CN110135316A - 一种舰船辐射噪声中低频线谱的自动检测和提取方法 - Google Patents

一种舰船辐射噪声中低频线谱的自动检测和提取方法 Download PDF

Info

Publication number
CN110135316A
CN110135316A CN201910377584.7A CN201910377584A CN110135316A CN 110135316 A CN110135316 A CN 110135316A CN 201910377584 A CN201910377584 A CN 201910377584A CN 110135316 A CN110135316 A CN 110135316A
Authority
CN
China
Prior art keywords
spectrum
frequency spectrum
radiated noise
ship
line
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910377584.7A
Other languages
English (en)
Other versions
CN110135316B (zh
Inventor
李海涛
程玉胜
邱家兴
程健
车永刚
丁超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
PLA Navy Submarine College
Original Assignee
PLA Navy Submarine College
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by PLA Navy Submarine College filed Critical PLA Navy Submarine College
Priority to CN201910377584.7A priority Critical patent/CN110135316B/zh
Publication of CN110135316A publication Critical patent/CN110135316A/zh
Application granted granted Critical
Publication of CN110135316B publication Critical patent/CN110135316B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02Preprocessing
    • G06F2218/04Denoising
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08Feature extraction

Landscapes

  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种舰船辐射噪声中低频线谱的自动检测和提取方法。通过采集信号;多时刻频谱累积;对积累频谱去平滑项;对数分贝谱去平滑项;线谱提取;线谱高于线谱门限H则予以保留,否则进行剔除;对频谱所有频点的幅值进行遍历比较后,得到最终的线谱提取结果。本发明通过对舰船辐射噪声的采集与分析,可以自动检测并提取目标舰船的线谱特征。既适用于低信噪比情况下的弱线谱检测,也适用于非低信噪比情况,较现有的线谱检测方法具有明显优势,有效改善目标特征自动提取能力,优化水声目标识别效果,提高水声装备的智能化水平。

