基于高階譜的艦船噪聲特征提取與實驗

陳雪俫

（海軍兵種指揮學院，廣州廣東 510430）

0 引言

在水聲學領域中，艦船輻射噪聲的研究有著很長的歷史和重要意義。傳統的艦船類型識別方法是通過對噪聲信號進行譜估計（如DEMO譜分析），提取譜特征。對艦船噪聲的功率譜研究，是基于高斯過程假設做出的估計，對于非高斯過程效果不太理想。文獻［1］研究認為噪聲是非高斯型的，其中有明顯的諧波頻率成分。文獻［2］將維譜應用于艦船噪聲的目標特征提取分析，提取了7個特征量。文獻［3］在實際應用中用檢驗統計量T2來進行判斷，并設計bispectum;neural networks了雙譜的檢測系統。文獻［4］給出了雙譜矩陣處理的峰值化算法，提取了47維的特征向量。

高階譜技術是近年來信號處理的新技術，是對非高斯、非線性、非因果信號處理和高斯有色噪聲及盲信號處理非常有用的重要分析工具。它從更高階概率結構表征隨機信號，可以彌補二階統計量（功率譜）不包含相位信息的缺陷。當信號中含有加性高斯有色噪聲時，在理論上高階累積量（高階譜）可以完全抑制噪聲的影響，提高分析和辨識精度。

對0均值平穩隨機信號其二階、三階和四階累積量分別為［5］

由上式可看出，二階累積量就是隨機信號的自相關，三階累積量也正好等于其三階矩。

功率譜定義為自相關函數的傅立葉變換，仿照這個定義，可以定義隨機信號的高階譜，其中二階譜定義為功率譜:

引入“降維”的思想，通過取雙譜的對角切片，將其投影到一維頻率空間上，即取m1=m2，得到三階累積量的主對角切片

2 艦船輻射噪聲特性及切片譜的特征提取方法

2.1 艦船輻射噪聲特性

在艦船輻射噪聲譜中，有一系列旋轉機械產生的線譜，對分類和識別而言，它們通常都是有用的特征;譜的另一部分是由于流體的空化、渦流、紊流、噴射、沖擊以及伴隨發生的隨機激振而產生的連續譜，在目標識別階段，有用的信息往往不是連續譜的細節變化，而是其大致輪廓，甚至只是幾個反映其變化趨勢或形狀特點的數字特征。高階譜可抑制高斯隨機噪聲，而連續譜噪聲是近似高斯分布的，因此高階譜在一定程度上抑制了連續譜，這對于提取輻射噪聲的有效信息是有幫助的。

由于艦船輻射噪聲的線譜主要集中在低頻段，艦船輻射噪聲在高頻段主要為空化噪聲和其他連續譜噪聲，而空化噪聲和其他連續譜一般是服從高斯分布的，經過雙譜運算處理后被大幅度抑制，低頻段的特征被突出。對切片譜的特征進行提取，具體方法是:分析的信號頻段選擇為100～1 000 Hz，采樣率為4 096 Hz，樣本長度為4096點。以譜的子帶能量考核，即求第N個100 Hz頻段內的能量PN，形成了1個9維的特征向量。為了使特征向量保持一定的穩定性，對其進行歸一化，歸一化的方法為:

式中:Pmean為分析信號頻段內的能量平均值;Pvar為方差。

3 實驗與結論

圖13 類艦船目標的雙譜圖Fig.1Bispectum figure of three kinds ship

實驗中對3類艦船輻射噪聲進行了提取，這3類艦船輻射噪聲信號的雙譜圖如圖1所示。可以發現: （a）類船的噪聲能量峰值較多，相對較分散;（b）類船噪聲主要集中在高頻部分;（c）類船的噪聲主要集中在低頻部分。

本文采用3層BP神經網絡作為分類器，輸入層第1次選了9個神經元，對應于維譜的9個特征向量;分析3類艦船輻射噪聲的錄音信號，將分析數據的部分作為訓練數據，其余數據作為測試數據，訓練和測試結果見表1。

?

［1］樊養余，孫進才，李平安，等．基于高階譜的艦船輻射噪聲特征提取［J］．聲學學報，1999，24（6）:611－616．

［2］樊養余，陶寶祺，熊克，等．艦船噪聲的維譜特征提取［J］．聲學學報，2002，27（1）:71－76．

［3］KLETTER D，MESSER H．Suboptimal detection of non-Gaussian signals by third-order spectral analysis［J］．IEEE Transactions on Acoustic Speech and Processing，1990，38 （6）:901－909．

［4］程廣濤，戴衛國，李茂寬．高階統計量在水下目標識別中的應用［J］．青島大學學報（自然科學版），2004，17（4）: 66－69．

［5］張賢達．現代信號處理［M］．北京:清華大學出版社，2002．

［6］劉波，文忠，曾涯，等．MATLAB信號處理［M］．北京:電子工業出版社，2006．