CN109506767B - 一种对水下入侵目标引起声场异常的实时检测方法 - Google Patents

Abstract

本发明提供了一种对水下入侵目标引起声场异常的实时检测方法，由发射端周期性发射单频脉冲信号，在远处布置的接收端上通过对接收数据进行处理，将数据按预处理为训练数据，训练数据建立二叉树，计算异常得分后，通过异常得分判断是否存在前向散射信号引起的声场异常，实现对目标穿过收发连线时的接收信号变异检测。本发明采用孤立森林无监督学习算法，实现了对水下入侵目标前向散射导致的微弱声场异常进行检测，并具有较好的检测性能；相比现有方法，可以实现对前向散射信号的实时检测；除训练数据以外，本发明无需的其他先验信息；通过对训练数据的更新，本方法可以自适应不同的应用环境而无需调整算法。

Description

一种对水下入侵目标引起声场异常的实时检测方法

技术领域

本发明涉及水下通信领域，尤其是一种对水下入侵目标的检测方法。

背景技术

水下入侵物体穿过接收器与发射器之间的连线时，将会产生前向散射信号。前向散射信号与直达波干涉，从而导致接收声场产生异常变化。但是，在远程时前向散射 信号比直达波弱20dB左右，使得声场异常变化极其微弱，难以直接对其进行检测。 目前采用的检测方法主要包括：

以声场强度畸变的主分量提取方法：对多次接收脉冲信号做主分量分析，从而分离目标前向散射信号和直达波对应的特征向量，实现对微弱前向散射信号的检测。

信号强度的空间增强方法：利用信道自身的时反聚焦强度作为指示，目标前向散射使得聚焦能量下降，而旁瓣能量增强。

自适应相消方法：采用自适应相消原理，直接对直达波进行对消，从而提高前向散射信号强度与直达波信号强度的比值。

鉴于目前的处理方法在起伏环境的情况下，只能通过多次接收信号处理后，才能实现对目标的前向散射探测，难以实现对目标的实时检测，因此必须寻求新的方法。

发明内容

为了克服现有技术的不足，本发明提供一种能够实现对前向散射信号实时处理的方法，用于检测由水下入侵目标穿过收发连线时引起的前向散射声场变异。由发射端 周期性发射单频脉冲信号，在远处布置的接收端上通过对接收数据进行处理，实现对 目标穿过收发连线时的接收信号变异检测。

本发明解决其技术问题所采用的技术方案的步骤如下：

步骤1：发射端连续循环发射单频脉冲信号，单频脉冲信号的频率为 500Hz～20kHz，单频脉冲信号的周期T为0.1ms～10s；

步骤2：接收端为1～50个水听器组成的垂直线列阵，每隔周期T采样和记录水声信号，记录时间长度为发射信号脉冲长度的1～5倍，将单次采样记录的各水听器的接 收信号进行阵列法线方向的波束形成，波束输出为接收脉冲信号x(t)；

步骤3：接收数据预处理；

接收数据矩阵X由多个接收脉冲信号组成，表示如下：

X(t)＝[x₁(t),x₂(t),…,x_i(t),…x_N(t)] (1)

其中x_i(t)为第i个脉冲信号，N为脉冲个数，t为相对时间，预处理具体过程为：

第一步：对接收数据矩阵X进行希尔伯特变换，得到脉冲包络矩阵H，具体变换 过程为：

第二步：将脉冲包络以信号功率归一化，得到归一化脉冲包络矩阵

其中M为相对时间t的点数；

第三步：对归一化脉冲包络矩阵进行傅里叶变换，得到脉冲包络频谱

频谱分辨率不低于1％接收信号带宽：

步骤4：以步骤1和步骤2中的配置预先获得包含N_R个接收脉冲信号的接收数据 矩阵X_R，按照步骤3中预处理方法进行处理后的得到

作为训练数据建立孤立森 林，具体过程如下：

使用训练数据建立孤立森林，孤立森林由k棵二叉树组成数，其中每颗二叉树的建立方法如下：

1)从训练数据中随机抽取N_R的10％～100％的接收脉冲信号作为建立该二叉树的子数据集

2)建立一个根节点，在根节点上随机选取第p个频率点并随机选取一个幅值门限q，该幅值门限q在

的最大值与最小值之间；

3)在根节点对训练数据进行划分：子数据集

中的各个脉冲数据

进行判断，如果满足

则脉冲数据

流向该节点的左子节点；不满足则流向该节点的右 子节点；

4)子节点的建立方法与根节点一致，当子数据集

的每一条脉冲数据都不能再划分，即所有脉冲数据都到达一个只含有自己的节点，或到达一个只含有与自己完全 相同的脉冲数据的节点时，二叉树建立完成；

步骤5：将需要进行测试的数据按照步骤3中预处理方法进行处理作为训练数据，训练数据从根节点依次通过步骤4中建立的二叉树，统计测试数据

平均经过的节点 数

计算所述测试脉冲数据

的异常得分s_i，再判断是否存在前向散射信号引起 的声场异常，其中第i个脉冲的异常得分s_i的计算公式如下：

其中H(i)＝ln(i)+ξ，ξ≈0.5772156649，门限值取值在0.4～0.6之间，若

的异常得 分s_i大于门限值，则第i个脉冲信号中存在前向散射信号引起的声场异常，检测完成。

本发明选取训练数据矩阵X_R，脉冲个数N≥50，其中0％～50％的脉冲存在前向散射信号引起的声场异常。

本发明的有益效果在于由于本发明采用孤立森林无监督学习算法，实现了对水下入侵目标前向散射导致的微弱声场异常进行检测，并具有较好的检测性能；相比现有 方法，本发明可以实现对前向散射信号的实时检测；除训练数据以外，本发明无需的 其他先验信息；通过对训练数据的更新，本方法可以自适应不同的应用环境而无需调 整算法。

附图说明

图1为本发明目标前向散射探测示意图。

图2为本发明接收脉冲信号的包络图。

图3为本发明训练数据示意图。

图4为本发明前向散射信号检测方法处理流程图。

图5为本发明测试数据的异常得分示意图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

步骤1：发射端连续循环发射单频脉冲信号，单频脉冲信号的频率为 500Hz～20kHz，单频脉冲信号的周期T为0.1ms～10s；

步骤2：接收端为1～50个水听器组成的垂直线列阵，每隔周期T采样和记录水声信号，记录时间长度为发射信号脉冲长度的1～5倍，将单次采样记录的各水听器的接 收信号进行阵列法线方向的波束形成，波束输出为接收脉冲信号x(t)；

步骤3：接收数据预处理。

接收数据矩阵X由多个接收脉冲信号组成，表示如下：

X(t)＝[x₁(t),x₂(t),…,x_i(t),…x_N(t)] (7)

其中x_i(t)为第i个脉冲信号，N为脉冲个数，t为相对时间，预处理具体过程为：

第一步：对接收数据矩阵X进行希尔伯特变换，得到脉冲包络矩阵H，具体变换 过程为：

第二步：将脉冲包络以信号功率归一化，得到归一化脉冲包络矩阵

其中M为相对时间t的点数；

第三步：对归一化脉冲包络矩阵进行傅里叶变换，得到脉冲包络频谱

频谱分辨率不低于1％接收信号带宽：

步骤4：以步骤1和步骤2中的配置预先获得包含N_R个接收脉冲信号的接收数据 矩阵X_R，按照步骤3中预处理方法进行处理后的得到

作为训练数据建立孤立森 林；具体过程如下：

使用训练数据建立孤立森林，孤立森林由k棵二叉树组成数，其中每颗二叉树的建立方法如下：

1)从训练数据中随机抽取N_R的10％～100％的接收脉冲信号作为建立该二叉树的子数据集

2)建立一个根节点，在根节点上随机选取第p个频率点并随机选取一个幅值门限q，该幅值门限q在

的最大值与最小值之间；

3)在根节点对训练数据进行划分：子数据集

中的各个脉冲数据

进行判断，如果满足

则脉冲数据

流向该节点的左子节点；不满足则流向该节点的右 子节点；

4)子节点的建立方法与根节点一致，当子数据集

的每一条脉冲数据都不能再划分，即所有脉冲数据都到达一个只含有自己的节点，或到达一个只含有与自己完全 相同的脉冲数据的节点时，二叉树建立完成；

步骤5：将需要进行测试的数据按照步骤3中预处理方法进行处理作为训练数据，训练数据从根节点依次通过步骤4中建立的二叉树，统计测试数据

平均经过的节点 数

计算所述测试脉冲数据

的异常得分s_i，再判断是否存在前向散射信号引起 的声场异常，其中第i个脉冲的异常得分s_i的计算公式如下：

其中H(i)＝ln(i)+ξ，ξ≈0.5772156649，门限值取值在0.4～0.6之间，若

的异常得 分s_i大于门限值，则第i个脉冲信号中存在前向散射信号引起的声场异常，检测完成。

本发明选取训练数据矩阵X_R，脉冲个数N≥50，其中0％～50％的脉冲存在前向散射信号引起的声场异常。

假设在浅海环境中，水深40m，入侵物为两面覆盖铝板的泡沫塑料板，尺寸大小 为6m×2m×0.05m。声源和接受点距离为1100m，声源深度为10m。接收阵列为13个 0.25m等间距水听器垂直布放组成的阵列，阵列中心深度为10m，实验示意图如图1 所示。发射信号频率为10kHz，信号长度为0.5ms，发射间隔为0.5s的脉冲信号。训 练数据为指向水平方向的波束输出，脉冲个数N＝414个，数据长度M＝351，信号采 样率为223kHz，如图2所示。信号检测流程如图4所示：首先对脉冲信号X进行预 处理，x_i(t)为第i个脉冲信号，t为相对时间，表示为：

X(t)＝[x₁(t) x₂(t) ... x₄₄₁(t)] (13)

