CN112230205B - 一种利用舰船辐射噪声仿真信号的水下目标识别系统性能评估方法 - Google Patents

一种利用舰船辐射噪声仿真信号的水下目标识别系统性能评估方法 Download PDF

Info

Publication number
CN112230205B
CN112230205B CN202011109940.6A CN202011109940A CN112230205B CN 112230205 B CN112230205 B CN 112230205B CN 202011109940 A CN202011109940 A CN 202011109940A CN 112230205 B CN112230205 B CN 112230205B
Authority
CN
China
Prior art keywords
ship
radiation noise
signal
frequency
samples
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.)
Active
Application number
CN202011109940.6A
Other languages
English (en)
Other versions
CN112230205A (zh
Inventor
齐滨
梁国龙
王燕
付进
费鹏翔岳
王逸林
张光普
邹男
王晋晋
孙思博
邱龙皓
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202011109940.6A priority Critical patent/CN112230205B/zh
Publication of CN112230205A publication Critical patent/CN112230205A/zh
Application granted granted Critical
Publication of CN112230205B publication Critical patent/CN112230205B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/52004—Means for monitoring or calibrating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种利用舰船辐射噪声仿真信号的水下目标识别系统性能评估方法，通过对仿真生成的一定数量的理想舰船辐射噪声样本，与由信道仿真软件仿真得到的信道冲激响应函数进行卷积，或是设置更为复杂的舰船运动参数，得到数个复杂程度不同的样本库。从每个样本库中分别产生训练集和测试集，对不同水下目标分类识别系统进行训练和性能评估。最后再单独从一个样本库中产生训练集，对不同水下目标分类识别系统进行训练，从不同样本库中产生测试集对这些训练好的水下目标分类识别系统进行性能评估。本方法实现了在实测得到的水下目标样本库不足时，对水下目标分类识别系统的泛化性能的评估。