Description

一种舰船辐射噪声中低频线谱的自动检测和提取方法
技术领域
本发明属于水声目标识别技术领域,涉及一种舰船辐射噪声中低频线谱的自动检测和提取方法。
背景技术
舰船噪声的目标识别问题一直是国际公认的重大技术难题。舰船噪声识别的关键技术之一是提取目标辐射噪声线谱特征。随着舰船降噪技术的发展,新型水面舰船和潜艇辐射噪声的噪声级逐年下降,目标识别工作面临新的改变:一是低频线谱特征的重要性日益提升。相对于低频段信号而言,舰船辐射噪声中高频段信号传播衰减大、传播距离近,低噪声舰船的中高频信号会逐渐淹没在海洋环境噪声之中,只有低频段信号能够远距离传输。二是目标识别特征的自动化检测需求迫切。随着探测距离的提高,探测范围内的目标数量大大增加,急需实现识别特征的自动化提取工作模式,提高识别效率。
现有的线谱特征检测方法分为固定门限检测和可变门限检测,适用于舰船辐射噪声的中高频段信号,而低频段信号具有频率不均匀性,频谱上邻近频率的能量起伏较大。当舰船辐射噪声信噪比较低时,低频线谱幅值很可能低于邻近频率起伏幅度,低频线谱将淹没于噪声干扰之中。使用现有的固定门限线谱特征提取方法,以全低频频段范围内的噪声幅值为参考门限进行线谱检测,会导致弱低频线谱的漏检缺失;而使用可变门限的线谱特征提取方法,则需要在人工参与下根据实际目标信号情况进行门限调整,无法对舰船辐射噪声低频线谱特征进行自动检测和提取。
发明内容
针对上述问题,本发明的目的是提供一种有效改善舰船目标特征自动提取能力,优化水声目标识别效果的舰船辐射噪声中低频线谱的自动检测和提取方法。
本发明的技术方案是:
步骤一:采集信号:
使用采集卡采集目标舰船的辐射噪声。
步骤二:多时刻频谱累积:
截取连续时间长度为T的舰船辐射噪声,将其按照时间长度t分为N帧;采用已有的傅里叶变换方法计算每帧舰船辐射噪声信号的频谱,完成全部N帧的频谱计算,并将N帧的频谱相叠加累积,得到积累后的舰船辐射噪声频谱。
所述截取舰船辐射噪声时间长度取值T=20s~60s。所述每帧的时间长度取值t=0.5s~4s。
步骤三:对步骤二所述积累频谱去平滑项:
采用高斯窗对步骤二得到的积累频谱进行平滑处理,得到第1平滑趋势项;用积累频谱减去第1平滑趋势项,得到第一去高斯平滑项的谱图;将去高斯平滑项后的谱图取对数,得到去高斯平滑项后的第一对数分贝谱。
步骤四:对步骤三所述对数分贝谱去平滑项:
采用高斯窗对所述第一对数分贝谱进行平滑处理,得到第二平滑趋势项;用第一对数分贝谱减去新得到的第二平滑趋势项,得到第二对数分贝谱图的去高斯平滑项谱图。
步骤五:线谱提取:
设定线谱门限H,H取值范围为0.5dB~1dB,如果步骤四频谱中的线谱高于线谱门限H则予以保留,否则进行剔除;对频谱所有频点的幅值进行遍历比较后,得到最终的线谱提取结果。
本发明的有益效果是:通过对舰船辐射噪声的采集与分析,可以自动检测并提取目标舰船的线谱特征。既适用于低信噪比情况下的弱线谱检测,也适用于非低信噪比情况,较现有的线谱检测方法具有明显优势,有效改善目标特征自动提取能力,优化水声目标识别效果,提高水声装备的智能化水平。
附图说明
图1是舰船辐射噪声低频线谱自动检测流程图。
图2是某设备显示屏低频历程图截图。
图3是舰船A辐射噪声低频频谱图。
图4是舰船A辐射噪声多时刻积累频谱图。
图5是舰船A辐射噪声多时刻积累频谱图中200Hz—600Hz低频段弱线谱局部放大图。
图6是舰船A辐射噪声多时刻积累频谱图的高斯平滑图。
图7是舰船A辐射噪声多时刻积累频谱图去高斯平滑项后的第一对数分贝谱图。
图8是舰船A的第一对数分贝谱图再去高斯平滑项后的第二对数分贝谱图。
图9是舰船A第二对数分贝谱图中大于门限的线谱提取的结果图。
图10是舰船B辐射噪声多时刻积累频谱图。
图11是舰船B去高斯平滑项后的第一对数分贝谱图。
图12是舰船B再去高斯平滑项后的第二对数分贝谱图。
具体实施方式
下面结合附图并通过具体实施例对本发明进行详细的描述。
实施例1:
使用本发明给出的方法提取舰船A的辐射噪声低频线谱,流程框图如图1所示。图2是某设备上显示的舰船A的辐射噪声的低频历程图截图,该截图横坐标为“频率(Hz)”,纵坐标为“时间(s)”。
从截图中可以观察到,在275Hz和551Hz附近存在微弱的目标线谱成分,但由于舰船辐射噪声高频段的能量过高,相比之下275Hz和551Hz两个目标低频线谱十分微弱,不具备清晰的可辨特征。
若采用传统的傅里叶变换方法计算舰船A辐射噪声信号的频谱,275Hz和551Hz两根目标低频线谱则淹没在噪声干扰之中。
采用本发明给出的实施方案:
步骤一:使用采集卡采集目标舰船A的辐射噪声,采样频率为5kHz。。
步骤二:选取时间长度为T=30s的舰船A辐射噪声信号,按照每帧的时间长度t=1s分为N=30帧。采用已有的傅里叶变换方法计算每帧舰船辐射噪声信号的频谱,获得舰船A辐射噪声一帧的频谱图—图3;完成全部30帧的频谱计算后,将30帧的频谱相加累积得到舰船A辐射噪声30帧的积累频谱图(图4)。
为了进一步说明原理,将图4的弱线谱200—600Hz处进行局部放大得到图5;对比可以看出,图4中275Hz和551Hz处只存在着微弱的线谱特征,远小于800Hz以上频段的幅值,难以通过设置幅值门限来实现线谱提取。
步骤三:采用高斯窗对步骤二得到的积累频谱进行平滑处理,得到平滑趋势项的积累频谱高斯平滑图(图6);用积累频谱减去平滑趋势项,得到第1去高斯平滑项的谱图;
再对第1去高斯平滑项的谱图取对数,得到去高斯平滑项后的第一对数分贝谱图—图7。对比图4和图7可以看出,频谱在不同频段的能量不均匀性得到改善,275Hz和551Hz处的目标线谱得到增强。
步骤四:参照步骤三去高斯平滑项的处理过程,对步骤三得到的第一对数分贝谱图再进行平滑处理,得到新的平滑趋势项,并用第一对数分贝谱图的对数分贝谱再减去新的平滑趋势项,获得第二对数分贝谱图(图8)。
步骤五:设定线谱门限H=0.6dB将步骤四频谱中的线谱高于线谱门限H予以保留,否则进行剔除。对频谱所有频点的幅值进行遍历比较后,得到最终的线谱提取结果。
图9是舰船A辐射噪声的线谱提取结果图。图中可以看出,舰船A辐射噪声中高频段线谱信息保留的同时,实现了275Hz和551Hz处低频线谱的自动提取。
实施例2:
图10给出了舰船B辐射噪声多时刻积累频谱图。舰船B的低频线谱较为清晰,使用现有的方法和本发明方法均可以提取线谱特征,但本发明方法的线谱结果中干扰线谱较少,特征更加纯净。
步骤一:使用采集卡采集目标舰船B的辐射噪声,采样频率为5kHz。
步骤二:同样选取时间长度为T=30s的舰船B辐射噪声信号,按照每帧的时间长度t=1s分为N=30个帧。然后将30帧的频谱相加累积得到舰船辐射噪声的积累频谱。
图10是舰船B辐射噪声30帧的积累频谱图。可以看出,图10中50Hz、100Hz、556Hz和603Hz等处存在明显的线谱特征。
步骤三:采用高斯窗对步骤二得到的积累频谱进行平滑处理,得到平滑趋势项;用积累频谱减去平滑趋势项,然后再取对数,得到去高斯平滑项后的对数分贝谱图。图11是积累频谱去高斯平滑项后的第一对数分贝谱图。设定线谱门限H=0.6dB,将高于线谱门限H予以保留,否则进行剔除。可以看出,当前已经可以实现50Hz、100Hz、556Hz和603Hz等处线谱的自动提取。
步骤四:参照第一次去高斯平滑项的处理过程,对得到第一对数分贝谱图进行去高斯平滑项处理,得到新的第二对数分贝谱图。
步骤五:设定线谱门限H=0.6dB,将高于线谱门限H予以保留,否则进行剔除。图12是舰船B辐射噪声的线谱提取结果图。从图中可以看出,当前即可实现50Hz、100Hz、556Hz和603Hz等处线谱的自动提取,且线谱结果中高频段干扰线谱较少,特征更加纯净。
实施例1和实施例2的结果可以说明,本发明方法既适用于低信噪比情况下的线谱检测,也适用于非低信噪比情况,较现有的线谱检测方法具有明显的自动化提取优势。

