CN106842172B - 一种水下目标结构化稀疏特征提取方法 - Google Patents

Abstract

本发明涉及一种基于贝叶斯结构化稀疏的水下目标辐射噪声特征提取方法，本方法首先将水下目标辐射噪声信号进行分帧，采用层次贝叶斯模型对帧信号基于离散傅里叶字典的分解问题进行概率建模。对相邻多帧信号，采用贝叶斯变分算法对模型进行推断，估计出信号的分解系数，最后将能量归一化后的分解系数作为帧信号的多帧联合块结构化稀疏特征。该特征是一种对噪声具有鲁棒性的目标特征。

Description

一种水下目标结构化稀疏特征提取方法

技术领域

本发明属于水下目标识别领域，用于从目标辐射的噪声信号中提取特征，并应用于目标的分类或识别。

背景技术

水下目标识别是现代声纳系统和水声对抗系统的重要功能，目前主要由声纳员人工完成。而声纳员的培训工作需要大量的时间成本和资金成本，且声纳员的实际表现易受到生理、心理以及环境因素的影响。随着现代声纳系统和水声对抗系统的自动化和智能化，不依赖人工的自动水下目标识别技术成为了水下目标识别领域内的重要研究内容，具有重大的现实及长期战略意义。

目标特征提取是自动水下目标识别技术的核心内容之一。目前已经提出和实现了时域波形特征提取、基于谱分析的特征提取和基于人耳听觉特征的特征提取等特征提取方法。这些目标特征在一定的条件下具有良好的识别性能，但同时也受到噪声干扰等各种实际应用条件的限制。发展新的水下目标特征提取方法一直以来都是该领域的重要研究课题。

水下目标信号中往往包含数量有限的强能量窄带线谱成分，而且这些线谱成分是区分舰船类别的重要标志。本方法借助层次贝叶斯模型，根据水下目标辐射噪声信号的特点，通过选取合适的先验概率，利用贝叶斯结构化稀疏算法，提取水下目标的多帧联合块稀疏特征。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种水下目标结构化稀疏特征提取方法。

技术方案

一种水下目标结构化稀疏特征提取方法，其特征在于步骤如下：

步骤1：对水下目标辐射噪声信号y进行分帧、去直流和能量归一化预处理；

步骤2：将各帧信号基于离散傅立叶字典D分解展开：

y(n)＝Dx(n)

式中，x(n)是时域帧信号y(n)基于字典D的分解系数；

其中，字典D的各个列向量为字典原子，它们是具有单位长度的傅立叶正交基；字典的行数与各帧样本的长度保持一致，列数根据信号时频谱中线谱成分出现的频率范围以及数量确定；字典中每一列傅立叶基函数应从包含线谱成分的频段中进行选取；

步骤3：采用层次贝叶斯模型对帧信号基于离散傅立叶字典的分解过程进行建模，构建的层次贝叶斯模型中假设信号y基于字典D的分解系数x服从多元高斯分布，均值和协方差分别用随机变量μ,∑表示，对于相邻的M帧信号，噪声n_i＝y_i-Φx_i,i＝1,2,…,M也服从高斯分布，均值都为0，精确度即方差倒数均为α₀，其中α₀和α＝{α₁,α₂,…,α_N}均服从Gamma分布，即α₀～Gamma(a,b)，α～Gamma(c,d)，a，b，c，d均为模型的超参量，字典

步骤4：对构建的层次贝叶斯模型，运用贝叶斯变分算法对隐随机变量进行推断，用均值μ作为分解系数x的估计；相邻的M帧信号联合求解得到M组信号稀疏分解系数；设最大迭代次数N_maxiter，所采用的贝叶斯变分算法推断过程如下：

步骤5：从相邻M帧信号y₁,y₂,…,y_M的M组分解系数x₁,x₂,…,x_M中，选择最中间的一组分解系数：若M为偶数，取x_M/2；若M为奇数，取x_(M+1)/2；并作能量归一化处理，作为该组连续M帧信号的多帧联合块结构化稀疏特征。

一种衡量多帧联合块结构化稀疏特征的分类性能方法，其特征在于：

步骤1：从样本集中随机选择一部分作为训练样本，剩下的作为测试样本；对用于训练的样本进行目标特征提取，与相应类标信息一起送入分类器中，用交叉验证训练出一个最佳分类器模型；

