CN103226197A - 一种基于音色参数模型的水下目标回波分类方法 - Google Patents

Abstract

本发明涉及水声技术应用领域，具体涉及的是一种对水下目标回波分类的方法。本发明包括如下步骤：对训练样本库中的样本数据进行归一化预处理，计算样本的功率谱及高阶累积量的对角切片谱；在功率谱及对角切片谱上提取信号的音色特征量；筛选所提取的音色特征，选择能够对水下目标回波进行有效分类的特征，将这些特征组合建立特征空间；对于新的样本信号，执行以上三个步骤，将得到的特征空间与样本库中的特征分布进行匹配，判断新样本信号的类别。本发明能够提高水下目标回波的分类效果，进而提高水下目标的探测和识别准确率。

Description

一种基于音色参数模型的水下目标回波分类方法

技术领域

本发明涉及水声技术应用领域，具体涉及的是一种对水下目标回波分类的方法。

背景技术

分析不同类型目标的声散射特征有利于提高水下目标的识别准确率，对水下考古、沉船打捞等工作具有重要的意义。主动声纳发射宽带脉冲信号，照射水底目标，并采用声呐阵列接收回波信号。声波照射不同材质和几何结构的物体，反射回波会调制该物体的振动信息，有经验的声纳兵就是通过分析主动声纳接收的声波听起来是否具有转音或金属撞击声，来判断目标的有无。

音色定义为声音听起来是什么感觉，在听音辨物过程中占主导地位。对音色属性的建模，即音色参数化，是模仿听觉系统提取声特征的主要途径。主动声呐发射高频声波照射水底目标，散射回波信号通常由几何亮点和弹性亮点构成。几何亮点与目标的材料无关，只与目标的几何结构有关。弹性亮点是当入射声波与目标的本征频率相吻合时，目标振动向周围介质辐射的弹性波构成的，携带物体的材质信息。不同几何结构形状、不同材质的目标反向散射回波具有一定的特异性，这就为目标的分类识别提供了可能。虽然这种方法对于散射波产生的物理机理描述并不十分准确，但基本上正确的描述了目标的散射特性。加拿大的Paul.C.Hines和Nancy Allen等人测试了声呐员依靠人耳听觉系统区分不同目标信号的能力，研究了声呐员实现听音辨物依赖的声特征，并将这些特征进行融合，形成自动分类器，以弥补人的主观感受对识别效果的影响。

本专利借鉴语音和乐音识别领域的音色参数模型，提取声纳回波信号的听觉感知特征量，分析在信号处理端，不同材质、不同几何形状目标反映的声散射特性，为目标和混响的声散射特性建模提供依据，同时验证与音色有关的特征量可以作为区分不同目标或目标与混响的有效特征参量。

发明内容

本发明的目的是提供一种在信号处理端，对水下目标回波分类的方法。

本发明的目的是这样实现的：

包括如下步骤：

（1）对训练样本库中的样本数据进行归一化预处理，计算样本的功率谱及高阶累积量的对角切片谱；

（2）在功率谱及对角切片谱上提取信号的音色特征量；

（3）筛选所提取的音色特征，选择能够对水下目标回波进行有效分类的特征，将这些特征组合建立特征空间；

（4）对于新的样本信号，执行以上三个步骤，将得到的特征空间与样本库中的特征分布进行匹配，判断新样本信号的类别。

音色特征量包括：谱质心、谱质心带宽、谱通量、谱下降值、谱不规律性、谱平整度。

筛选音色特征时采用距离判据函数，为目标回波信号和混响信号或者目标回波信号和噪声信号在特征空间中的类间平均距离与类内平均距离的比值。

本发明的有益效果在于：将与音色有关的听觉感知特征量与高阶累积量相结合用于水下目标回波信号的分类，高阶累积量例如四阶累积量可以抑制高斯分布的噪声，在此基础上使用2.5维谱提取音色特征能够更加真实的反映目标回波的特性，从而提高水下目标回波的分类效果，进而提高水下目标的探测和识别准确率。