Description

一种利用舰船辐射噪声仿真信号的水下目标识别系统性能评 估方法
技术领域
本发明涉及一种利用舰船辐射噪声仿真信号的水下目标识别系统性能评估方法，属于水声通信技术领域。
背景技术
水声目标识别技术是一种利用声纳接收的被动目标辐射噪声、主动目标回波以及其他传感器信息经过特征提取之后由分类器判别出目标种类的信息处理技术。自第一次世界大战水声目标识别技术出现以来，该技术在反潜作战、鱼雷预警等军事领域得到了广泛的运用。各海军强国都十分重视水声目标识别技术的研究。而随着人类对海洋的开发日渐深入，水声目标识别技术也对来越多的应用到了诸如渔业生产、海洋科考、智能水下机器人等民用领域，水声目标识别技术是当前支持人类利用海洋的研究热点。
对于水声目标识别技术而言，人类依照目前的理论分析或者数据测量技术难以掌握水下目标的辐射噪声产生的完整机理、建立准确完全的声学模型；与此同时，随着声纳技术与传感器技术不断进步，信号处理能力不断提升，信号的采集能力正在迅速发展，水声目标辐射噪声的数据量和维度也不断增加，因此，利用计算机等处理设备运用统计分类、模型匹配、神经网络和专家系统等智能化算法进行自动化目标分类识别成为了世界各国目前研究的重点和方向。水下目标识别系统性能评估是评价基于智能算法的水下目标识别系统泛化能力的有效方式，是开展新任务论证、项目评价、能力展示等任务的重要途经。
目前，因为保密等原因在研究这些智能算法时研究人员往往难以取得足够的实际量测得到的水下目标辐射噪声作为研究对象，往往需要利用舰船辐射噪声仿真信号来进行研究。而现在所广泛运用的评估方法都是从一个样本库中生成测试样本和训练样本，在样本都是仿真信号时，目前的评估方法对分类识别信号的泛化性能不太具有说服力。需要建立一种针对利用水下目标辐射噪声仿真信号进行训练识别的分类识别系统的性能评估方法。
发明内容
本发明的目的是提出一种利用舰船辐射噪声仿真信号的水下目标识别系统性能评估方法，以解决对利用水下目标辐射噪声仿真信号进行训练验证的不同分类识别系统进行性能评估的问题。
一种利用舰船辐射噪声仿真信号的水下目标识别系统性能评估方法，所述性能评估方法包括以下步骤：
步骤一、对舰船理想条件下辐射噪声从宽带连续谱、调制信号、线谱三方面进行建模仿真，通过设置模糊参数使得线谱在所设频点附近随机出现，得到理想的舰船辐射噪声仿真信号；
步骤二：重复步骤一，调整模糊参数，按算法训练需求生成舰船辐射噪声样本组成样本库A；
步骤三：利用信道仿真软件对舰船辐射噪声水下传播信道进行仿真并得到信道冲激响应函数；
步骤四：将步骤一所得理想的舰船辐射噪声仿真信号与步骤三所得信号冲激响应函数进行卷积，得到优化后的舰船辐射噪声仿真信号；
步骤五：重复步骤四，按算法训练需求生成舰船辐射噪声样本组成样本库B；
步骤六：设置多个舰船运动速度参数，重复步骤五，生成运动速度改变的舰船辐射噪声样本组成样本库C；
步骤七：采用留出法应用于样本库A、样本库B和样本库C，得到三组训练集与测试集，运用所述三组训练集与测试集对不同的水下目标分类识别系统进行训练和测试，得到混淆矩阵；
步骤八：采用样本库C得到的训练集对不同水下目标分类识别系统进行训练，分别用样本库A、样本库B和样本库C产生的测试集进行测试，得到混淆矩阵。
进一步的，在步骤一中，具体的，宽带连续谱的仿真通常以一白噪声通过一个FIR滤波器来得到：
Figure BDA0002728262350000021
式中:f为频率；A1和A2可以控制图像的改变速率；fn1和fn2为折线的拐点处的频率；SLf0为舰船辐射噪声谱级；fL和fH表示信号下限频率和上限频率，
对于连续谱舰船噪声总声源级的计算，对于辐射噪声在100-10000Hz频带内、排水量在30000吨以下、航速在8-24节范围内的舰船的总声源级，采用ROSS经验公式进行计算，如下方公式所示：
SLS＝122+50log(v/10)+15log(DT) (2)
SLS＝134+60log(v/10)+9log(DT) (3)
式(2)和式(3)得到的结果相似，其中，SLS为所求舰船的总声源级，v为舰船的航速，DT为舰船的排水量。
对于排水量大于30000t的现代舰船需对式(2)和式(3)进行修正：
SLS＝112+50log(v/10)+15log(DT)-1.5×10-5(DT) (4)
根据螺旋桨空化噪声的特性，先计算得到其谱峰频率，由此可以得出舰船功率谱峰值，按照舰船类型不同将舰船信息代入至ROSS经验公式，得到SLS，再代入式(5)和式(6)，根据FIR构造公式构造FIR滤波器，最后使得高斯白噪声通过所述FIR滤波器，获得该类舰船匀速直线运动时的宽带连续谱噪声信号，
Figure BDA0002728262350000031
SL＝SLS1+20-20log(f0) (6)
其中，f0是峰值频率，SLS1是100Hz以上的总声源级，SL是功率谱级峰值，
