吳承希，王 彪，徐千馳，朱雨男

（江蘇科技大學電子信息學院，江蘇鎮(zhèn)江 212100）

0 引 言

輻射噪聲作為水聲目標主要的信號源之一，由于目標發(fā)聲機理復雜，加之多變的艦船航行工況和海洋環(huán)境聲場的干擾，給目標的識別帶來較大困難[1]。但艦船輻射噪聲具有不同的聲學特性，經(jīng)過對目標噪聲不同特征的提取和選擇后，可以得到艦船不變的物理特征，甚至是艦船的工作狀態(tài)信息。這些特征信息通過一定的方法獲取，可以用于艦船的識別工作。目前主流研究使用希爾伯特-黃（Hilbcrt-Huang）變換[2-4]，梅爾倒譜系數(shù)[5-8]，高階譜估計[9-10]等信號處理的方法進行特征提取，之后再在決策樹、支持向量機[11-12]等學習分類器完成目標識別分類。隨著深度學習在音頻識別和圖像處理領域取得了一系列成果，近年來深度學習算法也被廣泛應用于艦船輻射噪聲的識別與分類。

國內外對艦船輻射噪聲的多特征分類學習已有了較多研究，并取得了一定進展。張巖等[13]提出基于主成分分析法（Principal Componcnt Analysis，PCA）信號重構和主成分空間聚類分析方法研究艦船目標的特征提取和分類。Zhang等[14]基于聲矢量傳感器的梅爾倒譜（Mcl-Frcqucncy Ccpstral Cocfficicnts， MFCC）多維度特征，通過基于誤差反向傳播（Back Propagation， BP）算法進行特征融合，來識別水下目標。朱可卿等[15]將提取特征后的圖像樣本分別用于訓練卷積神經(jīng)網(wǎng)絡和深度置信網(wǎng)絡，對船舶輻射噪聲進行識別。曾賽等[16]提出一種水下目標的多模態(tài)深度學習分類算法，結合LSTM和卷積神經(jīng)網(wǎng)絡（Convolutional Ncural Nctworks， CNN），對一維時域信號和二維頻域信號分別并行處理。Wang等[17]提出了一種多維特征融合和改進的深度學習神經(jīng)網(wǎng)絡模型，利用 Gammatonc倒譜系數(shù)（Gammatonc Frcqucncy Ccpstral Cocfficicnts， GFCC）特征和改進的經(jīng)驗分解模型來提取多維特征，同時，利用高速混合模型修改深度神經(jīng)網(wǎng)絡模型的結構以得到較高準確率。倪俊帥等[18]采用了BP算法建立具有多個輸入分支的深度神經(jīng)網(wǎng)絡，同時對艦船的頻譜特征、梅爾倒譜系數(shù)和功率譜特征參數(shù)進行學習分類。

文章為了改善識別系統(tǒng)的性能、提高艦船輻射噪聲識別的準確率，提出了一種基于小波包分解的PCA-Attcntion-LSTM 多特征分類方法。根據(jù)小波包分解原理，分頻段提取目標信號特征，對提取的特征矩陣進行 PCA降維處理，再放入帶有注意力機制的LSTM網(wǎng)絡中對數(shù)據(jù)進行學習分類。文章在實測艦船輻射噪聲數(shù)據(jù)上進行了實驗，對比了分頻段與不分頻段的特征、多特征與單一特征、不同信噪比下算法進行分類的準確率和識別性能。

1 特征提取

輻射噪聲信號經(jīng)過數(shù)據(jù)預處理步驟后，需要對輻射噪聲的特征進行提取。由于小波包分解技術在振動噪聲特征融合上取得了良好的識別效果[19]，且輻射噪聲中包含大量船舶機械振動產(chǎn)生的噪聲，因此，考慮利用小波包分解技術，將輻射噪聲信號先分頻段，然后在不同頻段下提取信號的時域頻域特征、梅爾倒譜系數(shù)、小波變換、線性預測編碼（Lincar Prcdictivc Coding， LPC）和頻帶功率特征等多維度特征，對提取后的特征重新拼接合并組成混合特征集。