附图说明

图1为本发明的工作流程图。

图2为功率谱上目标回波和混响的三维特征。

图3为2.5维谱上目标回波与混响的三维特征。

图4为功率谱上目标回波和噪声的三维特征。

图5为2.5维谱上目标回波与噪声的三维特征。

具体实施方式

下面将结合附图对本发明加以详细说明：

本发明主要是在信号处理端，在功率谱及高阶累积量切片谱的基础上提取与音色有关的特征量，分析主动声呐接收回波中的目标回波、混响和噪声的特性，并达到识别水下小目标的效果。为达到更好的效果，可以先建立训练样本库，然后将新样本的特征与样本库比较。

对于一个样本，在处理前需要进行归一化预处理，这样可以在数值上保持一个数量级，方便与其他样本进行比较。本发明涉及的预处理包括对幅度的归一化和对频率的归一化，对频率的归一化使得本方法在处理不同频率的信号时保持一致性。

如图1所示，分别在功率谱和高阶累积量对角切片谱上提取音色特征参量。对于训练样本，在提取特征之前需要确定目标回波、混响和噪声的信号波形，可以通过对信号波形的分析得出。为了得到更好的效果，可以选择信号波形较好、容易分离出三种信号的样本。

信号的高阶累积量可以反映信号频率、相位的耦合信息，同时还可以抑制服从某些概率密度分布噪声，因此可以在高阶累积量谱上提取特征，与在功率谱上提取的特征加以对比分析，得到在功率谱上不能体现的信息。平稳随机过程{x(n)}的k阶累积量为

c_kx(τ₁,…,τ_k-1)=cum{x(n),x(n+τ₁),L,x(n+τ_k-1)}    (1)

其中，τ_i(i=1,2,…,k-1)为相邻时刻样本间的时间间隔。累积量仅与时间间隔有关，而与具体时刻无关。在k阶累积量绝对可和的前提下，对其作k-1维傅里叶变换，得到高阶累积量谱

$S_{\mathrm{kx}}({\mathrm{\ω}}_1,\·\·\·{\mathrm{\ω}}_{k-1})=\underset{{\mathrm{\τ}}_1=-\∞}{\overset{+\∞}{\mathrm{\Σ}}}\·\·\·\underset{{\mathrm{\τ}}_k=-\∞}{\overset{+\∞}{\mathrm{\Σ}}}{c}_{\mathrm{kx}}({\mathrm{\τ}}_1,{\mathrm{\τ}}_2,\·\·\·,{\mathrm{\τ}}_{k-1})\exp [-j\underset{i=1}{\overset{k-1}{\mathrm{\Σ}}}{\mathrm{\ω}}_i{\mathrm{\τ}}_i]---\left(2\right)$

简称为高阶谱或多谱。由上式可以看出，高阶谱计算量比较大，计算时间较长，实际中可以采用对角切片谱进行分析。对于三阶累积量c_3x(τ₁,τ₂)，采用均匀的时间间隔，即τ₁=τ₂=τ，并作傅里叶变换，得到三阶累积量的对角切片谱，又称1.5维谱：

${\mathrm{CS}}_{1.5}\left(\mathrm{\ω}\right)=\underset{\mathrm{\τ}=-\∞}{\overset{+\∞}{\mathrm{\Σ}}}{c}_{3x}\left(\mathrm{\τ}\right)\exp (-\mathrm{j\ω\τ})---\left(3\right)$

同样，对四阶累积量c_4x(τ₁,τ₂,τ₃)，令τ₁=τ₂=τ₃=τ，可得四阶累积量的对角切片谱，简称2.5维谱：

${\mathrm{CS}}_{2.5}\left(\mathrm{\ω}\right)=\underset{\mathrm{\τ}=-\∞}{\overset{+\∞}{\mathrm{\Σ}}}{c}_{4x}\left(\mathrm{\τ}\right)\exp (-\mathrm{j\ω\τ})---\left(4\right)$

本发明主要在功率谱、1.5维谱和2.5维谱上提取信号的音色特征。

音色特征量是人耳听觉系统区分不同目标的有效特征，音色参数化是模仿听觉系统提取声特征的主要途径。本发明利用与谱形结构(如：谱下降值、谱不规律性等)和谱能量(如：谱质心、谱质心带宽、谱通量等)有关的参数来进行目标的分类。下面是音色有关特征量及其改进计算方法：

(1)谱质心(spectrum centroid,缩写SC)描述了人对声音高低的主观感受，反映声音基于能量分布的频率的均值，表达式为：

$\mathrm{SC}=\frac{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}f\left(n\right)\·E\left(n\right)}{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}E\left(n\right)}=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}f\left(n\right)\·P\left(E\left(n\right)\right)---\left(5\right)$

其中，E(n)为离散时间信号x(n)短时傅里叶变化后对应频谱的能量，f(n)为应用的频点，N为DFT的长度。P(E(n))为该频率点的能量归一化权值。

(2)谱质心带宽(spectrum centroid bandwidth,缩写SCB)是指能量集中的频带宽度，反映声音能量集中的区域，单位是Hz，表达式为：

$\mathrm{SCB}=\frac{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}|\mathrm{SC}-f\left(n\right)|\·E\left(n\right)}{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}E\left(n\right)}={\mathrm{SC}}_{\mathrm{high}}-{\mathrm{SC}}_{\mathrm{low}}---\left(6\right)$

式中，SC为全部频段内的谱质心，SC_low为[0,SC]频段内的谱质心，SC_high为[SC,f_max]频段内的谱质心。

(3)谱通量(spectrum flux,缩写SF)是声音信号频谱的包络面积，反映信号频谱成分的能量之和，即全频带能量，表达式为：

$\mathrm{SF}=\underset{0}{\overset{f_{\max }}{\∫}}E\left(f\right)\mathrm{df}=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{\Δf}\left(n\right)\·E\left(n\right)---\left(7\right)$

等式中第二项为连续频率的计算方法，实际应用时，采用N点DFT得到的离散频率点，如第三项所示，其中Δf(n)为相邻频率点之间的间隔，即为DFT的频率分辨率。

(4)谱下降值(spectrum roll of,缩写SRO)描述了频谱倾斜程度，单位是Hz。反映声音能量开始下降的特定频率点。定义为功率谱的累积幅度在C%以下的频率值，计算经验公式为：

$\mathrm{SRO}=R,\underset{n=1}{\overset{R}{\mathrm{\Σ}}}X\left(f\right)=C\·\underset{n=1}{\overset{N}{\mathrm{\Σ}}}X\left(f\right)---\left(8\right)$

式中，X(f)为该频率处的谱值，C一般经验值取0.85或者0.6。

(5)谱不规律性(spectrum irregularity,缩写SI)描述了谱包络的形状，是反映信号谱上相邻频点对应的幅度差程度的函数，计算公式为：

$\mathrm{SI}=\frac{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{(X\left(f\right)-X(f-1))}^2}{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}X{\left(f\right)}^2}---\left(9\right)$

本发明在信号的功率谱和高阶累积量切片谱的基础上，提取上述音色有关特征量。在提取特征后，采用距离判据函数选择分类效果比较好的特征，进行特征融合，建立听觉感知特征空间。对于一个样本，在建立了特征空间后，利用径向基核函数支持向量机构造分类器，对信号进行识别。

通过处理实验数据，得出描述声信号能量大小、能量集中分布和谱包络形状的参量SF、SC和SI组成的三维特征空间能够获得良好的分类效果。图2-图5分别给出了在功率谱和2.5维谱上目标回波和混响及目标回波和噪声的三维特征分类效果。从图中可以看出，这三类特征空间能够有效地实现目标回波和混响及目标回波和噪声的区分，并且2.5维谱上提取目标回波特征具有更好的可分离性。

Claims (3)

1.一种基于音色参数模型的水下目标回波分类方法，其特征在于，包括如下步骤： 

（1）对训练样本库中的样本数据进行归一化预处理，计算样本的功率谱及高阶累积量的对角切片谱； 

（2）在功率谱及对角切片谱上提取信号的音色特征量； 

（3）筛选所提取的音色特征，选择能够对水下目标回波进行有效分类的特征，将这些特征组合建立特征空间； 

（4）对于新的样本信号，执行以上三个步骤，将得到的特征分布与样本库中的特征分布进行匹配，判断新样本信号的类别。 

2.根据权利要求1所述的一种基于音色参数模型的水下目标回波分类方法，其特征在于：所述的音色特征量包括：谱质心、谱质心带宽、谱通量、谱下降值、谱不规律性、谱平整度。 

3.根据权利要求1所述的一种基于音色参数模型的水下目标回波分类方法，其特征在于：所述的筛选音色特征时采用距离判据函数，为目标回波信号和混响信号或者目标回波信号和噪声信号在特征空间中的类间平均距离与类内平均距离的比值。 

Images