旋桨转速和舰船航速与排水量有关，旋桨转速和舰船航速与排水量的关系有经验公式联系：
v＝ξ×s×DT×10-4 (7)
Figure BDA0002728262350000041
式中：s表示螺旋桨轴转速；ξ是一个与DT有关系数，
线谱分量由正弦信号及其谐波分量叠加而成，函数表示如下：
Figure BDA0002728262350000042
第i阶谐波族的函数表达式为：
Figure BDA0002728262350000043
式中：L(t)是求得的线谱分量时域信号，fi为第i阶线谱频率，M为单频正弦信号数量，N为谐波族数量，ai(i＝1,2,...,M)为线谱的强度；
Figure BDA0002728262350000044
和/>
Figure BDA0002728262350000045
为随机相位，/>
Figure BDA0002728262350000046
和/>
Figure BDA0002728262350000047
的值从[0,2π]单位内随机抽取；式(10)对应着第一类线谱分量，其与螺旋桨“唱音”现象有关，其基频f1为轴频；ni表示第i阶谐波族所包含的谐波数，由舰体结构决定。
将舰船航速v和排水量信息DT代入轴频机算公式得到轴频信息，再代入式(9)和式(10)，求得舰船第一类线谱分量，最后叠加上经验线谱可以得到舰船辐射噪声线谱仿真信号，得到的舰船辐射噪声线谱仿真信号强度应高于连续谱10-25dB，
根据傅里叶分解理论，将调制信息转换成轴频叠加倍频程谐波分量的谐波组合来模拟，函数表达式如下：
Figure BDA0002728262350000048
式中，Ain为各次谐波的幅度，f0为轴频，
Figure BDA0002728262350000049
为各次谐波的相位，没有特殊规定时，默认为0，NiL＝ceil(fiL/f0)，NiH＝floor(fiH/f0)是谐波数目，
调制信号调制之后的宽带连续谱、线谱分量在时域相互叠加的过程可由下式表示
X(t)＝gl(t)+[1+a(t)]gx(t) (12)
其中gl(t)为舰船的线谱仿真信号，gx(t)是舰船的连续谱仿真信号，a(t)是调制包络信号。
进一步的，在步骤四中，将声源发射信号x(p,t,f)与用BELLHOP模型计算得到的信道冲激函数h(p,t,f)进行卷积得到经过信道的实际接受信号y(p,t,f)：
Figure BDA0002728262350000051
进一步的，步骤七具体包括以下步骤：
步骤七一、利用留出法将样本库划分为两个互斥的样本集，其中一个作为测试集，另外一个作为训练集，采用分层采样的方式来进行，使测试集与训练集的划分尽可能保证一致性；
步骤七二、让待测试的水下目标分类模型利用留出法产生的训练集对模型进行训练，调整模型中的各个参数；
步骤七三、模型训练完后，运用产生的测试集对训练后的模型进行测试，输出训练后的模型对不同目标的分类精度，汇总成混淆矩阵。
进一步的，所述混淆矩阵的指标分为一级指标和二级指标，一级指标也就是矩阵中直接呈现的TP、FP、FN、TN的值，其中TP和TN为正确检测Positive类和Negative类的数目，针对Positive类别，FN和FP分别称作Positive类别的漏报和误报，对于一个模型而言，TP与TN数值越大，FN、FP数值越小模型的性能也就越好，通过对混淆矩阵的一级指标进行组合得到准确率、错误率、查准率、召回率等二级评价指标，
其中准确率定义为测试样本中被正确分类的样本占所有样本的百分比，
Figure BDA0002728262350000052
错误率定义为分类错误的样本占所有样本的百分比，
Figure BDA0002728262350000053
查准率，表示所有识别正确的一类样本占这类样本的百分比，
Figure BDA0002728262350000061
召回率，表示所有这一样本中被我们正确识别的样本所占百分比，
Figure BDA0002728262350000062
本发明的主要优点是：本发明的一种利用舰船辐射噪声仿真信号的水下目标识别系统性能评估方法，相较与目前广泛使用的从一个样本库中生成训练集和测试集对水下目标识别系统进行测试的方法，可以在实测水下目标辐射噪声样本不足时，通过复杂程度不同的样本库生成不同的训练集和测试集，更加全面的考察水下目标识别系统的泛化性能。
附图说明
图1是本发明的一种利用舰船辐射噪声仿真信号的水下目标识别系统性能评估方法的方法流程图；
图2是理想舰船水下辐射噪声仿真流程图；
图3是四类舰船辐射噪声样本功频域率谱图，其中图3(a)是样本1功率谱图；图3(b)是样本2功率谱图；图3(c)是样本3功率谱图；图3(d)是样本4功率谱图；
图4分别为原始样本1的信号和信道冲激函数卷积之后的信号；
图5为混淆矩阵示意图；