Claims (4)

1.一种舰船辐射噪声中低频线谱的自动检测和提取方法,其特征在于包括以下步骤:
步骤一:采集目标舰船的辐射噪声;
步骤二:截取连续时间长度为T的舰船辐射噪声,将截取的舰船辐射噪声的连续信号按照时间长度t将其分为N帧,采用傅里叶变换方法计算每帧舰船辐射噪声信号的频谱,当完成全部N帧的频谱计算后,将N帧的频谱相叠加累积,得到积累后的舰船辐射噪声频谱;
步骤三:对所述积累舰船辐射噪声频谱去平滑项:
采用高斯窗对步骤二得到的积累后的舰船辐射噪声频谱进行平滑处理,得到第1平滑趋势项;用积累频谱减去第1平滑趋势项,得到第一去高斯平滑项的谱图;再将去高斯平滑项后的谱图取对数,得到去高斯平滑项后的第一对数分贝谱;
步骤四:对所述对数分贝谱去平滑项:
采用高斯窗对第一对数分贝谱进行平滑处理,得到第二平滑趋势项;用第一对数分贝谱减去新得到的第二平滑趋势项,得到第二对数分贝谱的去高斯平滑项谱;
步骤五:线谱提取:
设定线谱门限H,对步骤四得到的去高斯平滑项谱中的线谱高于线谱门限H则予以保留,否则进行剔除;对频谱所有频点的幅值进行遍历比较后,得到最终的线谱提取结果。
2.根据权利要求1所述的自动检测和提取方法,其特征在于所述步骤二中截取舰船辐射噪声时间长度取值T=20s~60s。
3.根据权利要求1所述的自动检测和提取方法,其特征在于所述步骤二中每帧的时间长度取值t=0.5s~4s。
4.根据权利要求1所述的自动检测和提取方法,其特征在于所述步骤五中线谱门限H取值范围为0.5dB~1dB。
CN201910377584.7A 2019-05-07 2019-05-07 一种舰船辐射噪声中低频线谱的自动检测和提取方法 Active CN110135316B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910377584.7A CN110135316B (zh) 2019-05-07 2019-05-07 一种舰船辐射噪声中低频线谱的自动检测和提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910377584.7A CN110135316B (zh) 2019-05-07 2019-05-07 一种舰船辐射噪声中低频线谱的自动检测和提取方法