(1)先对脉冲信号X做希尔伯特变换得到脉冲包络矩阵H：

(2)再对脉冲包络进行归一化处理得到归一化脉冲包络矩阵

(3)再对归一化脉冲包络做离散傅里叶变换，得到脉冲包络频谱

经过预处理的数据如图3所示。

(4)处理过的脉冲信号X作为训练数据建立孤立森林机器学习方法，设置二叉树数量为100，二叉树的采样数256，二叉树的选取的特征数n＝1。使用训练数据

对 孤立森林方法进行训练。对训练数据进行二叉划分，建立200颗二叉树。

(5)向训练数据叠加高斯白噪声作为训练数据(信噪比为5dB)，输入经过预处 理的测试数据，根据已训练的孤立森林机器学习方法对数据空间的划分情况，对测试 数据进行异常评分得到评分S。以0.5为检测门限，得分s_i＞0.5的第i个脉冲即为包含 前向散射信号，从而实现对前向散射信号的检测。

S＝[s₁ s₂ ... s₄₄₁] (17)

(6)实验结果：采用图2所示的实验接收数据进行预处理作为训练数据训练孤立森林方法，图3为训练数据。数据中运行时间110s～135s可以看到由前向散射信号引 起的微弱畸变，强度变化在1dB左右，对图2所示的实验接收数据叠加噪声高斯白噪 声(信噪比为5dB)作为训练数据进行500次重复实验，得到的平均异常得分如图5 所示。可以看到含有前向散射信号的脉冲的异常得分均高于门限，即检测到前向散射 信号。

本发明在实践应用中取得了明显的效果，与现有方法相比较优越性体现在：

1)本方法借助训练数据实现对数据空间的划分，因此该方法可以实现实时检测。

2)检测数据可以再作为训练数据完善对数据空间的划分，提高方法的稳健性。

3)无需环境信息即可实现对前向散射信号进行检测，有较高的可实现性和可靠性。

Claims (2)

1.一种对水下入侵目标引起声场异常的实时检测方法，其特征在于包括下述步骤：

步骤1：发射端连续循环发射单频脉冲信号，单频脉冲信号的频率为500Hz～20kHz，单频脉冲信号的周期T为0.1ms～10s；

步骤2：接收端为1～50个水听器组成的垂直线列阵，每隔周期T采样和记录水声信号，记录时间长度为发射信号脉冲长度的1～5倍，将单次采样记录的各水听器的接收信号进行阵列法线方向的波束形成，波束输出为接收脉冲信号x(t)；

步骤3：接收数据预处理；

接收数据矩阵X由多个接收脉冲信号组成，表示如下：

X(t)＝[x₁(t),x₂(t),…,x_i(t),…x_N(t)] (1)

其中x_i(t)为第i个脉冲信号，N为脉冲个数，t为相对时间，预处理具体过程为：

第一步：对接收数据矩阵X进行希尔伯特变换，得到脉冲包络矩阵H，具体变换过程为：

第二步：将脉冲包络以信号功率归一化，得到归一化脉冲包络矩阵

其中M为相对时间t的点数；

第三步：对归一化脉冲包络矩阵进行傅里叶变换，得到脉冲包络频谱

频谱分辨率不低于1％接收信号带宽：

步骤4：以步骤1和步骤2中的配置预先获得包含N_R个接收脉冲信号的接收数据矩阵X_R，按照步骤3中预处理方法进行处理后的得到

作为训练数据建立孤立森林，具体过程如下：

使用训练数据建立孤立森林，孤立森林由k棵二叉树组成数，其中每颗二叉树的建立方法如下：

1)从训练数据中随机抽取N_R的10％～100％的接收脉冲信号作为建立该二叉树的子数据集

2)建立一个根节点，在根节点上随机选取第p个频率点并随机选取一个幅值门限q，该幅值门限q在

的最大值与最小值之间；

3)在根节点对训练数据进行划分：子数据集

中的各个脉冲数据

进行判断，如果满足

则脉冲数据

流向该节点的左子节点；不满足则流向该节点的右子节点；

4)子节点的建立方法与根节点一致，当子数据集

的每一条脉冲数据都不能再划分，即所有脉冲数据都到达一个只含有自己的节点，或到达一个只含有与自己完全相同的脉冲数据的节点时，二叉树建立完成；

步骤5：将需要进行测试的数据按照步骤3中预处理方法进行处理作为训练数据，训练数据从根节点依次通过步骤4中建立的二叉树，统计测试数据

平均经过的节点数

计算所述测试脉冲数据

的异常得分s_i，再判断是否存在前向散射信号引起的声场异常，其中第i个脉冲的异常得分s_i的计算公式如下：

其中H(i)＝ln(i)+ξ，ξ≈0.5772156649，门限值取值在0.4～0.6之间，若

的异常得分s_i大于门限值，则第i个脉冲信号中存在前向散射信号引起的声场异常，检测完成。

2.根据权利要求1所述一种对水下入侵目标引起声场异常的实时检测方法，其特征在于：

选取训练数据矩阵X_R，脉冲个数N≥50，其中0％～50％的脉冲存在前向散射信号引起的声场异常。

Images