1.1 小波包分解

小波包分解（Wavclct Packct Dccomposition，WPD）是一種將原始信號分解成多個頻段的技術，可以對低頻、高頻部分進行分解。艦船輻射噪聲主要集中在低頻部分，通常小于1 000 Hz，由機械振動噪聲、螺旋槳空化噪聲、機艙噪聲等噪聲構成，導致信號的頻域信息分布不均。因此，利用小波包對非平穩(wěn)隨機信號良好的處理能力，剔除隨機波動數(shù)據(jù)，可以減少噪聲信號對預測識別結果精度的不利影響。

輻射噪聲原始信號經(jīng)過i層小波包分解可得到2i個不同頻率區(qū)間的子頻帶。根據(jù)艦船輻射噪聲特性和實際需求對原始信號進行合適層數(shù)的小波包分解，層數(shù)越高，分解的特征越細致。圖1是3層小波包分解的示意圖。

圖1 小波包分解示意圖Fig.1 Schematic diagram of wavelet packet decomposition

圖1中，S為輸入的原始信號，LS和HS分別表示原始信號第一次分解所得的低頻分量和高頻分量，LLS和LHS分別表示第一次分解所得的低頻分量再進行第二次分解所得的低頻分量和高頻分量，以此類推，原始信號經(jīng)過i層小波包分解后，可以得到2i個不同頻率區(qū)間的子頻帶。

1.2 時域頻域和頻帶功率特征

時域特征主要包括平均能量、最大能量、過零率等共計6個維度的傳統(tǒng)時域特征量；頻域特征包括有頻譜平坦度、頻譜滾降系數(shù)、頻譜通量等共計21維傳統(tǒng)頻域特征量；頻帶功率特征是針對不同頻帶功率特征的不同，利用功率譜特性公式，求幅度平均函數(shù)的統(tǒng)計平均，提取頻帶上的功率譜特征。

1.3 小波變換特征

小波變換相比傳統(tǒng)傅里葉變換是時空頻率的局部細化，可以自適應聚焦信號的細節(jié)，解決傅里葉變化對高低頻信號分離的處理難題。由于不同類型艦船的輻射噪聲在不同頻帶下能量分布不同，不同船只的能量分布頻率也不相同。小波分析可以對噪聲信號不同的頻段進行劃分，提取不同頻段的能量分布特征，重點刻畫輻射噪聲所在低頻信號細節(jié)。

1.4 MFCC特征

MFCC特征是經(jīng)典的人耳聽覺感知特征，但人耳聽到的聲音與頻率并不成線性關系，通常采用Mcl頻率來模擬人耳的聽覺特性，因此常被用于水聲目標信號識別的特征提取。

輻射噪聲信號在預處理后，通過快速傅里葉變換，經(jīng)過三角形Mcl頻率濾波器組的處理，對所有濾波器輸出數(shù)據(jù)進行對數(shù)運算，最后通過離散余弦變換得到梅爾倒譜系數(shù)。

1.5 LPC特征

1.6 特征矩陣

2 輻射噪聲識別模型

輻射噪聲識別模型首先對預處理后的信號提取特征，將提取的 81維特征按不同頻段進行串聯(lián)組合，組成包含有 32個子頻帶信息的輻射噪聲特征集。對特征集進行 PCA降維選擇特征，再放入Attcntion-LSTM模型中進行分類識別，由于特征集的多維特性，模型分類時需考慮訓練的泛化能力。

如圖2所示是基于小波包分解和 PCAAttcntion-LSTM的輻射噪聲識別流程圖，本文提出的方法分為數(shù)據(jù)處理和識別分類兩個階段。在數(shù)據(jù)處理階段獲取所需分類的特征集合，并利用 PCA進行特征選擇，然后劃分訓練集和測試集。最后，在識別分類階段使用合適的模型得到分類結果。

圖2 基于小波包分解和PCA-Attcntion-LSTM的輻射噪聲識別流程圖Fig.2 Flow chart of radiated noise recognition based on wavelet packet decomposition and PCA-Attention-LSTM

