能实现对目标类别的判断，无法完成对个体目标的识别。

发明内容

本发明的目的是提供一种基于功率谱的水声目标特征匹配方法，克服已有方法手段单一、计算复杂，容易造成误匹配以及特征提取不完整、不可靠所造成的匹配精度不高甚至匹配失效，解决航行中的水声目标辐射噪声特征匹配问题。本方法对辐射噪声中的线谱特征和连续谱特征进行提取，分别建立连续谱特征和线谱特征的匹配准则，利用事先建立好的功率谱特征特征库，实现对水声目标的分类识别。

为实现上述目的，本发明采取如下技术方案：

一种基于功率谱的水声目标特征匹配方法，其特征在于：水声目标辐射噪声功率谱是连续谱分量和线谱分量的叠加，通过对连续谱分量和线谱分量进行提取得到功率谱的连续谱特征和线谱特征；分别建立连续谱特征和线谱特征的特征匹配准则，并与事先建立的水声目标辐射噪声功率谱特征库中的样本特征进行匹配，完成水声目标的特征匹配；包括以下步骤：

(1)计算水声目标辐射噪声信号的功率谱，计算方法为周期图方法；

(2)连续谱特征的提取

将水声目标辐射噪声功率谱的连续谱分量视为功率谱中具有相关性信息的分量，将线谱分量视为叠加在连续谱分量上、且自身不相关的分量，对于连续谱分量的特征提取采用主分量分析方法，通过主分量分析将功率谱中的相干能量集中在有限的几个主分量上，然后利用这几个主分量重构噪声功率谱中的连续谱分量；

设由周期图方法得到的噪声功率谱为g＝[g₀，g₁，g₂，…，g_N-1]^T，N为离散傅里叶变换点数，其自相关矩阵为R_g，由于R_g为正定矩阵，因此R_g具有N个正特征值λ_i，i＝0，1，...N-1

λ₀＞λ₁＞…λ_N-1＞0

以及对应的N个归一化正交特征向量

v₀，v₁，…，v_N-1

N个特征向量构成酉矩阵V

V＝[v₀，v₁，…，v_N-1]

令

y＝V^Tg

则y实现了对功率谱g的K-L变换，同时得到K-L变换的反变换式

$g=\mathrm{Vy}=[v_0,v_1,..,v_{N-1}]y$

$=y_0{v}_0+y_1{v}_1+...+y_{N-1}{v}_{N-1}=\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{y}_i{v}_i$

取V的前m个较大的特征值对应的特征向量v₀，v₁，…，v_m-1来重构g，令：

$\hat{g}=y_0{v}_0+y_1{v}_1+...+y_{m-1}{v}_{m-1}=\underset{i=0}{\overset{m-1}{\mathrm{\Σ}}}{y}_i{v}_i$

则是对g在最小均方误差意义上的近似，即g的主分量，也就是要提取的连续谱分量，并将

作为功率谱的连续谱特征；

(3)线谱特征的提取

对于水声目标辐射噪声功率谱线谱特征的提取，采用分段处理的方式，将辐射噪声样本数据分为N段，每处理一段数据提取一次线谱分量，对所有的数据处理完毕后，得到矩阵A，A的元素a_ij取值为：

其中Δf为频率分辨率。对矩阵A做如下处理，生成新的矩阵B如果

则b_ij＝a_ij i＝1，2，…，N，j＝k-w，k-w+1…k，…k+w

如果则b_ij＝0 i＝1，2，…，N，j＝k-w，k-w+1…k，…k+w

其中k＝1，2，…，M，w为整数。以上的操作等价于将一个处理窗口在矩阵A上进行滑动，若窗口内的元素之和大于门限G，则将该窗口内的矩阵元素赋值给矩阵B，否则B对应部分的元素值取为0，对矩阵B按行求和可以得到向量C，即

$c_j=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{b}_{\mathrm{ij}},j=\mathrm{1,2},...,M$

C中的元素可以表示为多个线谱簇，如图2所示，对这每一线谱簇加权平均后，得到稳定线谱的频率，

$f_{\mathrm{st}}=\frac{\underset{k=m}{\overset{n}{\mathrm{\Σ}}}\mathrm{k\Δ}{\mathrm{fc}}_k}{\underset{k=m}{\overset{n}{\mathrm{\Σ}}}{c}_k}$

其中m、n分别为线谱簇的下限元素下标和上限元素下标，将稳定线谱的频率f_st作为功率谱线谱特征，；

(4)连续谱特征的匹配

设两组连续谱特征向量g_i和g_j，

g_i＝(g_i0，g_i1，…，g_i(N-1))^T

g_j＝(g_j0，g_j1，…，g_j(N-1))^T

利用这两个向量之间的夹角θ的余弦值来衡量两组谱的相似性，其计算公式为：

$\cos \mathrm{\θ}=\frac{\underset{l=0}{\overset{N-1}{\mathrm{\Σ}}}{g}_{\mathrm{il}}{g}_{\mathrm{jl}}}{{\left[\underset{l=0}{\overset{N-1}{\mathrm{\Σ}}}{g_{\mathrm{il}}}^2\right]}^{1/2}{\left[\underset{l=0}{\overset{N-1}{\mathrm{\Σ}}}{g_{\mathrm{jl}}}^2\right]}^{1/2}}$

cosθ值越接近于1，两种谱形越相似；反之，则相似性越差，通过此式就可以对连续谱进行匹配；

(5)线谱特征的匹配

首先设置一个长度为N的向量，向量的每个元素对应一个频率点，频率分辨率为1Hz，然后将步骤(2)中提取出的功率谱线谱特征对应的频率进行取整，在序列对应的频率点位置置1，构成由1和0构成的向量l₁，对功率谱特征数据库中存储的样本线谱特征进行同样的操作，构成向量l₂，得到两个长度相等的向量，定义两个向量的内积M为：

$M=<l_1,l_2>=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{l}_{1i}{l}_{2i}$

其中l_1i表示l₁的第i个元素，l_2i表示l₂的第i个元素，M表示目标和特征库中样本线谱重叠的根数，设目标共有N₁根线谱，特征库中的样本共有N₂根线谱，因为N₁和N₂的取值不同，所以不能直接用M作为判别线谱是否匹配的根据，这里考虑使用内积R与最大线谱根数的比值作为判决依据，即令

$R=\frac{M}{N},N=\max (N_1,N_2)$

当R大于某一门限G时(G取值为0.6)，则认为目标线谱特征与特征库中的样本线谱特征匹配，根据目标线谱数和特征库中样本线谱数的关系，将匹配的过程分为三种情况：

1)特征库样本线谱根数与目标线谱根数相等

若R＜＝0.6，则认为不匹配；

若N＜4且R＞0.6，匹配度为R；

若N＝4且R＞0.7，匹配度为R；

若N＞4且R＞0.8，匹配度为R；

2)特征库样本线谱根数小于目标线谱根数

若N₂/N₁＜0.5或者R＜＝0.6，则认为不匹配

若N＜4且R＞0.6，匹配度为R；

若N＝4且R＞0.7，匹配度为R；

若N＞4且R＞0.8，匹配度为R；

3)特征库样本线谱根数大于目线谱根数

若N₁/N₂＜0.5或者R＜＝0.6，则认为不匹配

若N＜4且R＞0.6，匹配度为R；

若N＝4且R＞0.7，匹配度为R；

若N＞4且R＞0.8，匹配度为R。

本发明与现有技术相比，其显著优点是：

1.本发明通过利用水声目标功率谱特征库，不仅可以完成目标类别的判断，同时可以对目标个体进行识别，即判断目标是哪一艘舰船；

2.本发明的功率谱连续谱分量提取方法利用了现代信号处理中的主分量分析思想，克服了传统的分段拟合中的数据不连续问题；本发明的功率谱线谱分量提取方法充分利用了多段数据的累积效应，能够剔除不稳定的干扰线谱，保留属于目标本身的稳定线谱。

2.本发明在目标特征匹配过程中，对功率谱连续谱特征和线谱特征分别建立了匹配准则，克服了欧氏距离用于衡量功率谱相似性的不足，提高了水声目标特征匹配的可靠性。

附图说明

图1是本发明的流程框图；

图2是提取功率谱线谱特征的线谱簇示意图；

图3是由水听器接收到的舰船目标S的辐射噪声信号波形的一部分；

图4是舰船目标S的辐射噪声信号的功率谱图；

图5是对舰船目标S的功率谱提出的连续谱特征；

图6是对舰船目标S进行分段提取线谱后得到的矩阵A；

图7是对矩阵A进行滑动窗求和后得到的矩阵B；

图8是功率谱特征库中的c0000001号样本的连续谱特征；

图9是功率谱特征库的实体结构图；

具体实施方式

以下结合附图，详细说明本发明的实施方式。

如图1，水声目标辐射噪声功率谱是连续谱分量和线谱分量的叠加，本发明采用周期图方法计算水声目标辐射噪声信号的功率谱，通过对连续谱分量和线谱分量进行提取得到功率谱的连续谱特征和线谱特征；分别建立连续谱特征和线谱特征的特征匹配准则，并与事先建立的水声目标辐射噪声功率谱特征库中的样本特征进行匹配，完成水声目标的特征匹配。

如图3所示，由水听器接收到的舰船目标S的辐射噪声信号波形的一部分，采样频率为6kHz，该信号持续时间为150秒；图4所示为该辐射噪声信号的功率谱，频率分辨率为0.4Hz。

连续谱的特征提取：

用频率为0Hz～1600Hz的功率谱数据构成向量g，计算g的自相关矩阵R_g，对进行特征值分解，取R_g前m＝50个最大的特征值对应的特征向量重构功率谱的连续谱分量g，如图5所示，可见连续谱分量很好的反映了功率谱谱级随频率变化的趋势。

线谱特征的提取：

将辐射噪声信号分为13段，每段信号长度为65536个采样点，对每段信号提取线谱，得到矩阵A，如图6所示；对A进行滑动窗求和处理，得到矩阵B，如图7所示，图中白色部分表示该横坐标位置处有线谱，对B按行求和得到向量C，如图2所示，经过加权平均得到3根稳定线谱的频率分别为215Hz，261Hz和783Hz。其中线谱簇1的下限元素下标为39，上限元素下标为148；其中线谱簇2的下限元素下标为149，上限元素下标为1455；其中线谱簇3的下限元素下标为1456，上限元素下标为3500。

连续谱的匹配

功率谱特征库的实体结构图如图9所示，特征库有相互关联的三个数据库构成，包括舰船目标属性数据库，舰船噪声样本属性数据库和舰船噪声样本功率谱特征数据库。舰船目标属性数据库包括目标标识号、国别、类型、型号、舷号、排水量、出现时间、出现海域等字段；舰船噪声样本属性数据库包括样本文件标识、采集时间、采集地点、航速、样本文件名、目标标识号等字段；舰船噪声样本功率谱特征数据库包括功率谱连续谱特征、功率谱线谱特征和样本文件标识等字段。取功率谱特征库中的c0000001号样本的功率谱连续谱特征，分别如图8所示，将舰船目标S的连续谱特征与c0000001号样本的功率谱连续谱特征进行匹配，可得连续谱的相似性度量为0.998。

线谱的匹配：

取功率谱特征库中的c0000001号样本的功率谱线谱特征，共有4根线谱215Hz、261Hz、684Hz、783Hz，将S的线谱特征与c0000001号样本的功率谱线谱特征进行匹配，符合线谱匹配过程的第三种情况，M＝3，N＝4，则匹配度R＝0.75，则认为目标S与c0000001号样本的目标是同一个目标。

Claims (1)

1.一种基于功率谱的水声目标特征匹配方法，其特征在于：水声目标辐射噪声功率谱是连续谱分量和线谱分量的叠加，通过对连续谱分量和线谱分量进行提取得到功率谱的连续谱特征和线谱特征；分别建立连续谱特征和线谱特征的特征匹配准则，并与事先建立的水声目标辐射噪声功率谱特征库中的样本特征进行匹配，完成水声目标的特征匹配；包括以下步骤：

(1)计算水声目标辐射噪声信号的功率谱，计算方法为周期图方法；

(2)连续谱特征的提取

将水声目标辐射噪声功率谱的连续谱分量视为功率谱中具有相关性信息的分量，将线谱分量视为叠加在连续谱分量上、且自身不相关的分量，对于连续谱分量的特征提取采用主分量分析方法，通过主分量分析将功率谱中的相干能量集中在有限的几个主分量上，然后利用这几个主分量重构噪声功率谱中的连续谱分量；

设由周期图方法得到的噪声功率谱为g＝[g₀，g₁，g₂，…，g_N-1]^T，N为离散傅里叶变换点数，其自相关矩阵为R_g，由于R_g为正定矩阵，因此R_g具有N个正特征值λ_i，i＝0，1，...N-1

λ₀＞λ₁＞…λ_N-1＞0

以及对应的N个归一化正交特征向量

v₀，v₁，…，v_N-1

N个特征向量构成酉矩阵V

V＝[v₀，v₁，…，v_N-1]

令

y＝V^Tg

则y实现了对功率谱g的K-L变换，同时得到K-L变换的反变换式

$g=\mathrm{Vy}=[v_0,v_1,..,v_{N-1}]y$

$=y_0{v}_0+y_1{v}_1+...+y_{N-1}{v}_{N-1}=\underset{i=0}{\overset{N-1}{\mathrm{\&Sigma;}}}{y}_i{v}_i$

取V的前m个较大的特征值对应的特征向量v₀，v₁，…，v_m-1来重构g，令：

$\hat{g}=y_0{v}_0+y_1{v}_1+...+y_{m-1}{v}_{m-1}=\underset{i=0}{\overset{m-1}{\mathrm{\&Sigma;}}}{y}_i{v}_i$

则

是对g在最小均方误差意义上的近似，即g的主分量，也就是要提取的连续谱分量，并将

作为功率谱的连续谱特征；

(3)线谱特征的提取

对于水声目标辐射噪声功率谱线谱特征的提取，采用分段处理的方式，将辐射噪声样本数据分为N段，每处理一段数据提取一次线谱分量，对所有的数据处理完毕后，得到矩阵A，A的元素a_ij取值为：

其中Δf为频率分辨率。对矩阵A做如下处理，生成新的矩阵B如果

则b_ij＝a_ij i＝1，2，…，N，j＝k-w，k-w+1…k，…k+w

如果

则b_ij＝0 i＝1，2，…，N，j＝k-w，k-w+1…k，…k+w

其中k＝1，2，…，M，w为整数，以上的操作等价于将一个处理窗口在矩阵A上进行滑动，若窗口内的元素之和大于门限G，则将该窗口内的矩阵元素赋值给矩阵B，否则B对应部分的像素值取为0，对矩阵B按行求和可以得到向量C，即

$c_j=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{b}_{\mathrm{ij}},j=\mathrm{1,2},...,M$

C中的元素可以表示为多个线谱簇，对这每一线谱簇加权平均后，得到稳定线谱的频率，

$f_{\mathrm{st}}=\frac{\underset{k=m}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{k\&Delta;}{\mathrm{fc}}_k}{\underset{k=m}{\overset{n}{\mathrm{\&Sigma;}}}{c}_k}$

其中m、n分别为线谱簇的下限元素下标和上限元素下标，将稳定线谱的频率f_st作为功率谱线谱特征；

(4)连续谱特征的匹配

设两组连续谱特征向量g_i和g_j，

g_i＝(g_i0，g_i1，…，g_i(N-1))^T

g_j＝(g_j0，g_j1，…，g_j(N-1))^T

利用这两个向量之间的夹角θ的余弦值来衡量两组谱的相似性，其计算公式为：

$\cos \mathrm{\&theta;}=\frac{\underset{l=0}{\overset{N-1}{\mathrm{\&Sigma;}}}{g}_{\mathrm{il}}{g}_{\mathrm{jl}}}{{\left[\underset{l=0}{\overset{N-1}{\mathrm{\&Sigma;}}}{g_{\mathrm{il}}}^2\right]}^{1/2}{\left[\underset{l=0}{\overset{N-1}{\mathrm{\&Sigma;}}}{g_{\mathrm{jl}}}^2\right]}^{1/2}}$

cosθ值越接近于1，两种谱形越相似；反之，则相似性越差，通过此式就可以对连续谱进行匹配；

(5)线谱特征的匹配

首先设置一个长度为N的向量，向量的每个元素对应一个频率点，频率分辨率为1Hz，然后将步骤(2)中提取出的功率谱线谱特征对应的频率进行取整，在序列对应的频率点位置置1，构成由1和0构成的向量l₁，对功率谱特征数据库中存储的样本线谱特征进行同样的操作，构成向量l₂，得到两个长度相等的向量，定义两个向量的内积M为：

$M=<l_1,l_2>=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{l}_{1i}{l}_{2i}$

其中l_1i表示l₁的第i个元素，l_2i表示l₂的第i个元素，M表示目标和特征库中样本线谱重叠的根数，设目标共有N₁根线谱，特征库中的样本共有N₂根线谱，因为N₁和N₂的取值不同，所以不能直接用M作为判别线谱是否匹配的根据，这里考虑使用内积R与最大线谱根数的比值作为判决依据，即令

$R=\frac{M}{N},N=\max (N_1,N_2)$

当R大于门限G时，G取值为0.6，则认为目标线谱特征与特征库中的样本线谱特征匹配，根据目标线谱数和特征库中样本线谱数的关系，将匹配的过程分为三种情况：

1)特征库样本线谱根数与目标线谱根数相等

若R＜＝0.6，则认为不匹配；

若N＜4且R＞0.6，匹配度为R；

若N＝4且R＞0.7，匹配度为R；

若N＞4且R＞0.8，匹配度为R；

2)特征库样本线谱根数小于目标线谱根数

若N₂/N₁＜0.5或者R＜＝0.6，则认为不匹配

若N＜4且R＞0.6，匹配度为R；

若N＝4且R＞0.7，匹配度为R；

若N＞4且R＞0.8，匹配度为R；

3)特征库样本线谱根数大于目线谱根数

若N₁/N₂＜0.5或者R＜＝0.6，则认为不匹配

若N＜4且R＞0.6，匹配度为R；

若N＝4且R＞0.7，匹配度为R；

若N＞4且R＞0.8，匹配度为R。

Images