CN1320372C - 基于小波域的水声噪声的检测与识别方法 - Google Patents

Abstract

一种基于小波域的水声噪声的检测与识别方法，首先对船舶噪声和海洋环境噪声进行去均值和幅值归一化处理，再对其进行小波域的多尺度域分解并建立小波域隐马尔可夫模型，根据海洋环境噪声的模型和船舶辐射噪声模型的特征差异，提出一种基于Nyman-Pearson准则的检测方法，即将船舶噪声对于海洋环境噪声的HMT模型的似然值作为检验统计量，进行二元假设检验，使得对船舶噪声的检测能力提高。将检测样本对不同类型船舶的HMT模型的似然值形成一个描述检测样本的特征向量，判别船舶噪声的类型，识别率和稳健性提高。

Description

基于小波域的水声噪声的检测与识别方法

技术领域

本发明涉及一种基于小波域的水声噪声(水声噪声分为船舶噪声和海洋环境噪声)的检测与识别方法，涉及非平稳信号处理、模式识别和数据挖掘等领域，能直接应用于海军武器装备的目标检测与识别。

背景技术

水声技术是利用声波对水中、海底以及海底以下目标进行探测、定位、跟踪、识别以及水下通讯、导航等的方法与技术。1912年“泰坦尼克”号巨型客轮沉没事件，促进了近代水声技术的诞生。第一次世界大战中，出现回声定位声纳。第二次世界大战中，水声技术有较大发展，改进了声纳设备，且出现了声制导鱼雷和音响水雷。50年代以后，潜艇活动能力的增强与核潜艇的出现，水声物理研究和信息论研究的进展以及无线电电子学、计算机科学和换能器技术、信号处理技术进步，对水声技术的发展有很大促进。目前水声技术除有广泛的军事用途以外，还用于海洋开发、海上石油开发、近岸工程、海洋渔业、海洋学以及海洋物理学的研究，并已成为重要的技术产业部门。ICASSP(International Conference of AcousticsSpeech and Signal Processing.声纳、语音和信号处理国际会议)每一届与水声信号处理有关的论文都在1-10％左右，这反映了它的受重视程度。

在水声技术方面有着大量的研究工作，比如，海洋环境噪声、声纳和主动回波、到达方向(DOA)估计、时延估计、跟踪、定位、海豚(江豚)研究、通讯、声波的海底反射、检测、激光水下目标探测、三维物体识别的逆问题等方面的研究。

对水下探测器而言，其任务是要将舰船辐射噪声从海洋环境噪声中检测出来，从而进行目标分类等后续处理。

作为舰船辐射噪声的背景，海洋环境噪声极为复杂。它的频谱很宽，并随着时间和地理位置的变化而出现变异，具有变化的统计特性，对发自相似声源的声的传播特性有着很大影响。

舰船辐射噪声可能是来自推动系统、螺旋桨、辅机、水动力效应或船体运动等方面，舰船机械源的噪声级变化较大，潜艇可能只产生仅约10mW的声功率，而水面舰船可能产生高达100W的声功率。随着船用材料发展，舰艇变得越来越安静，它们反射的(主动系统)或辐射的(被动系统)窄带或宽带能量显著降低。舰船辐射噪声和目标强度的降低使得声纳要处理的信号在功率上将要降低一个数量级。

在舰船辐射噪声的信号性质方面，经典谱结构理论认为舰船辐射噪声谱有两种根本不同的类型：一种是有连续谱的宽带噪声，其噪声级是频率的连续函数；另一种是具有非连续谱的单频噪声，这种噪声由出现在离散频率上的线谱组成。舰船辐射噪声在很大的频率范围内由这两类噪声混合而成，并且可以表示为叠加有线谱的连续谱。

由已掌握的海洋环境噪声和舰船辐射噪声的知识知道，采用一种科学的方法将具有非平稳性质的舰船目标信号从海洋这个复杂环境中检测出来，并对其进行目标分类等任务，将具有十分重要的军事价值。同样，其理论方法也可以为民用带来巨大的经济价值。然而，对海洋环境和舰船辐射噪声的认识从某种意义上来说尚处在一个初级水平的阶段，对海洋环境和舰船辐射噪声的分析建模是一个重大难题，在这个方向进行专项深入研究有着重要意义。

在建模方面，对海洋环境噪声多假设为高斯分布的噪声，没有对其非高斯性进行深入研究和相应的建模研究。对船舶噪声的建模以往主要从两个方面进行，一方面是机理建模，即通过对船舶上的不同声源的研究建立相应的机理模型，研究的代表性工作如陶笃纯等利用船舶本身的结构特征来研究产生的船舶噪声(舰船噪声节奏的研究-数学模型及功率谱密度。声学学报。1983，8(2))；另一方面是通过对大量的船舶噪声信号的统计分析建立模型，如许多文献根据船舶噪声具有连续不可导和非平稳的特性，建立了分段自仿射IFS(迭代函数系统)模型(船舶辐射噪声的分段自仿射IFS模型.声学技术.1999，18(1)：22-25)，提取出IFS参数并计算出IFS分形维数。另外一些文献提出了一种适用于船舶噪声的非平稳ARMA模型(船舶辐射噪声的非平稳ARMA模型的建立.应用科学学报.1999，17(1)，18-25)等等方法都属于统计建模方式。对前一种建模方式而言，在现实中由于船体本身结构是十分复杂的，引起噪声的声源也十分繁多，传播的信道途径无法准确建模，因此建立一个准确的机理模型几乎无法实现，而且不具有普遍性。后者是从统计分析的角度对船舶噪声进行建模，但是模型的实用性较差，无法实现在海洋环境为背景下的船舶噪声的检测，并且运算量大，无法真正做到实用。这些统计方法虽然涉及了船舶噪声的非高斯性，但没有对船舶噪声的非高斯性真正建模，并不能很好地描述和解释船在不同工作状态下船舶产生噪声不同的原因。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于小波域的水声噪声的检测与识别方法，能对采集到的众多海洋信号进行识别分类，从中检测出目标信号，快速准确、虚警概率低。

为实现这样的目的，本发明根据水声噪声的非高斯特性，在小波多尺度域提出了一种基于概率统计建模的水声噪声建模方法HMT(小波域隐马尔可夫树模型)。根据海洋环境噪声的模型和船舶辐射噪声模型的特征差异，提出一种新的基于Nyman-Pearson(奈曼-皮尔逊)准则的检测方法，即将船舶噪声对于海洋环境噪声的HMT模型的似然值作为检验统计量，进行二元假设检验。另一方面，提出了基于HMT模型的船舶噪声新的分类方法，将检测样本对不同类型船舶的HMT模型的似然值形成一个描述检测样本的特征向量，判别船舶噪声的类型。

本发明的方法具体包括如下步骤：

(1)采集船舶噪声信号和海洋环境噪声作为训练样本，将这些信号分别减去各自的均值，之后除以各自信号中绝对值最大的量，分别对它们进行小波分解，选择的小波为Haar小波。在某一尺度上有一组小波系数，这样就形成了以这一组小波系数为根的一组二叉树。假设每一个节点上描述小波系数的随机变量具有两个状态，小波域的树状结构形成。

(2)利用小波域的树状结构，采用EM(数学期望最大化)算法并按照下面的

公式建模建立HMT模型(小波域隐马尔可夫树模型)

$\mathrm{\θ}=\{p_{s_i}\left(m\right),{\mathrm{\ϵ}}_{i,\mathrm{\ρ}\left(i\right)}^{\mathrm{mn}},{\mathrm{\μ}}_{i,m},{\mathrm{\σ}}_{i,m}^2|i=1,\·\·\·P;n,m=\mathrm{1,2}\}$

其中p_si(m)概率权值函数，ε_i，ρ(i) ^mn为转移概率矩阵，μ_i，m为小波系数均值，σ_i，m ²为小波系数方差。得到船舶噪声HMT模型和海洋环境噪声HMT模型。

(3)基于HMT模型的船舶噪声信号检测

以一秒作为采集间隔，采集时间为0.25秒，将实时采集的观测信号输入到海洋噪声的HMT模型中，得到似然值；将似然值作为检验统计量，根据Nyman-Pearson准则，在给定虚警概率下计算出阈值，当似然值小于阈值时表示船舶噪声被检测出来。

实时采集的观测信号实际是海洋背景噪声和船舶噪声的叠加，其中的船舶噪声信号代入海洋环境噪声信号的HMT中，将得到一个很小的似然值，而将海洋环境噪声信号代入海洋环境噪声HMT中，将得到一个大的似然值。由此可以得出从海洋噪声中检测出船舶噪声的依据。

(4)基于HMT模型的船舶噪声的识别

将检测样本分别送入步骤2中得到的不同类型的船舶噪声HMT模型中，得到相对于各个模型的似然值，若最大的两个似然值之差大于0.1，则将似然值最大的那个模型的类别属性作为该检测样本的类别，否则再进行基于似然值向量的判别。

(5)基于似然值向量的判别

将训练样本中不同类别的船舶噪声信号相对于各个HMT的似然值组成的向量来描述其类别属性，并用这些向量训练一个分类器。将检测样本相对于各个HMT模型的似然值形成似然值向量，再将这似然值向量送入分类器中，最终判别其类别属性。

本发明将船舶噪声、海洋噪声的HMT模型与Nyman-Pearson准则相结合，以检验样本带入海洋噪声HMT模型的似然值为检验统计量，使得对船舶噪声的检测能力提高。利用船舶噪声的HMT模型和似然值向量训练的分类器作为识别船舶噪声的方案，使得识别率和稳健性提高。

具体实施方式

1.用512Hz的采样率采集0.25秒的船舶噪声信号(不同横距，不同航速，不同吨位以及不同海况情况下的)和海洋环境噪声x(t)，长度为128点。将这些信号作为训练样本，首先去掉x(t)的均值，得到x₁(t)。对x₁(t)做归一化处理(除以各自信号中绝对值最大的量)，得到s(t)。然后选择小波为Haar小波，分别对s(t)进行小波分解，最大尺度为5，在第5尺度上的小波系数个数为8，这样就形成了以这8节点为根的8棵二叉树。每一个节点上的小波系数具有两个状态M＝2，小波域的树状结构形成。

2.利用小波域的树状结构，采用EM(数学期望最大化)算法，得到不同横距，不同航速，不同吨位以及不同海况情况下的船舶噪声和海洋环境噪声各自的HMT模型。

$\mathrm{\θ}=\{p_{s_i}\left(m\right),{\mathrm{\ϵ}}_{i,\mathrm{\ρ}\left(i\right)}^{\mathrm{mn}},{\mathrm{\μ}}_{i,m},{\mathrm{\σ}}_{i,m}^2|i=1,\·\·\·P;n,m=1,M\}$

其中p_Si(m)概率权值函数，ε_i，ρ(i) ^mn为转移概率矩阵，μ_i，m为小波系数均值，σ_i，m ²为小波系数方差。

小波系数方差。得到船舶噪声HMT模型和海洋环境噪声HMT模型。

3基于HMT模型的船舶噪声信号检测

以一秒作为采集间隔，采集时间为0.25秒，采样率为512Hz，128点。将实时采集的观测信号输入到海洋噪声的HMT模型中，得到似然值；将似然值作为检验统计量，根据Nyman-Pearson准则，在给定虚警概率(p_f＝10^-6)下计算出阈值，当似然值小于阈值时表示船舶噪声被检测出来。

4基于HMT模型的船舶噪声的识别

将检测样本分别送入步骤2中得到的包括客轮、油轮、驱逐舰、护卫舰、交通艇、常规潜艇和核潜艇在内的不同类型的船舶噪声HMT模型中，得到检测样本相对于这些船舶噪声模型的似然值，若这些似然值中最大的两个之差大于0.1，则将似然值最大的那个模型的类别属性作为该检测样本的类别，否则再进行基于似然值向量的判别。

5基于似然值向量的判别

将训练样本中不同类别的船舶噪声信号相对于各个HMT的似然值组成的向量，用这一向量来描述训练样本的类别属性，并用这些向量训练一个分类器。将检测样本代入各个不同类型的船舶噪声HMT模型，得到似然值并将它们形成似然值向量，再将这似然值向量送入训练好的分类器中，最终判别其类别属性。

Claims (1)

1、一种基于小波域的水声噪声的检测与识别方法，其特征在于包括如下步骤：

(1)采集船舶噪声信号和海洋环境噪声作为训练样本，将这些信号分别减去各自的均值，之后除以各自信号中绝对值最大的量，分别对它们进行小波分解，选择的小波为Haar小波，在某一尺度上有一组小波系数，形成以这一组小波系数为根的一组二叉树，每一个节点上描述小波系数的随机变量具有两个状态，小波域的树状结构形成；

(2)利用小波域的树状结构，采用数学期望最大化算法并按照下面的公式建模建立小波域隐马尔可夫树HMT模型

$\mathrm{\θ}=\{p_{S_i}\left(m\right),{\mathrm{\ϵ}}_{i,\mathrm{\ρ}\left(i\right)}^{\mathrm{mn}},{\mathrm{\μ}}_{i,m},{\mathrm{\σ}}_{i,m}^2|i=1,\·\·\·,P;n,m=\mathrm{1,2}\}$

其中，n，m为小波系数具有的状态，P为小波系数个数，p_Si(m)概率权值函数，ε_i，p(i) ^mn为转移概率矩阵，μ_i，m为小波系数均值，σ_i，m ²为小波系数方差，得到船舶噪声HMT模型和海洋环境噪声HMT模型；

(3)基于HMT模型的船舶噪声信号检测：以一秒作为采集间隔，采集时间为0.25秒，将实时采集的观测信号输入到海洋噪声的HMT模型中，得到似然值；将似然值作为检验统计量，根据奈曼—皮尔逊准则，在给定虚警概率下计算出阈值，当似然值小于阈值时表示船舶噪声被检测出来；

(4)基于HMT模型的船舶噪声的识别：将检测样本分别送入步骤(2)中得到的不同类型的船舶噪声HMT模型中，得到相对于各个模型的似然值，若最大的两个似然值之差大于0.1，则将似然值最大的那个模型的类别属性作为该检测样本的类别，否则再进行基于似然值向量的判别；

(5)基于似然值向量的判别：将训练样本中不同类别的船舶噪声信号相对于各个HMT的似然值组成的向量来描述其类别属性，并用这些向量训练一个分类器，将检测样本相对于各个HMT模型的似然值形成似然值向量，再将这似然值向量送入分类器中，最终判别其类别属性。