Publications (2)

Publication Number Publication Date
CN110135316A true CN110135316A (zh) 2019-08-16
CN110135316B CN110135316B (zh) 2019-12-31

Family

ID=67576610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910377584.7A Active CN110135316B (zh) 2019-05-07 2019-05-07 一种舰船辐射噪声中低频线谱的自动检测和提取方法

Country Status (1)

Country Link
CN (1) CN110135316B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110515065A (zh) * 2019-08-30 2019-11-29 东南大学 一种辐射噪声线谱源深度辨识方法
CN111401548A (zh) * 2020-03-03 2020-07-10 西北工业大学 一种基于深度学习的Lofar线谱检测方法
CN111553207A (zh) * 2020-04-14 2020-08-18 哈尔滨工程大学 一种基于统计分布的舰船辐射噪声特征重组方法
CN113589298A (zh) * 2021-06-16 2021-11-02 中国船舶重工集团公司第七一五研究所 一种拖线阵湍流边界层噪声测试数据线谱净化方法
CN114298094A (zh) * 2021-12-17 2022-04-08 中国船舶重工集团公司第七一五研究所 一种基于主成分分析的线谱自动提取方法
CN114462458A (zh) * 2022-04-11 2022-05-10 自然资源部第一海洋研究所 一种舰船水下信号降噪及目标增强方法
CN114593815A (zh) * 2022-01-21 2022-06-07 中国人民解放军海军潜艇学院 一种基于自噪声数据的线谱提取技术

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101938317A (zh) * 2010-09-10 2011-01-05 东南大学 噪声功率谱线谱检测方法
CN102243302A (zh) * 2011-04-15 2011-11-16 东南大学 一种水声目标辐射噪声的线谱时间累积特征提取方法
CN104268395A (zh) * 2014-09-24 2015-01-07 杭州电子科技大学 基于舰船辐射噪声频域融合特征的水声目标识别方法
WO2015157458A1 (en) * 2014-04-09 2015-10-15 Kaonyx Labs, LLC Methods and systems for improved measurement, entity and parameter estimation, and path propagation effect measurement and mitigation in source signal separation
CN105488466A (zh) * 2015-11-26 2016-04-13 中国船舶工业系统工程研究院 一种深层神经网络和水声目标声纹特征提取方法
CN106483520A (zh) * 2016-09-27 2017-03-08 哈尔滨工程大学 一种船舶辐射噪声调制系数估计方法
CN107462317A (zh) * 2016-06-02 2017-12-12 中国科学院声学研究所 一种复杂场景下的水面目标辐射噪声模拟方法
CN108694346A (zh) * 2017-04-05 2018-10-23 中国科学院声学研究所 一种基于两级cnn的船舶辐射噪声信号识别方法
CN109655148A (zh) * 2018-12-19 2019-04-19 南京世海声学科技有限公司 一种船舶噪声非平稳低频线谱自主提取方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101938317A (zh) * 2010-09-10 2011-01-05 东南大学 噪声功率谱线谱检测方法
CN102243302A (zh) * 2011-04-15 2011-11-16 东南大学 一种水声目标辐射噪声的线谱时间累积特征提取方法
WO2015157458A1 (en) * 2014-04-09 2015-10-15 Kaonyx Labs, LLC Methods and systems for improved measurement, entity and parameter estimation, and path propagation effect measurement and mitigation in source signal separation
CN104268395A (zh) * 2014-09-24 2015-01-07 杭州电子科技大学 基于舰船辐射噪声频域融合特征的水声目标识别方法
CN105488466A (zh) * 2015-11-26 2016-04-13 中国船舶工业系统工程研究院 一种深层神经网络和水声目标声纹特征提取方法
CN107462317A (zh) * 2016-06-02 2017-12-12 中国科学院声学研究所 一种复杂场景下的水面目标辐射噪声模拟方法
CN106483520A (zh) * 2016-09-27 2017-03-08 哈尔滨工程大学 一种船舶辐射噪声调制系数估计方法
CN108694346A (zh) * 2017-04-05 2018-10-23 中国科学院声学研究所 一种基于两级cnn的船舶辐射噪声信号识别方法
CN109655148A (zh) * 2018-12-19 2019-04-19 南京世海声学科技有限公司 一种船舶噪声非平稳低频线谱自主提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王盼盼,张国军,关凌刚,王鹏: "舰船辐射噪声特征线谱提取方法研究", 《海洋技术》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110515065A (zh) * 2019-08-30 2019-11-29 东南大学 一种辐射噪声线谱源深度辨识方法
CN111401548A (zh) * 2020-03-03 2020-07-10 西北工业大学 一种基于深度学习的Lofar线谱检测方法
CN111401548B (zh) * 2020-03-03 2022-03-22 西北工业大学 一种基于深度学习的Lofar线谱检测方法
CN111553207A (zh) * 2020-04-14 2020-08-18 哈尔滨工程大学 一种基于统计分布的舰船辐射噪声特征重组方法
CN113589298A (zh) * 2021-06-16 2021-11-02 中国船舶重工集团公司第七一五研究所 一种拖线阵湍流边界层噪声测试数据线谱净化方法
CN113589298B (zh) * 2021-06-16 2023-08-11 中国船舶重工集团公司第七一五研究所 一种拖线阵湍流边界层噪声测试数据线谱净化方法
CN114298094A (zh) * 2021-12-17 2022-04-08 中国船舶重工集团公司第七一五研究所 一种基于主成分分析的线谱自动提取方法
CN114593815A (zh) * 2022-01-21 2022-06-07 中国人民解放军海军潜艇学院 一种基于自噪声数据的线谱提取技术
CN114462458A (zh) * 2022-04-11 2022-05-10 自然资源部第一海洋研究所 一种舰船水下信号降噪及目标增强方法

