CN102243302B - 一种水声目标辐射噪声的线谱时间累积特征提取方法 - Google Patents

Abstract

本发明公开了一种水声目标辐射噪声的线谱时间累积特征提取方法，所述方法提出利用线谱时间累积特征LOFAR图进行特征提取，通过对声纳信号和信息的时序分析，采用稳定线谱判定、相关性检测、线谱漂移检测等处理方法，挖掘和提取与目标行为等有关的特征信息。相比单次提取线谱特征方法，利用线谱时间累积特征可以将目标的某些特征在时间上加以累积和延续，借此反映这些特征在时间上的变化情况，从而可以使目标的稳态特征更加稳定和可靠，也可以从中提取出目标的动态特征和瞬态特征，为目标的分类识别提供依据。

Description

一种水声目标辐射噪声的线谱时间累积特征提取方法

技术领域

本发明涉及水声目标的自动分类识别技术，尤其涉及一种水声目标辐射噪声的线谱时间累积特征提取方法。

背景技术

声纳的目标分类识别主要是对水面舰船、水下潜艇、鱼雷及其他水下物体进行分类识别。由于各种不同的舰艇，不同的型号，不同的工况以及在不同的海洋条件下所显示出来的特性都不一样，使目标特性很难描述和分类识别。所以，水声目标的自动分类识别是水声工程中一个十分重要的课题，也是公认的水声信号处理难题。

声纳从体制上分为被动声纳和主动声纳，在目标分类识别中也分成被动声纳识别和主动声纳识别两类。被动声纳识别通过对接收的水声目标辐射噪声进行分析处理，如傅立叶变换、调制解调、小波变换等方法，从变换后的信号中提取特征，实现目标的分类识别。但由于环境噪声、干扰及阵处理的影响，以及舰船等目标辐射噪声的复杂性等，使许多方法在对海上实际声纳接收信号的分类识别时难以取得理想的效果。以往，对线谱的研究往往只局限于实时性，而忽略了其在时间上的关联性。单次提取出来的线谱很不稳定，这表现在两个方面：一是真实线谱被噪声掩盖，从而无法从功率谱上提取出来，这样就产生了漏判；二是出现强噪声线谱，它被误判为目标的线谱，导致了虚判。

所谓线谱时间累积特征，就是对线谱在时间上进行累积，构成的时频二维特征。利用长时间的信息累积无疑可提高信息的稳定度，故在许多被动声纳中都设计了LOFAR谱图显示或分析。但大多仍作为一种显示信息，自动的LOFAR谱图目标特征提取方法较少。

线谱时间累积特征作为一种时序特征，其目的是将目标的某些特征在时间上加以累积和延续，借此反映这些特征在时间上的变化情况，从而可以使目标的稳态特征更加稳定和可靠，也可以从中提取出目标的动态特征和瞬态特征，为目标的分类识别提供依据。

发明内容

本发明的目的在于克服单次提取线谱特征方法的缺点，提供了一种水声目标辐射噪声线谱时间累积特征的提取方法，利用线谱时间累计特征，即利用LOFAR谱图进行目标特征自动提取，通过对声纳信号和信息的时序分析，得到线谱在频率上的分布和变化，从中提取目标的特征信息，从而有利于识别。

为实现上述目的，本发明采取以下技术方案：一种水声目标辐射噪声的线谱时间累积特征提取方法，其特征在于：对水声目标辐射噪声信号进行短时傅立叶变换，获取线谱时间累积特征图，通过对声纳信号和信息的时序分析，提取目标线谱数和线谱漂移特征，包括如下过程：

A.获取线谱时间累积特征图

A1设由水听器采集水声目标辐射噪声信号序列为s(n)，n＝0，1，..，N-1，辐射噪声信号序列的采样频率为f_s，N≥f_s，对数据进行标准化处理，

E{s(n)}是s(n)的均值，Std{s(n)}是s(n)的标准差；

A2通过带通滤波器，对S₁(n)进行带通滤波，得到带通信号s₂(n)；

A3对s₂(n)进行短时傅立叶变换，得到线谱时间累积特征LOFAR图S(i，j)，其中i＝1，2，…，M，M为时间离散点数，j＝1，2，…，N，N为频域离散点数；