步骤2：对测试样本进行特征提取，送入分类器模型计算识别正确率；

步骤3：重复步骤1～2若干次，计算平均正确识别率，用于衡量该特征的分类性能高低。

所述步骤1中的选择一部分样本为1/3。

有益效果

本发明提出的一种水下目标结构化稀疏特征提取方法，从图2～图7中可以发现，在添加了白噪声的低信噪比失匹配条件下，多帧联合块结构化稀疏特征依然恢复出水下目标信号时频谱中的强能量窄带线谱成分，是一种对噪声具有鲁棒性的目标特征。

附图说明

图1特征提取以及特征用于目标识别分类过程的完整示意图

图2～图3信噪比为5dB时，时频图和相应的多帧联合块结构化稀疏特征对比图

图4～图5信噪比为-5dB时，时频图和相应的多帧联合块结构化稀疏特征对比图

图6～图7信噪比为-10dB时，时频图和相应的多帧联合块结构化稀疏特征对比图

具体实施方式

考虑到水下目标辐射噪声信号中往往存在稀疏的强能量线谱成分，同时这些线谱成分在时频谱上的分布具有一定的时间连续性，本方法将分帧后的水下目标辐射声信号基于离散傅立叶字典展开分解，其分解系数中大系数元素具有稀疏性，并且对于一段连续时间内的相邻若干帧信号，其分解系数中的大系数元素位置应相同或者相近。同时，水下目标信号的时频域内中存在时间相关性信息，而水下声环境中的噪声信号在时间上往往不具有相关性。因此，水下目标辐射噪声中的时间相关性信息是目标识别和分类的有用信息。为了利用这些信号中的结构先验信息，本特征提取方法利用层次贝叶斯模型，引入合适的先验分布和超参数的共享方式，能够有效利用分解系数中大系数呈块状分布的特点，在低信噪比条件下仍能较好地恢复目标辐射噪声中的强能量窄带线谱成分。与此同时，通过相邻帧信号间的超参数共享机制，帧间的相关性可以通过超参数的更新学习过程，反映到信号均值隐随机变量的推断结果中。这一推断过程可借助贝叶斯变分算法来完成。所提取的多帧联合块结构化稀疏特征能够有效利用具有可区分性的强能量窄带线谱成分以及时间相关性信息，是一种有效且对噪声具有鲁棒性的目标特征。该特征提取方法的具体技术方案如下：

步骤1：对采集到的连续时间信号进行预处理。预处理包括信号分帧、信号减均值去除直流成分和能量归一化。分帧时，若采样频率为fs，帧信号时长为t秒，则帧信号包含l＝t*fs个数据点。同时相邻帧信号之间有1/3个帧长的部分重叠，能够保留帧信号间的部分时间相关性信息。各帧信号具有类别信息，它们组成具有类别信息的样本集，用于之后的进一步处理。

步骤2：各帧信号样本基于离散傅立叶字典D展开式为：

y(n)＝Dx(n)(1)

式中，x(n)是时域信号y(n)基于字典D的分解系数。

式中，字典D的各个列向量为字典原子，它们是具有单位长度的傅立叶正交基。字典的行数与各帧样本的长度保持一致，列数根据信号时频谱中线谱成分出现的频率范围以及数量确定。字典中每一列傅立叶基函数应从包含线谱成分的频段中进行选取。

步骤3：采用层次贝叶斯模型对信号基于离散傅立叶字典D的分解问题进行建模。该贝叶斯概率模型采用块稀疏贝叶斯学习框架。模型假设N维帧信号y基于字典D的L维分解系数x服从多元高斯分布。x的各个元素x_i的先验分布是均值为0，精确度(方差倒数)为α_i的高斯分布。x的后验分布仍然是高斯分布，均值和协方差分别为μ,Σ。对于相邻的M帧信号，噪声n_i＝y_i-Φx_i,i＝1,2,…,M亦服从高斯分布，均值都为0，精确度(方差倒数)均为α₀，其中α₀和α＝{α₁,α₂,…,α_N}均服从Gamma分布，即α₀～Gamma(a,b)，α～Gamma(c,d)，a，b，c，d均为模型的超参量。观测向量Y＝{y₁,y₂,…,y_M}，字典