2.1 數(shù)據(jù)處理

首先，對輻射噪聲信號數(shù)據(jù)的特征異常值進行預處理，給特征集數(shù)據(jù)打上分類的標簽。然后，按4:1 的比例從特征集中隨機劃分訓練集和測試集，用來對輻射噪聲進行分類識別。不同船型的輻射噪聲數(shù)據(jù)歸一化處理后的特征分布情況如圖3所示。

圖3 不同船型輻射噪聲數(shù)據(jù)在不同頻段的歸一化特征值分布Fig.3 Distributions of normalized eigenvalues in different frequency bands for different types of ships

2.2 PCA主成分分析法

2.3 基于Attcntion-LSTM的模型的分類識別

在訓練集上引入注意力機制算法訓練LSTM模型，使得算法可以有重點地選擇并優(yōu)化網(wǎng)絡參數(shù)，建立識別分類模型。再將訓練好的 LSTM 分類模型在測試集上進行分類預測，得到艦船分類的結果，并計算分類正確率和識別性能?；贏ttcntion-LSTM的分類步驟如圖4所示。

圖4 基于LSTM的特征融合分類步驟圖Fig.4 Procedure of LSTM-based feature fusion classification

2.3.1 LSTM模型

一系列時序模塊組成了LSTM模型，一般包括有輸入門，遺忘門和輸出門，利用門控機制，來控制記憶塊內的信息流動，使其具備長期和短期的記憶能力，LSTM的網(wǎng)絡結構圖如圖5所示。

圖5 LSTM運行原理圖Fig.5 Principle diagram of LSTM operation

LSTM 的訓練可以分為 4個步驟：（1） 前向傳播，計算網(wǎng)絡輸出值；（2） 后向傳播，計算時間和網(wǎng)絡誤差；（3） 計算梯度值；（4） 更新權重系數(shù)。

2.3.2 注意力機制

注意力（Attcntion）機制源于生物觀察的注意力過程，重點突出了對關鍵輸入數(shù)據(jù)的貢獻度。Attcntion機制可以對貢獻多的區(qū)域投入更多的注意力資源，抑制無關信息，是一種可以提高局部區(qū)域觀察精細度的機制。

目前 Attcntion機制在自然語言處理和文本翻譯等領域取得了一系列成果。通過對輸入模型的變量進行分析，并給予不同的輸入變量權重，對影響因素高的元素賦予較高權重比例，突出關鍵元素在模型中的作用，使得網(wǎng)絡模型做出最優(yōu)的判斷。同時，由于Attcntion機制在計算時通常采用并行計算的方式，無需考慮模型在計算方面的時間損耗。

針對本文提及的通過多特征表示來確定輸入的不同方面的情況，Attcntion機制可以將不同的權重分配給不同貢獻的特征表示，以減少噪聲等情況對識別結果的干擾。最后的表達式是不同方面特征及其注意力模型的加權組合。

如圖6所示，x1，x2，… ，xt為待預測時刻之前的特征，xk為總輸入量特征。s1，s2，… ，st為輸入特征對應的隱藏層特征，sk為輸入量特征對應的隱藏層特征。pak1，pak2， … ，paki為歷史輸入量對當前輸入量的注意力概率。C是輸入給解碼器 Dccodcr 的向量，用來計算下一時刻的預測結果。根據(jù)示意圖分析得出Attcntion機制的計算公式為[22]

圖6 Attcntion機制示意圖Fig.6 Schematic diagram of Attention mechanism

其中，eki表示第i時刻的隱層向量，αki表示隱層狀態(tài)的權重系數(shù)。wk表示隱藏狀態(tài)的權重系數(shù)，wi表示第i個隱藏狀態(tài)對應的權重系數(shù)，a表示相對應的偏置值。

2.3.3 模型運行步驟

（1） 通過聲學傳感器獲取水聲目標輻射噪聲數(shù)據(jù)，預處理后，對收集的數(shù)據(jù)做小波包分解的多頻段下的特征提取。

（2） 利用PCA降維，保留80%特征的要求，篩選出影響艦船輻射噪聲的關鍵因子，減少輸入維數(shù)，選擇特征，劃分訓練集和測試集。

（3） 建立LSTM網(wǎng)絡，選擇需要記住的重要信息。LSTM運算時間和網(wǎng)絡層數(shù)等參數(shù)有關，因此在訓練模型前要先選擇合適的隱藏層數(shù)和網(wǎng)絡參數(shù)。如表1所示是LSTM網(wǎng)絡訓練參數(shù)。

表1 LSTM網(wǎng)絡訓練參數(shù)Table 1 LSTM network training parameters

（4） 在全連接層前，添加Attcntion機制，將模型學習到的權重賦值給下一個時刻作為輸入，重點強調關鍵特征在預測學習中的重要水平，最后利用softmax函數(shù)輸出分類結果。

（5） 評估模型指標，利用均方根誤差（Root Mcan Squarc Error ， RMSE）、平均絕對誤差（Mcan Absolutc Error， MAE）、決定系數(shù)R2來說明驗證預測結果的準確性：

其中：yi是真實的結果，y是真實結果的平均，ai是預測的結果，N是測試樣本的數(shù)量。

3 實驗結果與分析

3.1 數(shù)據(jù)預處理

本文采用的實測艦船輻射噪聲庫，包含有漁船、商船、貨船和油船等不同船型的輻射噪聲數(shù)據(jù)。從中選擇 4種不同類型船舶的輻射噪聲建立數(shù)據(jù)集，每個輻射噪聲音頻信號均為采樣頻率44.1 kHz、16 bit輸出、wav格式的數(shù)字信號。并在其中添加-10、0、5、10 dB信噪比的加性高斯白噪聲噪聲，構建添加輻射噪聲的數(shù)據(jù)集。

輻射噪聲是一種典型的非平穩(wěn)隨機信號，預處理包括對數(shù)據(jù)標準化、分割、分幀。每一個信噪比下每一類輻射噪聲信號總計15 502個樣本，一共4類數(shù)據(jù)共計62 008個樣本。

實驗時，艦船輻射噪聲特征集按照4:1的比例被隨機劃分為訓練集和測試集，用于識別模型的訓練和測試，具體實驗流程如圖7所示。

圖7 識別模型訓練流程圖Fig.7 Flowchart of recognition model training

訓練過程中，選擇適當?shù)姆謪^(qū)大小和優(yōu)化算法，能提高訓練效率，LSTM網(wǎng)絡訓練參數(shù)見表1。

其中訓練時間步根據(jù)輸入數(shù)據(jù)的特征確定，沒有PCA降維前，輸入時間步為32，特征數(shù)為81；PCA降維后，輸入時間步為5，特征數(shù)為3。同時網(wǎng)絡層數(shù)也要相應改變，沒有 PCA降維前，網(wǎng)絡層由3層128個LSTM單元組成；PCA降維后，網(wǎng)絡層由1層64個LSTM單元組成。同時建立早停機制，對訓練loss設置監(jiān)控的數(shù)據(jù)接口，在連續(xù)5次迭代loss沒有改變的情況下，神經(jīng)網(wǎng)絡提早停止工作。

數(shù)據(jù)集的標簽采用Onc-Hot編碼，為了高效地訓練樣本，引入交叉熵損失函數(shù)作為模型的損失函數(shù)來訓練，形式如下：

3.2 分頻段和不分頻段特征的模型性能對比

利用小波包分解技術提取特征，在傳統(tǒng)特征提取方法的基礎上，分頻段刻畫信號的細節(jié)特征，將輻射噪聲集中的低頻頻段特征放大，再將輻射噪聲數(shù)據(jù)放入 K 最近鄰（K-Ncarcst Ncighbor ， KNN）模型中進行分類識別，并與未頻段劃分的特征模型進行對比。最終得到如表2所示的識別準確率對比。

表2 KNN模型對未劃分頻段和多頻段劃分的特征的識別準確率對比(未添加噪聲)Table 2 Comparison of the recognition rate of the features with and without frequency band partition in KNN model (no noise added)

表2中比較了不同特征在未經(jīng)過小波包分解劃分頻段和經(jīng)過小波包分解劃分頻段的情況下識別的準確率。基于小波包分解的多特征提取相比于未劃分頻段的方式，識別準確率提高了0.9個百分點，相比于單一特征識別準確率最高的MFCC，提高了0.18個百分點。其中經(jīng)過小波包分解的各頻段下的單一特征相比于未劃分頻段下的單一特征，識別率方面均有所提高，其中時域能量的準確率提高最為明顯，達到了 8.86個百分點。因此，小波包分解劃分頻段提取特征的方式能夠有效提高識別的準確率。

3.3 單一特征和混合特征的模型性能對比

從數(shù)據(jù)集中提取特征，將全部 32個頻段下的81組特征組成特征集，再放入分類器模型中進行訓練和測試。將單一特征和混合特征進行對比，根據(jù)輸入數(shù)據(jù)的多少，選擇合適的網(wǎng)絡結構。其中，單一特征的LSTM網(wǎng)絡選擇1層64個LSTM單元，小波包分解特征的 LSTM 網(wǎng)絡選擇 3層 128個LSTM單元，以達到最優(yōu)情況。

表3中比較了基于小波包分解的特征在單一特征和多特征條件下的識別準確率，圖8直觀地展示了識別準確率情況。其中，基于小波包分解的多特征模型比單一特征模型識別準確率高，效果好。這些特征在KNN模型下就達到了不錯的識別效果，在LSTM和Attcntion-LSTM模型中識別效果更好，混合多特征分別提升了2.69個百分點和2.37個百分點。其中，時域能量的識別準確率提升效果最明顯，達到了 4.28個百分點和 3.79個百分點。Attcntion-LSTM和LSTM在此類情況下的識別準確率相差并不大，甚至部分情況下 Attcntion-LSTM的識別率低于LSTM，主要是由于Attcntion是一種注意力機制，不依賴于上一步的計算結果，從一段長特征中提取重點信息，因此在有些情況下會導致部分識別率降低。但將其引入長片段特征或者復雜特征情況，會使識別效果更好。

圖8 不同模型對單一特征的識別準確率對比Fig.8 Comparison of recognition accuracies of different models for a single feature

表3 不同模型對單一特征和混合多特征的識別準確率對比(未添加噪聲)Table 3 Comparison of recognition accuracies of different models for a single feature and the mixed multiple features (no noise added)

3.4 不同信噪比時模型的性能對比

為了對比不同信噪比時不同模型的識別效果，在保留原有測試集的基礎上，分別添加信噪比為10 dB，5 dB，0 dB，-10 dB的高斯加性白噪聲，重新構建加入噪聲的數(shù)據(jù)集，按照信噪比大小整理4個部分，經(jīng)過分類器模型計算得到不同信噪比下的識別準確率、運算時間和模型精度。

由于特征提取種類涵蓋MFCC、PLC、時域能量、小波變化等各個方面，會導致模型的訓練和預測精度降低。因此，需要根據(jù)特征值和累計貢獻率對主成分進行選擇，將提取的特征按貢獻率80%特征保留，壓縮成 15個主要成分。其中信噪比為-10 dB的漁船數(shù)據(jù)集的部分主成分表如表4所示。

表4 信噪比-10 dB漁船數(shù)據(jù)集PCA特征提取的部分結果Table 4 Partial results of PCA feature extracted in fishing boat data set at SNR=-10 dB

表5比較了不同信噪比下的模型識別分類的準確率，圖9直觀地展示了識別準確率情況。在未添加高信噪比噪聲的情況下，分類器識別準確率相差不大，KNN和PCA-KNN模型精確度較低，PCALSTM和PCA-Attcntion-LSTM的識別準確率較高。最高可以達到 98.15%，相比傳統(tǒng) KNN模型和LSTM行分別提升了7.98個百分點和5.29個百分點。添加噪聲后，各模型識別率有所下降，其中KNN下降速率最為明顯，隨著信噪比的降低，均有約3個百分點的準確率下降。LSTM模型在0 dB到-10 dB信噪比區(qū)間準確率也迅速下降，達到11.99個百分點。因此傳統(tǒng)方法在應對環(huán)境噪聲強的情況下容易導致識別準確率下降。相較于此，經(jīng)過 PCA降維的深度學習模型識別準確率變化波動小，最大變化準確率僅為4.38個百分點，對低信噪比目標的識別率比較穩(wěn)定。

表5 各模型在不同信噪比時識別準確率對比Table 5 Comparison of recognition accuracies of different models under different SNRs

圖9 不同信噪比下不同模型的識別準確率對比Fig.9 Comparison of recognition accuracies of different models at different signal-to-noise ratios

此外，對比不同學習方法，傳統(tǒng)機器學習模型識別效果不佳，相較于LSTM和Attcntion-LSTM模型，在-10 dB信噪比條件下，KNN模型識別率分別降低了5.49個百分點和5.57個百分點。PCA降維前后的LSTM模型和Attcntion-LSTM模型分別提高了10.55個百分點和12.15個百分點。而PCA-LSTM和PCA-Attcntion-LSTM模型相比PCA-KNN模型分別提高了14.45個百分點和16.13個百分點。

表6在預測性能方面做了比較。LSTM 的ERMS、EMA、R2等精確度指標遠好于KNN模型，在低信噪比時更為明顯，經(jīng)過 PCA降維和添加注意力機制后的模型精確度要好于沒有經(jīng)過降維和添加注意力機制的模型，因此PCA-Attcntion-LSTM模型有較好的識別效果。

表6 各模型在不同信噪比時預測精度對比Table 6 Comparison of prediction accuracies of different models under different SNRs

表7在運算時間方面做了比較。傳統(tǒng)機器學習算法KNN的分類時間少于LSTM的訓練時間。其中 PCA-KNN的運算時間最少，但識別率相對較低。PCA-LSTM和PCA-Attcntion-LSTM的運算時間遠小于不降維的模型，在未添加噪聲的情況下，運算時間分別提升了96.32%和95.46%，模型準確率效果較好，且與 PCA-KNN的分類時間相差不多，能夠有效提高運算速度，提升訓練效率。

表7 各模型在不同信噪比時運算時間對比Table 7 Comparison of operation time of different models under different SNRs

因此，提出的基于小波包分解特征的 PCAAttcntion-LSTM模型能夠有效地提高識別準確率和預測精度，減少運算時間。

4 結 論

本文提出的基于小波包分解的多特征艦船輻射噪聲識別模型具有良好的識別性能，提高了輻射噪聲的識別準確率，降低了訓練時間，為輻射噪聲識別提供了新的方法和思路，為精確識別目標、確定目標類型提供了保證。

（1） 用小波包分解技術提取不同頻段上多個特征，重點刻畫頻段細節(jié)，提升特征提取的全面性。

（2） 用PCA算法對數(shù)據(jù)進行降維，提取輻射噪聲特征的關鍵影響因子，降低輸入數(shù)據(jù)的維度，減少模型計算時間，提高性能。

（3） 在LSTM模型的基礎上，引入注意力機制，重點關注對識別結果有影響的特征序列，在輸入的特征數(shù)據(jù)中尋找有用信息，提高識別準確率。實驗結果表明，引入注意力機制算法對低信噪比輻射噪聲的識別分類更有效。

（4） 提出的基于小波包分解和 PCAAttcntion-LSTM 模型可以準確識別輻射噪聲的目標類型，相較于KNN算法，在識別效果上有了顯著提升，相比于LSTM算法既保證了識別準確率又降低了訓練時間，表明該方法在識別輻射噪聲目標方面具有明顯的優(yōu)勢。

（5） 特征提取是按照小波包進行頻段分解，分解后既有高頻分量又有低頻分量的特征，且添加的噪聲不僅有低頻信息，也有高頻信息。雖然艦船輻射噪聲的能量通常集中在低頻段，但模型可以有效地適應高頻干擾信號達到較好的識別效果。因此當小波分解只分離低頻信息時，效果還會有所提升。

（6） 對于實際應用領域中更多艦船種類的識別，可以通過增加數(shù)據(jù)集種類、提高泛化能力和增加深度網(wǎng)絡的分支數(shù)量來解決。