Also Published As

Publication number Publication date
CN110135316B (zh) 2019-12-31

Similar Documents

Publication Publication Date Title
CN110135316A (zh) 一种舰船辐射噪声中低频线谱的自动检测和提取方法
Drugman et al. Glottal closure and opening instant detection from speech signals
CN107609488B (zh) 一种基于深度卷积网络的舰船噪声识别分类方法
CN106052852B (zh) 一种脉冲声信号的检测方法及装置
CN109031287A (zh) 基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法
CN113567969B (zh) 一种基于水下声信号的非法采砂船自动监控方法及系统
CN109344772A (zh) 基于谱图和深度卷积网络的超短波特定信号侦察方法
CN105785346B (zh) 一种基于相位方差加权的未知目标线谱检测方法及系统
CN108828566A (zh) 基于拖曳线列阵的水下脉冲信号识别方法
CN111414832B (zh) 一种基于鲸豚类低频水声信号的实时在线识别分类系统
CN105118511A (zh) 一种雷声识别方法
CN105071830B (zh) 一种直扩信号的检测识别方法
CN112068120A (zh) 基于二维傅里叶变换的微多普勒时频平面单兵小分队识别方法
CN109342018A (zh) 一种水轮机空化状态监测方法
CN109841219A (zh) 利用语音振幅信息和多种相位检测语音欺诈重放攻击方法
CN105812721A (zh) 一种跟踪监控方法及跟踪监控设备
CN103021421A (zh) 用于枪声的多级筛选检测识别方法
CN105424170B (zh) 一种枪声探测计数方法及系统
CN105336340B (zh) 一种用于低空目标声探测系统的风噪抑制方法和装置
TWI684912B (zh) 語音喚醒裝置及方法
CN108269566B (zh) 一种基于多尺度子带能量集特征的膛口波识别方法
Qiao et al. Spectral entropy based dolphin whistle detection algorithm and its possible application for biologically inspired communication
Zhuang et al. A method to extract the time-frequency feature of underwater acoustic signals
Park et al. Frequency of Interest-based Noise Attenuation Method to Improve Anomaly Detection Performance
CN112086105A (zh) 一种基于Gammatone分频带连续谱特征的目标识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant