江向東

?

抗頻移聲譜特征提取及目標分類應(yīng)用研究

江向東1,2

(1. 哈爾濱工程大學(xué)，黑龍江哈爾濱 100051；2. 水聲對抗技術(shù)重點實驗室，北京 100036)

針對目標運動等導(dǎo)致的輻射噪聲頻譜特征的時變性對目標分類穩(wěn)定性的影響，提出一種基于時頻圖像累積變換的抗頻移聲譜特征提取方法，不僅能夠提取淹沒在強噪聲中的線譜信號，還能夠?qū)崟r給出譜線的參數(shù)信息，同時結(jié)合聽覺特征識別原理，采用抗頻移的仿倍頻程的三角濾波法提取目標特征。仿真和實際數(shù)據(jù)處理表明，所提出的特征有助于探測設(shè)備克服目標未知的復(fù)雜運動帶來的頻譜時變影響，提高了分類特征的穩(wěn)定性。

抗頻移聲譜特征提?。粫r變譜特征；目標分類

0 引言

水下聲學(xué)目標分類和識別[1-3]主要包括目標特征提取及分類器設(shè)計兩個方面，建立在分類基礎(chǔ)上的個體及型號識別還涉及到數(shù)據(jù)庫和接收信號的模板化處理。早期的特征提取方法包括波形線譜和連續(xù)譜形狀特征[4]，這些特征提取簡單，能大致表現(xiàn)目標特點，但是容易受到噪聲的影響。后繼發(fā)展提出的聽覺譜特征[5-6]等具有了更好的穩(wěn)定性，但是依然沒有解決水聲通道噪聲影響的問題。目標輻射噪聲在水中遠距離傳播時顯著地受到水聲通道的影響，隨著通道噪聲的變化引起目標的特性變化，進而導(dǎo)致識別系統(tǒng)性能下降是當(dāng)前目標識別系統(tǒng)面臨的主要問題。

傳統(tǒng)的水下目標聲學(xué)特征主要借鑒了其他相關(guān)領(lǐng)域的聲學(xué)特征，部分特征難以適應(yīng)復(fù)雜的水下環(huán)境。干擾因素包括環(huán)境本底噪聲、多途效應(yīng)以及其他干擾等。目前針對這些噪聲的影響，較為有效的方法是通過對信號頻譜進行長時間累積以獲得更顯著的目標特性。但是傳統(tǒng)頻譜累積的方法沒有考慮目標運動時的多普勒效應(yīng)引起的頻移效果，導(dǎo)致長時間累積效果不佳。此外，傳統(tǒng)累積方法獲得的線譜不能形成統(tǒng)一格式的特征，難以與目前常用的分類方法配合使用。

本文利用線譜特征在窄帶內(nèi)的高信噪比特性，借鑒當(dāng)前聽覺特征提取的處理方法，在聽域范圍內(nèi)提出了一組仿倍頻程三角濾波器，然后將特征變換到倒譜域以實現(xiàn)最終特征的頻移不變性。此外，利用線譜特征的三要素(幅值高，頻率穩(wěn)定，長時間存在)，對目標線譜特征在若干相鄰時間段利用霍夫變換的方法進行累積，在存在多普勒頻移的情況下提取目標的時不變特征。最后考慮到水聲通道的濾波效果，對不同濾波器的輸出能量變換到倒譜域，通過去除倒譜域的高頻分量抑制通道效應(yīng)。

本文特征來源于信號的線譜，具有高的窄帶信噪比，因此在一定的加性噪聲條件下具有穩(wěn)定性，同時借鑒語音信號特征提取方法中抑制通道噪聲的方法，最終將特征變換到倒譜域，實現(xiàn)了對倒譜域的高頻通道噪聲分量進行抑制，在復(fù)雜實際水聲環(huán)境下，提取的目標特征具有頻移不變性的特點。

本文介紹了特征提取的方法，構(gòu)建了分類系統(tǒng)，介紹了實驗部分的測試方法，實測水聲數(shù)據(jù)的處理結(jié)果表明了本文特征提取方法的有效性。

1 抗頻移不變特征提取

1.1 線性頻變線譜軌跡提取

水下目標輻射噪聲由線譜及連續(xù)譜組成，線譜主要由目標內(nèi)部機械運動產(chǎn)生，連續(xù)譜產(chǎn)生的原因更復(fù)雜一些。傳統(tǒng)目標分類更關(guān)注線譜特征的提取。連續(xù)譜特征容易受到寬帶噪聲的影響，而線譜不易受到目標內(nèi)部結(jié)構(gòu)和環(huán)境噪聲的影響，實際環(huán)境中，目標線譜檢測的關(guān)鍵是在有限信噪比條件下對幅頻具有時變特點的線譜的連續(xù)檢測。

傳統(tǒng)方法涉及到門限的設(shè)置，由于門限針對當(dāng)前快拍數(shù)據(jù)，受到噪聲的幅、頻時變特性的影響，采用快拍門限檢測后進行幅度穩(wěn)定度統(tǒng)計的方法，雖能夠在一定程度上有效檢測較高的信噪比線譜，但是對于稍低于門限的穩(wěn)定弱線譜檢測、時變線譜頻率等參數(shù)的計算提取都存在缺陷，特別是對于頻變較大的線譜，門限檢測無法做到不同快拍同一線譜的一致提取。

考慮到上述因素以及運動目標可能產(chǎn)生的多普勒頻移效應(yīng)，本文提出一種利用霍夫變換增強運動目標線譜特征的方法。目標線譜的時間歷程圖一般如圖1所示。可以看出，在時間歷程圖上，線譜頻率間發(fā)生了一定的變化，而在短時間內(nèi)，該線譜的變化可以近似看作一條直線。因此可以利用霍夫變換尋找時間歷程圖中不同頻率的時間歷程軌跡(見圖2)，并累積線譜能量。

圖1 運動目標輻射噪聲譜圖

由于短時線譜的能量具有較大的變化性，因此常常誤檢，通過霍夫變換尋找線譜軌跡明顯是一種更為魯棒的方法。

此時，可通過常用的門限檢測篩選可能的線譜分量。對頻段在1 000 Hz的低速目標輻射噪聲，取值范圍為-10～10 Hz·s-1。

圖2 用霍夫變換尋找線譜軌跡

1.2 識別特征抗頻移濾波處理

盡管霍夫變換考慮了線譜頻率的偏移情況并進行了增強累積，但是，由于運動目標發(fā)射的原始頻率未知，接收信號解析出的頻率與目標的運動狀態(tài)有關(guān)，并不等于目標的原始頻率。因此，提取頻移不變特征克服多普勒效應(yīng)對所提取特征的不利影響，對目標識別具有重要的意義。

接收信號通過上述第個濾波器后的能量為

C的高位部分代表了目標特征中隨時間快速變化的信息，由于目標輻射噪聲在一定時間內(nèi)具有穩(wěn)定性，為了減少水聲通道的影響，可以去除C的高位部分，獲得更能代表目標特征的信息進行最終的分類識別。

2 識別系統(tǒng)與測試方法

2.1 抗頻移分類性能測試

使用的數(shù)據(jù)為實測聲吶數(shù)據(jù)，對跟蹤的4個型號的目標輻射噪聲進行采樣記錄，每類大約有990個樣本片段，這四類信號的部分聲譜圖如圖4所示。

圖4 四類目標頻譜分布

圖4中頻率及時間軸僅代表相應(yīng)的排列順序和位置，并非實際數(shù)值。由圖4可以看出，目標輻射噪聲的主要能量集中在低頻，大部分情況都由顯著的線譜組成，且隨著時間的變化，可以觀察到顯著的頻移效果。針對具有明顯多普勒頻移的目標1，利用本文提出的基于仿倍頻程濾波器組的倒譜特征，第5、500、900幀數(shù)據(jù)的前13維特征分布如圖5示。由圖5可以看出，這三幀數(shù)據(jù)盡管具有很長的時間跨度，并且能觀察到明顯的頻移現(xiàn)象，但是利用本文方法提取的特征在很多維度上都具有高度的相似性。

圖5 本文特征與MFCC特征的抗頻移性能分析

為了更客觀地對比不同特征的識別效果，本文利用構(gòu)建支持向量機的訓(xùn)練和識別系統(tǒng)進行測試，其中訓(xùn)練數(shù)據(jù)為圖4所示信號的前半段，測試數(shù)據(jù)為圖4所示信號的后半段。本文后面主要使用識別正確率作為系統(tǒng)的評價指標。對比方法主要選用了目前流行的梅爾(Mel)頻率倒譜濾波器[7]及等效矩形帶寬濾波器(Equivalent Rectangular Bandwidth Filter, ERB)[8]，并與本文設(shè)計的濾波器進行對比。在頻譜累積方法上，利用常規(guī)的功率譜直接累積方法與本文提出的基于霍夫變換的方法進行了對比。

在水聲目標聲信號的主要頻段范圍內(nèi)，Mel濾波器及ERB濾波器組與本文濾波器相比的主要不同在于，這些濾波器的中心頻率從小到大排列時不是等比變化的，這樣就無法對由于多普勒頻移引起的頻譜拉伸或壓縮導(dǎo)致的頻譜形狀變化進行還原。因此也就無法實現(xiàn)提取頻移不變特征。為了對比不同濾波器對最終特征的影響，本文除了將傳統(tǒng)的梅爾頻率倒譜系數(shù)(Mel Frequency Cepstrum Coefficirnt, MFCC)特征中的濾波器進行替換外，其他特征提取步驟完全相同，因此，基于相同樣本的分類正確率可以檢驗濾波器對水聲目標分類系統(tǒng)性能的影響。

2.2 濾波器組對分類性能的影響

從圖4中可以看出，目標1前半段和后半段的線譜具有較大的偏移，目標3前后的頻譜分布也有一定的差異。造成同一目標不同時間段頻譜差異的主要原因是多普勒頻移及水聲通道效應(yīng)等，因此提取出頻移時不變特征及通道穩(wěn)健特征是保證分類性能的關(guān)鍵因素。

本文提出的一種仿倍頻程濾波器，用于克服多普勒效應(yīng)引起的信號特征變化，表1顯示出本文提出的濾波器組在運動目標的輻射噪聲識別上明顯優(yōu)于常用的Mel濾波器組，其正確分類率較傳統(tǒng)方法提高了約5%。這說明在實際應(yīng)用中需要合理地設(shè)計水聲信號濾波器組，在其他特征提取步驟完全相同的情況下，通過仿倍頻程濾波器設(shè)計達到的頻移不變性是本文提出的特征優(yōu)于傳統(tǒng)特征的根本原因。

表1 不同濾波器識別性能正確率比較

2.3 累積線譜特征對分類的影響

本節(jié)選取的數(shù)據(jù)累積時長為相鄰5幀。一種累計方法是直接累積，將相鄰5幀數(shù)據(jù)的線譜直接平均，另一種是本文第２節(jié)介紹的基于霍夫變換的累積方法。表2反映了不同累積方法在不同濾波器組情況下的識別效果。由表2可以看出，利用霍夫變換累積線譜并利用本文濾波器組得到了最好的分類效果。

表2 不同特征提取方法情況下分類性能正確率比較

3 結(jié)論

在存在多普勒頻移的情況下，本文首先采用霍夫變換累積線譜能量，并提出一種仿倍頻程濾波器，可實現(xiàn)頻移時不變特征的提取。對一組實測水聲信號的實驗表明，與傳統(tǒng)濾波器組對比，本文提出的濾波器組及累積方法更適用于水聲運動目標的分類。

本文方法在借鑒語音信號MFCC提取的基礎(chǔ)上，利用對數(shù)頻率并將對應(yīng)頻域信號變換到倒譜域?qū)崿F(xiàn)頻移不變特征提取、去除倒譜域高位特征的方式來抑制水聲干擾通道影響，保留穩(wěn)定目標的輻射噪聲信息特征。數(shù)據(jù)分析結(jié)果表明，本文提出的方法有效地提高了運動目標分類的穩(wěn)健性。

[1] ERKMEN B, YILDIRIM T. Improving classification performance of sonar targets by applying general regression neural network with PCA[J] . Expert Systems with Applications, 2008, 35(1): 472-475.

[2] SHERIN B M, SUPRIYA M H. Selection and parameter optimization of SVM kernel function for underwatertargetclassification[C]//Underwater Technology (UT), 2015, IEEE. 2015: 1-5.

[3] WANG S G, ZENG X Y. Robust underwater noise targets classification using auditory inspired time–frequency analysis[J] . Applied Acoustics, 2014, 78(5): 68-76.

[4]MOHANKUMAR K, PILLAI P R S. Bispectral Gammatone Cepstral Coefficient based Neural Network Classifier[C]// Underwater Technology (UT), 2015 IEEE. 2015: 1-5.

[5] HEROUT A, DUBSKá M, HAVEL J. Review of Hough transform for line detection[M] . Real-Time Detection of Lines and Grids. Springer London, 2013: 3-16.

[6] JIANG X D. Noise detection and feature extraction method for underwater vehicle engine speedup radiated noise[C]//Ocean Acoustics (COA), 2016 IEEE/OES China, 2016: 1-4.

[7] 王易川, 李智忠. 基于Mel倒譜和BP神經(jīng)網(wǎng)絡(luò)的船舶目標分類研究[J] . 傳感器與微系統(tǒng), 2011, 30(6): 55-57.

WANG Yichuan, LI Zhizhong. Study on ship target classification based on Mel-cepstrum and BP neural network[J] . Transducer and Microsystem Technologies, 2011, 30(6): 55-57.

[8] 馬元鋒, 陳克安, 王娜. Moore響度模型的數(shù)值計算方法[J] . 聲學(xué)技術(shù), 2008, 27(3): 390-395.

MA Yuanfeng, Chen Ke’an, WANG Na. The study of loundness based on Moore’s model[J] . Technical Acoustics, 2008, 27(3): 390-395.

Spectral shift invariant feature extraction and its application in underwater target classification

JIANG Xiang-dong1,2

(1. Harbin Engineering University, Harbin 150001, Heilongjiang, China;2. Science and Technology on Underwater Acoustic Antagonizing Laboratory, Beijng 100036, China)

In view of the influence of time variability of the spectrum feature of radiated noise caused by the target motion on the stability of target classification, a spectral shift invariant feature extraction method based on the time frequency image accumulation transform is proposed. It can not only extract the line spectrum signal submerged in the strong noise, but also can give the parameter information of the spectrum line in real time, and meantime combine the parameters of the spectrum line. Based on the principle of auditory feature recognition, the target features are extracted by the anti-frequency-shift modeled octave trianglar filtering method. The simulation and actual data processing show that the proposed features help the detection device overcome the time-varying influence of the spectrum caused by the unknown complex motion of the target and improve the stability of the classification features.

spectral shift invariant feature extraction; time varing spectrum transform; target classification

TB556

A

1000-3630(2018)-03-0227-05

10.16300/j.cnki.1000-3630.2018.03.006

2017-06-08;

2017-08-15

江向東(1979－)男，河北赤城人, 博士, 高級工程師, 研究方向為水聲及聲吶信號處理。

江向東, E-mail: jiangxd0618@163.com