B.提取稳定线谱数

采用统计的方法从线谱时间累积特征LOFAR图S(i，j)中提取线谱数，消除随机噪声的干扰，得到可靠和稳定的线谱数：

B1.对S(i，j)进行时间累积，得到直方图线谱

$Z=\left\{z_j\right\}=\underset{i=1}{\overset{\mathrm{Wide}}{\mathrm{\Σ}}}S(i,j),j=\mathrm{0,1,2},...,N$

其中z_j为第j个频点的直方图线谱幅度，Wide为时间离散点数，N为频域离散点数；

B2.设定线谱判决门限gate，gate的取值为直方图幅度均值的三倍；

B3.对于线谱第j点，如果z_j≥gate，则线谱数加1，h_j＝1；反之，如果z_j＜gate，则h_j＝0；

B4.得到稳定线谱分布j＝1，2，…，N，N为频域离散点数；

C.相关性检测

采用相关性检测，对得到的稳定线谱分布中存在的非目标线谱加以排除，以获取目标线谱数目：

C1.计算原始功率谱序列E＝S²(i，j)＝{w_ij}，i＝1，2，…，Wide，j＝1，2，…，N，其中Wide为时间离散点数，N为频域离散点数；

C2.已得的稳定线谱中第k条线谱在时刻i的功率为

其中s，l为功率求和范围，则第k条线谱的功率序列W_k为

W_k＝[w_k(1)，…，w_k(Wide)]，k＝1，2，…，N

其中Wide为时间离散点数，N为频域离散点数；

C3.计算线谱功率序列两两间的功率序列相关性：

均值 $m_k=\frac{1}{\mathrm{Wide}}\underset{i=1}{\overset{\mathrm{Wide}}{\mathrm{\Σ}}}{w}_k\left(i\right)$

方差 ${{\mathrm{\σ}}_k}^2=\frac{1}{\mathrm{Wide}-1}\underset{i=1}{\overset{\mathrm{Wide}}{\mathrm{\Σ}}}{(w_k\left(i\right)-m_k)}^2$

协方差 $C_{k_1{k}_2}=\frac{1}{\mathrm{Wide}-1}\underset{i=1}{\overset{\mathrm{Wide}}{\mathrm{\Σ}}}(w_{k_1}\left(i\right)-m_{k_1})(w_{k_2}\left(i\right)-m_{k_2})$

相关系数 ${\mathrm{\ρ}}_{k_1{k}_2}=\frac{C_{k_1{k}_2}}{{\mathrm{\σ}}_{k_1}{\mathrm{\σ}}_{k_2}}$

其中Wide为时间离散点数，如果两个线谱功率序列的相关系数大于0.5，则认为是同类型线谱；

C4.判断是否为目标线谱，设置门限gate1，gate1为0.6，为当功率序列的方差大于gate1，才认为是目标线谱；

C5.目标线谱的赋值，将目标线谱位置赋值为1，其余位置为0；

目标线谱频谱分布

j＝1，2，…，N，其中Wide为时间离散点数，N为频域离散点数；

D.线谱漂移检测

通过分析线谱的漂移规律，得出目标的运动特征信息：

D1.计算i时刻的目标线谱分布：

第i个时刻的目标线谱分布H_i＝S(i，j)×xp′，i＝1，2，…，Wide，j＝1，2，…，N，其中Wide为时间离散点数，N为频域离散点数；

D2.计算二维目标线谱分布：

XP＝[H₁，H₂，...，H_Wide]＝{h_ij}，

i＝1，2，…，Wide，j＝0，1，2，…，N其中Wide为时间离散点数，N为频域离散点数；

D3.去噪：

当h_ij＝1，2≤i≤Wide-1时，则判断

和

是否为0，如果为0，则h_ij＝0，其中w为搜索范围，Wide为时间离散点数，N为频域离散点数；

D4.寻找线谱中心点：

对于i时刻的目标线谱分布Hi的值，如果出现连续的1，则将线谱标志归并到中心点，并赋值为1，其余点赋值为0；

D5.进行漂移搜索：

从时刻1的h_1j＝1，开始搜索，依次在后续第2，3，…，Wide时段的频谱上，在限定的频谱宽度[-w，w]范围内搜索，假定上次的线谱存在的位置为j，如果在[-w，w]内搜索到有h_i(j-k)＝1，k≤w，记录下位置j′＝j-k，并统计搜索到的次数；否则，j′＝j，在下一时刻的频谱上继续搜索。直至搜索到最后一个时刻。