步骤4：对构建的层次贝叶斯模型，运用贝叶斯变分算法对隐随机变量进行推断，用均值μ作为分解系数x的估计。相邻的M帧信号联合求解得到M组信号稀疏分解系数。设最大迭代次数N_maxiter，所采用的贝叶斯变分算法推断过程如下：

具体迭代步骤：将M帧信号按列拼接得到Y＝[y₁；y₂；…；y_M]_NM×1。隐随机变量的推断过程是各个隐变量逐次迭代更新的过程。给隐随机变量a,b,c,d设置初值a₀，b₀，c₀，d₀,并由以下公式计算α₀和α的初值，并令迭代次数为1，开始以下迭代过程。

对每一组相邻M帧信号依次进行Σ_x和μ_x的迭代更新：

组内第i帧信号的分解系数x_i的协方差矩阵Σ_xi的更新公式为：

Σ_xi＝(Σ₀-Σ₀D^T(α₀I+DΣ₀D^T)DΣ₀),i＝1,2,…,M，I为单位矩阵；其中，

μ_xi的更新公式：μ_xi＝Σ₀D^T(λI+DΣ₀D^T)^-1y_i,i＝1,2,…,M

然后更新超参数b，d，进而更新α₀和α。

b的迭代公式：

α₀的迭代公式：其中a＝a₀+M×N。

d的迭代公式：

其中

α的迭代公式：其中c＝c₀+MN,1<i<L,1<j<M。

最后迭代次数加1，若迭代次数达到上限N_itermax，停止迭代，否则重复以上过程。

步骤5：从相邻M帧信号y₁,y₂,…,y_M的M组分解系数x₁,x₂,…,x_M中，选择最中间的一组分解系数(若M为偶数，取x_M/2；若M为奇数，取x_(M+1)/2)，并作能量归一化处理，作为该组连续M帧信号的多帧联合块结构化稀疏特征。

步骤6：从样本集中随机选择一部分(如1/3)作为训练样本，剩下的作为测试样本。对用于训练的样本进行目标特征提取，与相应类标信息一起送入分类器中，用交叉验证训练出一个最佳分类器模型。

步骤7：对测试样本进行特征提取，送入分类器模型计算识别正确率。

重复步骤6～7若干次，计算平均正确识别率，用于衡量该特征的分类性能高低。

具体实施例1：

步骤1：选择包含3类目标，共有45个wav格式的样本文件，每类各15个的数据集。每个样本文件时长5～6秒不等，采样频率为8000Hz。读取wav数据样本，使用MATLAB软件对数据样本进行预处理，并进行分帧处理。每帧时长为0.25s，即2000个数据点，相邻帧之间有1/3个帧长的部分重叠。最后对各帧样本去除直流成分，并把能量归一化到[0,1]之间，消除绝对大小对分类识别效果的影响。

步骤2：选择合适的频段和频率分辨率，构建离散傅立叶字典。字典的的行数与各帧样本的长度保持一致，列数根据信号时频谱中线谱成分出现的频率范围以及数量确定。字典中每一列傅立叶基函数应对应包含线谱成分的频段进行选取。3类目标辐射噪声中线谱成分主要集中在50Hz～199Hz，则可选取该频段内的傅立叶基函数。频率分辨率为1Hz，共个150个傅立叶基函数。

步骤3：采用层次贝叶斯模型对信号基于离散傅立叶字典D的分解问题进行建模。对于相邻的3帧信号，概率模型假设信号y₁,y₂,y₃基于字典D的分解系数为x₁,x₂,x₃。分解系数的先验分布都服从均值为0，精确度为α_i的高斯分布，后验分布服从均值分别为为μ₁,μ₂,μ₃，协方差矩阵为Σ₁,Σ₂,Σ₃的高斯分布，噪声n_i＝y_i-Φx_i,i＝1,2,3也服从高斯分布，均值都为0，精确度(方差倒数)均为α₀。α₀和α₁,α₂,α₃都服从Gamma先验分布，超参量分别为a,b和c,d。观测向量Y＝{y₁,y₂,y₃}，字典Φ＝{D；D；D}。

步骤4：将属于一段连续时间信号分帧后，以相邻连续的M帧信号进行分组。假设M帧(本例中M＝3)连续帧信号的下标为d₁,d₂,…,d_M，初始时设置d₁＝1,d₂＝2,…,d_M＝M。采用贝叶斯变分算法推断模型中的隐随机变量，求解该组M帧信号基于离散傅立叶字典的M组分解系数。然后更新d₁＝2,d₂＝3,…,d_M＝M+1，重复步骤4，直到M+1>N时停止。N为一段连续信号分帧后的帧数。这样对于该段连续信号，一共得到N-M+1个特征样本。

步骤5：对每一组M帧信号，取最中间的一组分解系数(若M为偶数，取x_M/2；若M为奇数，取x_(M+1)/2)，并作能量归一化处理，作为该组连续M帧信号的多帧联合块结构化稀疏特征。

步骤6：从样本集中随机选择1/3作为训练样本，剩余的2/3作为测试样本。将训练样本的稀疏特征与样本类标一起送入SVM分类器，在训练集数据通过cv交叉验证获得分类器参数，进而求解得到分类器模型。

步骤7：将测试样本及其类别信息送入分类器模型进行预测，计算识别正确率。

重复步骤6～7多次，计算平均识别正确率，作为测试结果。

Claims (3)

1.一种水下目标结构化稀疏特征提取方法，其特征在于步骤如下：

步骤1：对水下目标辐射噪声信号y进行分帧、去直流和能量归一化预处理；

步骤2：将各帧信号基于离散傅立叶字典D分解展开：

y(n)＝Dx(n)

式中，x(n)是时域帧信号y(n)基于字典D的分解系数；

其中，字典D的各个列向量为字典原子，它们是具有单位长度的傅立叶正交基；字典的行数与各帧样本的长度保持一致，列数根据信号时频谱中线谱成分出现的频率范围以及数量确定；字典中每一列傅立叶基函数应从包含线谱成分的频段中进行选取；

步骤3：采用层次贝叶斯模型对帧信号基于离散傅立叶字典的分解过程进行建模，构建的层次贝叶斯模型中假设信号y基于字典D的分解系数x服从多元高斯分布，均值和协方差分别用随机变量μ,∑表示，对于相邻的M帧信号，噪声n_i＝y_i-Φx_i,i＝1,2,…,M也服从高斯分布，均值都为0，精确度即方差倒数均为α₀，其中α₀和α＝{α₁,α₂,…,α_N}均服从Gamma分布，即α₀～Gamma(a,b)，α～Gamma(c,d)，a，b，c，d均为模型的超参量，字典

步骤4：对构建的层次贝叶斯模型，运用贝叶斯变分算法对隐随机变量进行推断，用均值μ作为分解系数x的估计；相邻的M帧信号联合求解得到M组信号稀疏分解系数；设最大迭代次数Nmaxiter，所采用的贝叶斯变分算法推断过程如下：

for n＝1,…,N_maxiter

for i＝1,…,M

updateΣ_i～p(Σ_i|α₀,α,y_i)

update u_i～p(u_i|α₀,Σ_i,y_i)

update a,b,c,d

updateα₀～Gamma(a,b)

updateα～Gamma(c,d)

步骤5：从相邻M帧信号y₁,y₂,…,y_M的M组分解系数x₁,x₂,…,x_M中，选择最中间的一组分解系数：若M为偶数，取x_M/2；若M为奇数，取x_(M+1)/2；并作能量归一化处理，作为该组连续M帧信号的多帧联合块结构化稀疏特征。

2.一种衡量权利要求1得到的多帧联合块结构化稀疏特征的分类性能方法，其特征在于：

步骤1：从样本集中随机选择一部分作为训练样本，剩下的作为测试样本；对用于训练的样本进行目标特征提取，与相应类标信息一起送入分类器中，用交叉验证训练出一个最佳分类器模型；

步骤2：对测试样本进行特征提取，送入分类器模型计算识别正确率；

步骤3：重复步骤1～2若干次，计算平均识别正确率，用于衡量该特征的分类性能高低。

3.根据权利要求2所述的衡量分类性能方法，其特征在于所述步骤1中的选择一部分样本为1/3。