图6为利用样本C产生训练集之后分别用不同测试集测试所得混淆矩阵，图6(a)为利用样本库A产生测试集进行测试所得混淆矩阵；图6(b)为利用样本库B产生测试集进行测试所得混淆矩阵；图6(c)为利用样本库C产生测试集进行测试所得混淆矩阵。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提出了一种利用舰船辐射噪声仿真信号的水下目标识别系统性能评估方法，包括如下步骤：
步骤一：对舰船理想条件下辐射噪声从宽带连续谱、调制信号、线谱三方面进行建模仿真，得到理想的舰船辐射噪声仿真信号。
步骤二：重复步骤一工作，调整模糊参数，按算法训练需求生成一定数量的舰船辐射噪声样本组成样本库A。
步骤三：利用信道仿真软件对舰船辐射噪声水下传播信道进行仿真并得到信道冲激响应函数。
步骤四：将步骤一所得理想舰船辐射噪声仿真信号与所得信号冲激响应函数进行卷积，得到更为贴近真实的舰船辐射噪声仿真信号。
步骤五：重复步骤四的过程，按算法训练需求生成一定数量的舰船辐射噪声样本组成样本库B。
步骤六：设置多个舰船运动速度参数，重复步骤五的操作，生成运动速度改变的舰船辐射噪声样本组成样本库C。
步骤七：采用留出法应用于样本库A、B、C，得到三组训练集与测试集，运用其对不同的水下目标分类识别系统进行训练和测试，得到混淆矩阵。
步骤八：采用样本库C得到的训练集对不同水下目标分类识别系统进行训练，分别用样本库A、B、C产生的测试集进行测试，得到混淆矩阵。
优选地，所述步骤一具体为：
宽带连续谱的仿真通常以一白噪声通过一个具有一定形状的FIR滤波器来得到：
Figure BDA0002728262350000071
式中:f为频率(单位：Hz)；A1和A2可以控制图像的改变速率；fn1和fn2为折线的拐点处的频率(单位：Hz)；SLf0为舰船辐射噪声谱级(单位：分贝)；fL和fH表示信号下限频率和上限频率(单位：Hz)。
对于连续谱舰船噪声总声源级的计算，对于辐射噪声在100-10000Hz频带内、排水量在30000吨以下、航速在8-24节范围内的舰船的总声源级，可采用ROSS经验公式进行计算，如下方公式所示：
SLS＝122+50log(v/10)+15log(DT) (2)
SLS＝134+60log(v/10)+9log(DT) (3)
这两个公式得到的结果是相似的，其中，SLS为所求舰船的总声源级(单位：dB)，v为舰船的航速(单位：kn)，DT为舰船的排水量(单位：t)，水下参考声压取1μPa。
对于排水量大于30000t的现代舰船需要对公式进行修正：
SLS＝112+50log(v/10)+15log(DT)-1.5×10-5(DT) (4)
根据螺旋桨空化噪声的特性，先计算得到其谱峰频率，由此可以得出舰船功率谱峰值。按照舰船类型不同将舰船排水量，航速等信息代入至ROSS经验公式，得到SLS。再代入下方两式，根据FIR构造公式构造FIR滤波器，最后使得高斯白噪声通过该滤波器即可获得该类舰船匀速直线运动时的宽带连续谱噪声信号。
Figure BDA0002728262350000081
SLf0＝SLS+20-20log(f0) (6)
其中，f0是峰值频率(单位：Hz)，SLS是100Hz以上的总声源级(单位:分贝)，SLf0是功率谱级峰值(单位：分贝)。
旋桨转速与舰船航速与排水量有关，其关系可以有经验公式联系：
v＝ξ×s×DT×10-4 (7)
Figure BDA0002728262350000091
式中：v表示舰船航速(单位：节/kn)；s表示螺旋桨轴转速(轴频)(单位：转每秒/r/s)；DT表示排水量(单位：吨/t)；ξ是一个与DT有关系数。
线谱分量由具有一定频率的正弦信号及其谐波分量叠加而成，函数表示如下：
Figure BDA0002728262350000092
第i阶谐波族的函数表达式为：
Figure BDA0002728262350000093
式中：L(t)是求得的线谱分量时域信号，fi为第i阶线谱频率(单位：Hz)，M为单频正弦信号数量，N为谐波族数量，ai(i＝1,2,...,M)为线谱的强度；
Figure BDA0002728262350000094
为随机相位，其值从[0,2π]单位内随机抽取；式对应着第一类线谱分量，其与螺旋桨“唱音”现象有关，其基频f1为轴频；ni表示第i阶谐波族所包含的谐波数，其由舰体结构决定。
将舰船航速和排水量信息代入轴频机算公式得到轴频信息，再代入上面两式，可以求得舰船第一类线谱分量，最后叠加上经验线谱可以得到舰船辐射噪声线谱仿真信号，得到的舰船辐射噪声线谱仿真信号强度应高于连续谱10-25dB。
根据傅里叶分解理论，调制信息可以转换成轴频叠加倍频程谐波分量的谐波组合来模拟，函数表达式如下：
Figure BDA0002728262350000095
式中，Ain为各次谐波的幅度(单位：Pa)，f0为轴频(单位：Hz)，
Figure BDA0002728262350000096
为各次谐波的相位，没有特殊规定时，默认为0，NiL＝ceil(fiL/f0)，NiH＝floor(fiH/f0)是谐波数目。
调制信号调制之后的宽带连续谱、线谱分量在时域相互叠加的过程可由下式表示
X(t)＝gl(t)+[1+a(t)]gx(t) (12)
其中gl(t)为舰船的线谱仿真信号，gx(t)是舰船的连续谱仿真信号，a(t)是调制包络信号。
优选地，所述步骤四具体为：
将声源发射信号x(p,t,f)与用BELLHOP模型计算得到的信道冲激函数h(p,t,f)进行卷积得到经过信道的实际接受信号y(p,t,f)
Figure BDA0002728262350000101
优选地，所述步骤七具体为：
第一步：是利用留出法将样本库划分为两个互斥的样本集。其中一个作为测试集，另外一个作为训练集。通常测试集与训练集中样本数量比值为1：3或者1：4。为了使测试集与训练集的划分尽可能保证一致性，避免划分的偏向对最终结果产生影响，通常采用分层采样的方式来进行。分层采样是指采样结果的样本类型分布要与原始样本库中样本类型分布尽可能的一致。而根据大数定律，当样本库具有一定的数量时，从样本库中随机抽取样本就能满足分层采样的要求。
第二步：让待测试的水下目标分类模型利用留出法产生的训练集对模型进行训练，调整模型中的各个参数。
第三步：模型训练完后，运用产生的测试集对其进行测试，输出其对不同目标的分类精度，汇总成混淆矩阵。
混淆矩阵的指标可以分为一级指标和二级指标。一级指标也就是矩阵中直接呈现的TP、FP、FN、TN的值。针对Positive类别，FN和FP分别称作Positive类别的漏报和误报。对于一个模型而言，TP与TN数值越大，FN、FP数值越小模型的性能也就越好。通过对混淆矩阵的一级指标进行组合可以得到准确率、错误率、查准率、召回率等二级评价指标。
其中准确率定义为测试样本中被正确分类的样本占所有样本的百分比。
Figure BDA0002728262350000111
错误率定义为分类错误的样本占所有样本的百分比。
Figure BDA0002728262350000112
查准率，表示所有识别正确的一类样本占这类样本的百分比。
Figure BDA0002728262350000113
召回率，表示所有这一样本中被我们正确识别的样本所占百分比。
Figure BDA0002728262350000114
具体实施例一：
按照图1所示流程图，本发明提供基于统计分布的舰船辐射噪声特征重组方法，包括如下步骤：
步骤一：对舰船理想条件下辐射噪声从宽带连续谱、调制信号、线谱三方面进行建模仿真，得到理想的舰船辐射噪声仿真信号。
步骤二：重复步骤一工作，调整模糊参数，按算法训练需求生成一定数量的舰船辐射噪声样本组成样本库A。
步骤三：利用信道仿真软件对舰船辐射噪声水下传播信道进行仿真并得到信道冲激响应函数。
步骤四：将步骤一所得理想舰船辐射噪声仿真信号与所得信号冲激响应函数进行卷积，得到更为贴近真实的舰船辐射噪声仿真信号。
步骤五：重复步骤四的过程，按算法训练需求生成一定数量的舰船辐射噪声样本组成样本库B。
步骤六：设置多个舰船运动速度参数，重复步骤五的操作，生成运动速度改变的舰船辐射噪声样本组成样本库C。
步骤七：采用留出法应用于样本库A、B、C，得到三组训练集与测试集，运用其对不同的水下目标分类识别系统进行训练和测试，得到混淆矩阵。
步骤八：采用样本库C得到的训练集对不同水下目标分类识别系统进行训练，分别用样本库A、B、C产生的测试集进行测试，得到混淆矩阵。
具体实施例二：
步骤1、将两类船舶排水量，航速代入式，
SLS＝122+50log(v/10)+15log(DT) (18)
SLS＝134+60log(v/10)+9log(DT) (19)
SLS＝112+50log(v/10)+15log(DT)-1.5×10-5(DT) (20)
其中，SLS为所求舰船的总声源级(单位：dB)，v为舰船的航速(单位：kn)，DT为舰船的排水量(单位：t)，水下参考声压取1μPa。
Figure BDA0002728262350000121
Figure BDA0002728262350000122
其中，f0是峰值频率(单位：Hz)，SLS是100Hz以上的总声源级(单位:分贝)，
Figure BDA0002728262350000123
是功率谱级峰值(单位：分贝)。
Figure BDA0002728262350000124
式中:f为频率(单位：Hz)；A1和A2可以控制图像的改变速率；fn1和fn2为折线的拐点处的频率(单位：Hz)；SLf0为舰船辐射噪声谱级(单位：分贝)；fL和fH表示信号下限频率和上限频率(单位：Hz)。
根据舰船连续谱辐射噪声特性构造舰船连续谱谱级函数。通过谱级函数即可构造舰船辐射噪声FIR滤波器。
将船舶螺旋桨叶数、航速、吨位、经验线谱等信息代入：
螺旋桨转速与舰船航速与排水量有关，其关系可以有经验公式联系：
v＝ξ×s×DT×10-4 (24)
Figure BDA0002728262350000131
式中：v表示舰船航速(单位：节/kn)；s表示螺旋桨轴转速(轴频)(单位：转每秒/r/s)；DT表示排水量(单位：吨/t)；ξ是一个与DT有关系数。
线谱分量由具有一定频率的正弦信号及其谐波分量叠加而成，函数表示如下：
Figure BDA0002728262350000132
第i阶谐波族的函数表达式为：
Figure BDA0002728262350000133
式中：L(t)是求得的线谱分量时域信号，fi为第i阶线谱频率(单位：Hz)，M为单频正弦信号数量，N为谐波族数量，ai(i＝1,2,...,M)为线谱的强度；
Figure BDA0002728262350000134
为随机相位，其值从[0,2π]单位内随机抽取；式对应着第一类线谱分量，其与螺旋桨“唱音”现象有关，其基频f1为轴频；ni表示第i阶谐波族所包含的谐波数，其由舰体结构决定。
将连续谱时域信号用调制信号进行调制之后与线谱分量进行叠加，最后加上10dB高斯白噪声模拟干扰之后得到舰船辐射噪声。图3展示了利用该方法设置四类不同目标所得的舰船辐射噪声功率谱图。
步骤2、按照步骤一所述仿真方法，建立理想情况下舰船噪声样本库A。每类舰船样本数目2500，为保证同类样本之间的差异性，在程序代入参数进行运算的过程中会添加随机误差，使得线谱高度、线谱位置、连续谱峰值等参数会在一定范围内波动。最终获得一样本容量为12500个的理想情况下舰船噪声样本库A。
步骤3、利用信道仿真软件对舰船辐射噪声水下传播信道进行仿真并得到信道冲激响应函数。
步骤4、将声源发射信号x(p,t,f)与用BELLHOP模型计算得到的信道冲激函数h(p,t,f)进行卷积得到经过信道的实际接受信号y(p,t,f)
Figure BDA0002728262350000141
其中，p代表声压，t代表时延，f代表信号频率。
图4展示了信号经过卷积之后的变化。
步骤5、为了验证系统对通过信道传播之后系统的分类识别能力，另需建立一复杂情况舰船噪声样本库B。设置各类参数。重复步骤四的操作。每类舰船产生2500各样本，其中每类样本中不同速度的样本各625个。得到以样本容量为12500个的复杂情况舰船噪声样本库B。
步骤6、而为了检验同类目标在不同运动速度下，系统的识别性能，另建立以运动状态改变舰船噪声样本库C。其各类型目标参数基于舰船噪声样本库A各类目标参数设置，样本产生方法与样本库B相同，但是给同一类目标赋予了四种不同运动速度参数。
步骤7、采用留出法直接将样本库划分为两个互斥的样本集。其中一个作为测试集，另外一个作为训练集。通常测试集与训练集中样本数量比值为1：3或者1：4。为了使测试集与训练集的划分尽可能保证一致性，避免划分的偏向对最终结果产生影响，通常采用分层采样的方式来进行。分层采样是指采样结果的样本类型分布要与原始样本库中样本类型分布尽可能的一致。而根据大数定律，当样本库具有一定的数量时，从样本库中随机抽取样本就能满足分层采样的要求。
对构造的基于支持向量机的水声目标分类系统、基于BP神经网络的水声目标分类系统和基于卷积神经网络的水声目标分类系统三种不同的水声目标分类系统都用样本库C产生训练集和测试集，都采用MFCC特征提取方法作为特征提取手段。其中为了控制基于支持向量机的水声目标分类系统的训练时间其采用训练样本集中样本数量为600，测试样本集中样本数量为150。其余两个系统采用的训练样本数量均为10000，测试样本数量均为2500。得到的混淆矩阵。
步骤8、对构造的基于支持向量机的水声目标分类系统、基于BP神经网络的水声目标分类系统和基于卷积神经网络的水声目标分类系统三种不同的水声目标分类系统都用样本库C产生训练集，利用样本库A、B、C分别产生三个训练集。都采用MFCC特征提取方法作为特征提取手段。其中为了控制基于支持向量机的水声目标分类系统的训练时间其采用训练样本集中样本数量为600，测试样本集中样本数量为150。其余两个系统采用的训练样本数量均为10000，测试样本数量均为2500。对一种分类系统进行测试所得到的混淆矩阵如图6所示。表1展示了三种不同水下目标识别系统不同测试集测试时所得的平均总体分类精度，其能够更加全面的考察不同水下目标识别系统的泛化能力，
Figure BDA0002728262350000151
表1
以上所述仅是一种利用舰船辐射噪声仿真信号的水下目标识别系统性能评估方法的优选实施方式，一种利用舰船辐射噪声仿真信号的水下目标识别系统性能评估方法的保护范围并不仅局限于上述实施例，凡属于该思路下的技术方案均属于本发明的保护范围。应当指出，对于本领域的技术人员来说，在不脱离本发明原理前提下的若干改进和变化，这些改进和变化也应视为本发明的保护范围。

Claims (2)

1.一种利用舰船辐射噪声仿真信号的水下目标识别系统性能评估方法，其特征在于，所述性能评估方法包括以下步骤：
步骤一、对舰船辐射噪声从宽带连续谱、调制信号、线谱三方面进行建模仿真，通过设置模糊参数使得线谱在所设频点附近随机出现，得到舰船辐射噪声仿真信号；
步骤二：重复步骤一，调整模糊参数，按算法训练需求生成舰船辐射噪声样本组成样本库A；
步骤三：利用信道仿真软件对舰船辐射噪声水下传播信道进行仿真并得到信道冲激响应函数；
步骤四：将步骤一所得舰船辐射噪声仿真信号与步骤三所得信号冲激响应函数进行卷积，得到优化后的舰船辐射噪声仿真信号；
步骤五：重复步骤四，按算法训练需求生成舰船辐射噪声样本组成样本库B；
步骤六：设置多个舰船运动速度参数，重复步骤五，生成运动速度改变的舰船辐射噪声样本组成样本库C；
步骤七：采用留出法应用于样本库A、样本库B和样本库C，得到三组训练集与测试集，运用所述三组训练集与测试集对不同的水下目标分类识别系统进行训练和测试，得到混淆矩阵；
步骤八：采用样本库C得到的训练集对不同水下目标分类识别系统进行训练，分别用样本库A、样本库B和样本库C产生的测试集进行测试，得到混淆矩阵，
在步骤一中，具体的，宽带连续谱的仿真以一白噪声通过一个FIR滤波器来得到：
Figure FDA0004261048250000011
式中:f为频率；A1和A2可以控制图像的改变速率；fn1和fn2为折线的拐点处的频率；SLf0为舰船辐射噪声谱级；fL和fH表示信号下限频率和上限频率，
对于连续谱舰船噪声总声源级的计算，对于辐射噪声在100-10000Hz频带内、排水量在30000吨以下、航速在8-24节范围内的舰船的总声源级，采用ROSS经验公式进行计算，如下方公式所示：
SLS＝122+50log(v/10)+15log(DT) (2)
SLS＝134+60log(v/10)+9log(DT) (3)
式(2)和式(3)得到的结果相似，其中，SLS为所求舰船的总声源级，v为舰船的航速，DT为舰船的排水量；
对于排水量大于30000t的现代舰船需对式(2)和式(3)进行修正：
SLS＝112+50log(v/10)+15log(DT)-1.5×10-5(DT) (4)
根据螺旋桨空化噪声的特性，先计算得到其谱峰频率，由此可以得出舰船功率谱峰值，按照舰船类型不同将舰船信息代入至ROSS经验公式，得到SLS，再代入式(5)和式(6)，根据FIR构造公式构造FIR滤波器，最后使得高斯白噪声通过所述FIR滤波器，获得被测舰船所在类别的舰船匀速直线运动时的宽带连续谱噪声信号，
Figure FDA0004261048250000021
SL＝SLS1+20-20log(f0) (6)
其中，f0是峰值频率，SLS1是100Hz以上的总声源级，SL是功率谱级峰值，
旋桨转速和舰船航速与排水量有关，旋桨转速和舰船航速与排水量的关系有经验公式联系：
v＝ξ×s×DT×10-4 (7)
Figure FDA0004261048250000022
式中：s表示螺旋桨轴转速；ξ是一个与DT有关系数，
线谱分量由正弦信号及其谐波分量叠加而成，函数表示如下：
Figure FDA0004261048250000031
第i阶谐波族的函数表达式为：
Figure FDA0004261048250000032
式中：L(t)是求得的线谱分量时域信号，fi为第i阶线谱频率，M为单频正弦信号数量，N为谐波族数量，ai(i＝1,2,...,M)为线谱的强度；
Figure FDA0004261048250000033
和/>
Figure FDA0004261048250000034
为随机相位，/>
Figure FDA0004261048250000035
和/>
Figure FDA0004261048250000036
的值从[0,2π]单位内随机抽取；式(10)对应着第一类线谱分量，其与螺旋桨“唱音”现象有关，其基频f1为轴频；ni表示第i阶谐波族所包含的谐波数，由舰体结构决定；
将舰船航速v和排水量信息DT代入轴频机算公式得到轴频信息，再代入式(9)和式(10)，求得舰船第一类线谱分量，最后叠加上经验线谱可以得到舰船辐射噪声线谱仿真信号，得到的舰船辐射噪声线谱仿真信号强度应高于连续谱10-25dB，
根据傅里叶分解理论，将调制信息转换成轴频叠加倍频程谐波分量的谐波组合来模拟，函数表达式如下：
Figure FDA0004261048250000037
式中，Ai为各次谐波的幅度，f1为轴频，
Figure FDA0004261048250000038
为随机相位，没有特殊规定时，默认为0，NiL＝ceil(fiL/f0)，NiH＝floor(fiH/f0)是谐波数目，
调制信号调制之后的宽带连续谱、线谱分量在时域相互叠加的过程可由下式表示
X(t)＝gl(t)+[1+a(t)]gx(t) (12)
其中gl(t)为舰船的线谱仿真信号，gx(t)是舰船的连续谱仿真信号，a(t)是调制包络信号；
步骤七具体包括以下步骤：
步骤七一、利用留出法将样本库划分为两个互斥的样本集，其中一个作为测试集，另外一个作为训练集，采用分层采样的方式来进行，使测试集与训练集的划分尽可能保证一致性；
步骤七二、让待测试的水下目标分类模型利用留出法产生的训练集对模型进行训练，调整模型中的各个参数；
步骤七三、模型训练完后，运用产生的测试集对训练后的模型进行测试，输出训练后的模型对不同目标的分类精度，汇总成混淆矩阵；
所述混淆矩阵的指标分为一级指标和二级指标，一级指标也就是矩阵中直接呈现的TP、FP、FN、TN的值，其中TP和TN为正确检测Positive类和Negative类的数目，针对Positive类别，FN和FP分别称作Positive类别的漏报和误报，对于一个模型而言，TP与TN数值越大，FN、FP数值越小模型的性能也就越好，通过对混淆矩阵的一级指标进行组合得到准确率、错误率、查准率、召回率等二级评价指标，
其中准确率定义为测试样本中被正确分类的样本占所有样本的百分比，
Figure FDA0004261048250000041
错误率定义为分类错误的样本占所有样本的百分比，
Figure FDA0004261048250000042
查准率，表示所有识别正确的一类样本占这类样本的百分比，
Figure FDA0004261048250000043
召回率，表示所有这一样本中被我们正确识别的样本所占百分比，
Figure FDA0004261048250000044
2.根据权利要求1所述的一种利用舰船辐射噪声仿真信号的水下目标识别系统性能评估方法，其特征在于，在步骤四中，将声源发射信号x(p,t,f)与用BELLHOP模型计算得到的信道冲激函数h(p,t,f)进行卷积得到经过信道的实际接受信号y(p,t,f)：
Figure FDA0004261048250000051
CN202011109940.6A 2020-10-16 2020-10-16 一种利用舰船辐射噪声仿真信号的水下目标识别系统性能评估方法 Active CN112230205B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011109940.6A CN112230205B (zh) 2020-10-16 2020-10-16 一种利用舰船辐射噪声仿真信号的水下目标识别系统性能评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011109940.6A CN112230205B (zh) 2020-10-16 2020-10-16 一种利用舰船辐射噪声仿真信号的水下目标识别系统性能评估方法

Publications (2)

Publication Number Publication Date
CN112230205A CN112230205A (zh) 2021-01-15
CN112230205B true CN112230205B (zh) 2023-07-07

Family

ID=74118503

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011109940.6A Active CN112230205B (zh) 2020-10-16 2020-10-16 一种利用舰船辐射噪声仿真信号的水下目标识别系统性能评估方法

Country Status (1)

Country Link
CN (1) CN112230205B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011093B (zh) * 2021-03-15 2022-09-30 哈尔滨工程大学 基于LCWaveGAN的船舶航行噪声仿真生成方法
RU2760912C1 (ru) * 2021-04-27 2021-12-01 Акционерное общество "Концерн "Центральный научно-исследовательский институт "Электроприбор" Способ определения класса шумящего морского объекта
CN113642245B (zh) * 2021-08-24 2024-03-19 哈尔滨工程大学 一种舰船辐射噪声数据集的构建方法
CN114462457B (zh) * 2022-04-11 2022-07-08 自然资源部第一海洋研究所 基于本征概率密度函数的舰船水下噪声深度学习识别方法
CN115601799B (zh) * 2022-09-09 2023-06-30 广州市盛通建设工程质量检测有限公司 一种基于人脸识别的评测方法、系统、设备及存储介质
CN115525786B (zh) * 2022-10-11 2024-02-20 中国传媒大学 一种电离层频高图分类样本库的构建方法
CN115902814B (zh) * 2023-03-09 2023-05-09 中国人民解放军国防科技大学 基于信息空间度量的目标识别模型性能评估方法和装置
CN118133135A (zh) * 2023-10-20 2024-06-04 中国人民解放军91977部队 一种水中目标识别方法及装置
CN117608273B (zh) * 2024-01-23 2024-04-12 北京星网船电科技有限公司 一种系统可靠性控制方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101782493B1 (ko) * 2017-04-18 2017-09-27 국방과학연구소 음향위장신호 발생용 수중음원시스템 및 운용방법
CN109100710A (zh) * 2018-06-26 2018-12-28 东南大学 一种基于卷积神经网络的水下目标识别方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CH559911A5 (zh) * 1972-06-13 1975-03-14 Inst Vysokikh Temperatur Akade
GB8520086D0 (en) * 1985-08-09 2011-06-29 Secr Defence A monitoring system for a ship's radiated noise
CN103199945B (zh) * 2013-03-29 2016-06-01 南京信息职业技术学院 一种低信噪比条件下认知无线电信号调制方式的识别方法
CN104091085B (zh) * 2014-07-18 2017-03-08 安徽工业大学 基于螺旋桨尾流压力脉动计算的空化噪声特征估计方法
CN104268394B (zh) * 2014-09-24 2017-06-09 杭州电子科技大学 基于舰船辐射噪声时域特征的水声目标识别方法
JP6887851B2 (ja) * 2017-03-31 2021-06-16 三菱重工業株式会社 雑音制御装置、船舶、雑音制御方法及びプログラム
CN107609488B (zh) * 2017-08-21 2020-11-03 哈尔滨工程大学 一种基于深度卷积网络的舰船噪声识别分类方法
CN108919240B (zh) * 2018-04-23 2020-08-25 东南大学 一种基于组稀疏结构的水声目标辐射噪声调制谱重构方法
CN109489794B (zh) * 2018-10-19 2020-10-23 中国人民解放军海军工程大学 一种船舶水下辐射噪声的少量测点实时评估方法
CN111553207B (zh) * 2020-04-14 2022-09-06 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
CN111735525B (zh) * 2020-05-28 2023-03-31 哈尔滨工程大学 一种适用于无人声纳的demon谱特征提取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101782493B1 (ko) * 2017-04-18 2017-09-27 국방과학연구소 음향위장신호 발생용 수중음원시스템 및 운용방법
CN109100710A (zh) * 2018-06-26 2018-12-28 东南大学 一种基于卷积神经网络的水下目标识别方法

Also Published As

Publication number Publication date
CN112230205A (zh) 2021-01-15

Similar Documents

Publication Publication Date Title
CN112230205B (zh) 一种利用舰船辐射噪声仿真信号的水下目标识别系统性能评估方法
CN103323821B (zh) 一种水面目标辐射噪声模拟方法
Kozaczka et al. Shipping low frequency noise and its propagation in shallow water
CN111830493A (zh) 水中目标收发分置中高频声目标强度预报系统及方法
CN107462317A (zh) 一种复杂场景下的水面目标辐射噪声模拟方法
Zhufeng et al. Present status and challenges of underwater acoustic target recognition technology: A review
CN114117912A (zh) 一种数据模型双驱动下的海杂波建模与抑制方法
CN113237619B (zh) 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质
Bagheri et al. Noise-Resistant Feature Extraction from Measured Data of a Passive Sonar.
Zhou et al. Adaptive range selection for parameter optimization of VMD algorithm in rolling bearing fault diagnosis under strong background noise
Smith et al. Micro-Doppler signature classification
Niu et al. Deep learning for ocean acoustic source localization using one sensor
Axelsson et al. Neural-network-based classification of commercial ships from multi-influence passive signatures
CN113642245B (zh) 一种舰船辐射噪声数据集的构建方法
RU2697719C1 (ru) Система морского мониторинга с программируемым нейросетевым комплексом управления
Gloza Experimental investigation of underwater noise produced by ships by means of sound intensity method
CN117331125B (zh) 一种分裂波束数据处理方法、装置、电子设备和介质
CN114814774B (zh) 一种高频雷达探测船尾波的信号建模方法
Liu et al. Research on Multi-Static Active Sonar Target Recognition Based on Machine Learning
Che et al. Mapping underwater sound noise and assessing its characteristic based on AIS
Zhang et al. Measure and optimize sample confidence of acoustic signal for fault identification in ships
CN114460566B (zh) 水声目标实时识别方法、系统及装置
Singh et al. Automatic Target Detection in Ground Surveillance Radar
Berardengo et al. ARMA models to represent bi-modal sea spectra
Yang Modeling of Ship Target Radiated Noise Spectrum Characteristics

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