通过上述4个具体步骤，提取的线谱时间累积特征信息为目标的分类识别提供依据。

与现有技术相比，本发明具有如下优点：

1)本发明提出了利用线谱时间累积特征图进行特征提取，线谱时间累积特征作为一种时序特征，其目的是将目标的某些特征在时间上加以累积和延续，借此反映这些特征在时间上的变化情况，从而可以使目标的稳态特征更加稳定和可靠，也可以从中提取出目标的动态特征和瞬态特征，为目标的分类识别提供依据。本发明对单次提取出的线谱在时间上进行累积，在此基础上提取出的一种时频二维特征。相较于单次提取的线谱，线谱时间累积特征具有降低噪声干扰性强、时间关联性强、蕴含目标动态信息等优越性。

2)本发明提供了目标线谱数的判定方法，首先进行稳定线谱数的判定，并利用相关性检测，计算出不同线谱间功率谱的相关性，对稳定线谱进行分类。然后再根据不同类型声源信号的特性，区分出目标线谱和干扰线谱，判定目标线谱数。

3)本发明提供了目标线谱漂移检测方法，不同目标由于运动特征的不同而产生不同的多普勒频偏效应，从而为分类识别提供依据。多普勒频移效应在功率谱上表现为频率的漂移，通过检测目标线谱是否存在连续的漂移来进一步判断多普勒频移。

附图说明

图1为本发明线谱时间累积特征提取方法框图；

图2为线谱时间累积特征图(LOFAR图)获取流程图；

图3为某目标的线谱时间累积特征的LOFAR图，横坐标为频率，纵坐标为时间；

图4为某目标的线谱时间累积特征的直方图；

图5为相同速度不同初始角度的多普勒频移图；

图6为不同目标的在基频的多普勒频移图；

图7为蛇形运动轨迹图；

图8为蛇形运动时的多普勒频移。

下面结合附图对本发明作更进一步的说明。

参看图1-3，描述了一种水声目标辐射噪声的线谱时间累积特征提取方法，方法包含线谱时间累计特征图(LOFAR图)计算、稳定线谱数的判定、相关性检测和线谱漂移检测等步骤：

A.获取线谱时间累积特征图

A1设由水听器采集水声目标辐射噪声信号序列为s(n)，n＝0，1，..，N-1，辐射噪声信号序列的采样频率为f_s，N≥f_s，对数据进行标准化处理，E{s(n)}是s(n)的均值，Std{s(n)}是s(n)的标准差；

A2通过带通滤波器，对s₁(n)进行带通滤波，得到带通信号s₂(n)；

A3对s₂(n)进行短时傅立叶变换，得到线谱时间累积特征LOFAR图S(i，j)，其中i＝1，2，…，M，M为时间离散点数，j＝1，2，…，N，N为频域离散点数；

B.提取稳定线谱数

由于不同的目标，其动力系统、船体结构以及本身特性的不同，使得各自的辐射噪声在线谱和连续谱结构上也就不同。经过大量统计观察，发现许多不同水声目标信号的功率谱中，线谱数量与线谱出现的位置有一定的区别。采用统计的方法从LOFAR图中提取线谱数，就可以消除随机噪声的干扰，得到可靠和稳定的线谱数：

B1.对S(i，j)进行时间累积，得到直方图线谱

$Z=\left\{z_j\right\}=\underset{i=1}{\overset{\mathrm{Wide}}{\mathrm{\Σ}}}S(i,j),$ j＝0，1，2，…，N

其中z_j为第j个频点的直方图线谱幅度，Wide为时间离散点数，N为频域离散点数；

B2.设定线谱判决门限gate，gate的取值为直方图幅度均值的三倍；

B3.对于线谱第j点，如果z_j≥gate，则线谱数加1，h_j＝1；反之，如果z_j＜gate，则h_j＝0；

B4.得到稳定线谱分布xp＝{h_j}，

j＝1，2，…，N，N为频域离散点数；

C.相关性检测

虽然通过前面一步可以得到稳定线谱数，可是在这些稳定线谱中，依然存在着非目标线谱，如本舰的干扰和环境固定噪声等。这种非目标线谱的存在，影响了对于目标识别的可靠性和可信度。本发明通过采用相关性检测去除非目标线谱：

C1.由于线谱时间累积特征可以记录一定时间内提取出的线谱的功率序列。所以，对于提取出的线谱，根据其所在频率，计算原始功率谱序列E＝S²(i，j)＝{w_ij}，i＝1，2，…，Wide，j＝1，2，…，N，其中Wide为时间离散点数，N为频域离散点数；

C2.已得的稳定线谱中第k条线谱在时刻i的功率为

其中s，l为功率求和范围，则第k条线谱的功率序列W_k为

Wk＝[w_k(1)，…，w_k(Wide)]，k＝1，2，…，N

其中Wide为时间离散点数，N为频域离散点数；

C3.不同线谱类型之间功率的相关性是不同的，相同类型线谱间功率的相关性高，不同类型线谱间功率的相关性就低。因此需要计算线谱功率序列两两间的功率序列相关性：

均值 $m_k=\frac{1}{\mathrm{Wide}}\underset{i=1}{\overset{\mathrm{Wide}}{\mathrm{\Σ}}}{w}_k\left(i\right)$

方差 ${{\mathrm{\σ}}_k}^2=\frac{1}{\mathrm{Wide}-1}\underset{i=1}{\overset{\mathrm{Wide}}{\mathrm{\Σ}}}{(w_k\left(i\right)-m_k)}^2$

协方差 $C_{k_1{k}_2}=\frac{1}{\mathrm{Wide}-1}\underset{i=1}{\overset{\mathrm{Wide}}{\mathrm{\Σ}}}(w_{k_1}\left(i\right)-m_{k_1})(w_{k_2}\left(i\right)-m_{k_2})$

相关系数 ${\mathrm{\ρ}}_{k_1{k}_2}=\frac{C_{k_1{k}_2}}{{\mathrm{\σ}}_{k_1}{\mathrm{\σ}}_{k_2}}$

其中Wide为时间离散点数。在求取线谱功率序列间的相关性之后，再通过对所有线谱间功率相关系数的比较，就可以将线谱划分为几类，如果两个线谱功率序列的相关系数大于0.5，则认为是同类型线谱；

C4.由于不同类型的稳定线谱，其功率在时间上的变化情况是不同的。本舰干扰对于接收器而言，其距离相对不变，因此其功率在时间上相对稳定；而目标由于相对接收器是运动的，即使相对速度稳定，不存在因为多普勒效应而引起的线谱位置偏移，目标线谱的功率也是变化的；整体环境固定噪声的功率则是随机分布的。因此判断线谱是否为目标线谱时，可设置门限gate1，gate1为0.6，当功率序列的方差大于gate1，才认为是目标线谱；

C5.目标线谱的赋值，将目标线谱位置赋值为1，其余位置为0；

目标线谱频谱分布xp′＝{h_j}，

j＝1，2，…，N，其中Wide为时间离散点数，N为频域离散点数。

D.线谱漂移检测

从直方图中我们可以看到，在线谱的中心频率附近都存在一定的扩展，在LOFAR图上就表现为线谱的漂移，线谱漂移信息包含有目标的运动特征。通过分析线谱的漂移规律，可以得出目标的运动特征信息，有助于提高目标识别的准确率。线谱漂移检测的具体步骤如下：

D1.计算i时刻的目标线谱分布：

第i个时刻的目标线谱分布H_i＝S(i，j)×xp′，i＝1，2，…，Wide，j＝1，2，…，N，其中Wide为时间离散点数，N为频域离散点数；

D2.计算二维目标线谱分布：

XP＝[H₁，H₂，...，H_Wide]＝{h_ij}，

i＝1，2，…，Wide，j＝0，1，2，…，N其中Wide为时间离散点数，N为频域离散点数；

D3.由于二维线谱分布中可能存在噪声干扰点，目标线谱分布一般有一定的宽度，但如果存在孤立的峰值点，则这个点就是噪声，需要进行去噪处理：

D4.寻找线谱中心点：

对于i时刻的目标线谱分布H_i的值，如果出现连续的1，则将线谱标志归并到中心点，并赋值为1，其余点赋值为0；

D5.由于多普勒频移在功率谱上表现为频率的漂移，可以通过线谱是否存在连续的位置变化判断多普勒频移变化。因此从时刻1的h_1j＝1，开始搜索，依次在后续第2，3，…，Wide时段的频谱上，在限定的频谱宽度[-w，w]范围内搜索，假定上次的线谱存在的位置为j，如果在[-w，w]内搜索到有h_i(j-k)＝1，k≤w，记录下位置j′＝j-k，并统计搜索到的次数；否则，j′＝j，在下一时刻的频谱上继续搜索，直至搜索到最后一个时刻。搜索得到的线谱漂移特征可供后面进行目标运动情况的判定，如具有稳定的多普勒频移，也即有稳定的线谱图情况下，为匀速直线运动的目标，且运动方向与接收器在同一条直线上，即在径向速度不变；多普勒频移变化小，为低速或航向角θ变化较小的目标；多普勒频移变化相对较为明显的情况下，为高速或航向角θ变化较大的目标；线谱会出现连续的左右频飘，为蛇行运动，由于蛇形运动是鱼雷目标所特有的运动模式，一旦检测出这种特殊的频率变化，就可以识别出此类目标。

图4为所示为线谱时间累积特征中针对某目标的线谱时间累积特征的直方图，从图中可以看出，设定门限，可以判决出稳定的线谱数，并可以确定线谱的位置。

图5为相同速度不同初始角度的多普勒频移。图中显示的是在初始距离R₀＝10000m，初始角度分别为θ₁＝30°(虚线)和θ₂＝60°(实线)时在不同时刻因为径向速度变化而引起频率变化的情形。图中的拐点是目标运动方向与接收器垂直时的情况。随着时间的推进，可以看到频率在不断的偏移。从本质上来说，初始角度的不同对多普勒频移效应的影响并不显著。因为在这里影响多普勒频移的是径向速度，而与距离远近或者目标运动方向与接收机连线的夹角角度并没有实质的联系。从图中，也可以看出，小的初始角度可以看作是大的初始角度在时间上的一种延迟。

图6是不同目标以不同速度在相同初始角度下的多普勒频移。在这种情形下，不同目标具有不同的多普勒频移效应，就为目标的分类识别提供了一种可能。图中0000显示的是在初始距离R₀＝10000m，初始角度θ＝30°时，高速目标(虚线)和低速目标(实线)的基频多普勒频移效应。图中的拐点也是目标运动方向与接收器垂直时的情况。从图中可以看出，高速目标具有比低速目标更明显的频移效应。

图7为蛇形运动轨迹。对于某些特殊目标，因为特殊的用途而具有特殊的运动形式。如蛇形曲线运动等，其运动方程更为复杂，多普勒频移效应也与匀速直线运动具有较大的区别。对于蛇形运动，虽然目标的运动方向在不断改变，但可以认为目标的整体航向基本不变，整体运动速率也可以认为是不变的，因而蛇形运动可以看作是目标匀速运动过程中叠加扰动造成的。为简化分析，可认为这种扰动是频率和振幅都不变的正弦扰动。因此，蛇形运动可以看作是匀速直线运动叠加一个与其运动方向垂直的正弦扰动。图中虚的直线为无扰动时的轨迹，曲线为叠加了正弦扰动后的蛇形运动轨迹，目标由远处驶向原点方向。

从图8中可以看出，特殊目标的多普勒频移有着明显的变化率，与直线运动也有着显著的区别。由于蛇形运动是鱼雷目标所特有的运动模式，所以，一旦检测出这种特殊的频率变化，就可以识别出此类目标。利用目标的多普勒频移效应可以对目标加以分类识别，应用的关键在于如何从信息源中提取多普勒频移信息。

本发明针对水声目标自动识别问题，提出利用线谱时间累积特征LOFAR图进行特征提取，对线谱时间累积特征进行线谱数判定、相关性检测、线谱漂移检测。本发明采用的方法使提取的特征可信度得到提高，同时也挖掘了一些新的目标类型特征。

Claims (1)

1.一种水声目标辐射噪声的线谱时间累积特征提取方法，其特征在于：对水声目标辐射噪声信号进行短时傅立叶变换，获取线谱时间累积特征图，通过对声纳信号和信息的时序分析，提取目标线谱数和线谱漂移特征，包括如下过程： 

A获取线谱时间累积特征图 

A1设由水听器采集水声目标辐射噪声信号序列为s(n)，n＝0，1，..，N′-1，辐射噪声信号序列的采样频率为f_s，N′≥f_s，对数据进行标准化处理，

，E{s(n)}是s(n)的均值，Std{s(n)}是s(n)的标准差； 

A2通过带通滤波器，对s₁(n)进行带通滤波，得到带通信号s₂(n)； 

A3对s₂(n)进行短时傅立叶变换，得到线谱时间累积特征LOFAR图S(i，j)，其中i＝1，2，…，M，M为时间离散点数，j＝1，2，…，N，N为频域离散点数； 

B.提取稳定线谱数 

采用统计的方法从线谱时间累积特征LOFAR图S(i，j)中提取线谱数，消除随机噪声的干扰，得到可靠和稳定的线谱数： 

B1.对S(i，j)进行时间累积，得到直方图线谱 

j＝0，1，2，…，N 

其中z_j为第j个频点的直方图线谱幅度，Wide为时间离散点数，N为频域离散点数； 

B2.设定线谱判决门限gate，gate的取值为直方图幅度均值的三倍； 

B3.对于线谱第j点，如果z_j≥gate，则线谱数加1，h_j＝1；反之，如果z_j＜gate，则h_j＝0； 

B4得到稳定线谱分布xp＝{h_j}，

，j＝1，2，…，N，N为频域离散点数； 

C.相关性检测 

采用相关性检测，对得到的稳定线谱分布中存在的非目标线谱加以排除，以获取目标 线谱数目： 

C1.计算原始功率谱序列E＝S²(i，j)＝{w_ij}，i＝1，2，…，Wide，j＝1，2，…，N，其中Wide为时间离散点数，N为频域离散点数； 

C2.已得的稳定线谱中第k条线谱在时刻i的功率为

其中s，l为功率求和范围，则第k条线谱的功率序列W_k为 

W_k＝[w_k(1)，…，w_k(Wide)]，k＝1，2，…，N 

其中Wide为时间离散点数，N为频域离散点数； 

C3.计算线谱功率序列两两间的功率序列相关性： 

均值

方差

协方差

相关系数

其中Wide为时间离散点数，如果两个线谱功率序列的相关系数大于0.5，则认为是同类型线谱； 

C4.判断是否为目标线谱，设置门限gatel，gatel为0.6，为当功率序列的方差大于gatel，才认为是目标线谱； 

C5.目标线谱的赋值，将目标线谱位置赋值为1，其余位置为0； 

目标线谱频谱分布xp＝{h_j}，

j＝1，2，…，N，其中Wide为时间离散点数，N为频域离散点数； 

D.线谱漂移检测 

通过分析线谱的漂移规律，得出目标的运动特征信息： 

D1.计算时刻的目标线谱分布： 

第i个时刻的目标线谱分布H_i＝S(i，j)×xp′， i=1，2，…，Wide，j＝1，2，…，N，其中Wide为时间离散点数，N为频域离散点数； 

D2.计算二维目标线谱分布： 

XP＝[H₁，H₂，…，H_Wide{h_ij}，

，i＝1，2，…，Wide，j＝0，1，2，…，N其中Wide为时间离散点数，N为频域离散点数； 

D3.去噪： 

当h_ij＝1，2≤i≤Wide-1时，则判断

和

是否为0，如果为0，则h_ij＝0，其中w为搜索范围，Wide为时间离散点数，N为频域离散点数； 

D4.寻找线谱中心点： 

对于i时刻的目标线谱分布H_i的值，如果出现连续的1，则将线谱标志归并到中心点，并赋值为1，其余点赋值为0； 

D5.进行漂移搜索 

从时刻1的h_ij＝1，开始搜索，依次在后续第2，3，…，Wide时段的频谱上，在限定的频谱宽度[-w，w]范围内搜索，假定上次的线谱存在的位置为j，如果在[-w，w]内搜索到有h_i(j-k)＝1，k≤w，记录下位置j′j-k，并统计搜索到的次数；否则，j′＝j，在下一时刻的频谱上继续搜索，直至搜索到最后一个时刻。 

Images