抗頻移聲譜特征提取及目標(biāo)分類應(yīng)用研究

江向東

?

抗頻移聲譜特征提取及目標(biāo)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(duì)抗技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100036)

針對(duì)目標(biāo)運(yùn)動(dòng)等導(dǎo)致的輻射噪聲頻譜特征的時(shí)變性對(duì)目標(biāo)分類穩(wěn)定性的影響，提出一種基于時(shí)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(méi)在強(qiáng)噪聲中的線譜信號(hào)，還能夠?qū)崟r(shí)給出譜線的參數(shù)信息，同時(shí)結(jié)合聽(tīng)覺(jué)特征識(shí)別原理，采用抗頻移的仿倍頻程的三角濾波法提取目標(biāo)特征。仿真和實(shí)際數(shù)據(jù)處理表明，所提出的特征有助于探測(cè)設(shè)備克服目標(biāo)未知的復(fù)雜運(yùn)動(dòng)帶來(lái)的頻譜時(shí)變影響，提高了分類特征的穩(wěn)定性。

抗頻移聲譜特征提取；時(shí)變譜特征；目標(biāo)分類

0 引言

水下聲學(xué)目標(biāo)分類和識(shí)別[1-3]主要包括目標(biāo)特征提取及分類器設(shè)計(jì)兩個(gè)方面，建立在分類基礎(chǔ)上的個(gè)體及型號(hào)識(shí)別還涉及到數(shù)據(jù)庫(kù)和接收信號(hào)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(jiǎn)單，能大致表現(xiàn)目標(biāo)特點(diǎn)，但是容易受到噪聲的影響。后繼發(fā)展提出的聽(tīng)覺(jué)譜特征[5-6]等具有了更好的穩(wěn)定性，但是依然沒(méi)有解決水聲通道噪聲影響的問(wèn)題。目標(biāo)輻射噪聲在水中遠(yuǎn)距離傳播時(shí)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(biāo)的特性變化，進(jìn)而導(dǎo)致識(shí)別系統(tǒng)性能下降是當(dāng)前目標(biāo)識(shí)別系統(tǒng)面臨的主要問(wèn)題。

傳統(tǒng)的水下目標(biāo)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(duì)這些噪聲的影響，較為有效的方法是通過(guò)對(duì)信號(hào)頻譜進(jìn)行長(zhǎng)時(shí)間累積以獲得更顯著的目標(biāo)特性。但是傳統(tǒng)頻譜累積的方法沒(méi)有考慮目標(biāo)運(yùn)動(dòng)時(shí)的多普勒效應(yīng)引起的頻移效果，導(dǎo)致長(zhǎng)時(shí)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(tīng)覺(jué)特征提取的處理方法，在聽(tīng)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(shí)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(zhǎng)時(shí)間存在)，對(duì)目標(biāo)線譜特征在若干相鄰時(shí)間段利用霍夫變換的方法進(jìn)行累積，在存在多普勒頻移的情況下提取目標(biāo)的時(shí)不變特征。最后考慮到水聲通道的濾波效果，對(duì)不同濾波器的輸出能量變換到倒譜域，通過(guò)去除倒譜域的高頻分量抑制通道效應(yīng)。

本文特征來(lái)源于信號(hào)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(shí)借鑒語(yǔ)音信號(hào)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(shí)現(xiàn)了對(duì)倒譜域的高頻通道噪聲分量進(jìn)行抑制，在復(fù)雜實(shí)際水聲環(huán)境下，提取的目標(biāo)特征具有頻移不變性的特點(diǎn)。

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(shí)驗(yàn)部分的測(cè)試方法，實(shí)測(cè)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(biāo)輻射噪聲由線譜及連續(xù)譜組成，線譜主要由目標(biāo)內(nèi)部機(jī)械運(yùn)動(dòng)產(chǎn)生，連續(xù)譜產(chǎn)生的原因更復(fù)雜一些。傳統(tǒng)目標(biāo)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(biāo)內(nèi)部結(jié)構(gòu)和環(huán)境噪聲的影響，實(shí)際環(huán)境中，目標(biāo)線譜檢測(cè)的關(guān)鍵是在有限信噪比條件下對(duì)幅頻具有時(shí)變特點(diǎn)的線譜的連續(xù)檢測(cè)。

傳統(tǒng)方法涉及到門(mén)限的設(shè)置，由于門(mén)限針對(duì)當(dāng)前快拍數(shù)據(jù)，受到噪聲的幅、頻時(shí)變特性的影響，采用快拍門(mén)限檢測(cè)后進(jìn)行幅度穩(wěn)定度統(tǒng)計(jì)的方法，雖能夠在一定程度上有效檢測(cè)較高的信噪比線譜，但是對(duì)于稍低于門(mén)限的穩(wěn)定弱線譜檢測(cè)、時(shí)變線譜頻率等參數(shù)的計(jì)算提取都存在缺陷，特別是對(duì)于頻變較大的線譜，門(mén)限檢測(cè)無(wú)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(yùn)動(dòng)目標(biāo)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(qiáng)運(yùn)動(dòng)目標(biāo)線譜特征的方法。目標(biāo)線譜的時(shí)間歷程圖一般如圖1所示。可以看出，在時(shí)間歷程圖上，線譜頻率間發(fā)生了一定的變化，而在短時(shí)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(shí)間歷程圖中不同頻率的時(shí)間歷程軌跡(見(jiàn)圖2)，并累積線譜能量。

圖1 運(yùn)動(dòng)目標(biāo)輻射噪聲譜圖

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

此時(shí)，可通過(guò)常用的門(mén)限檢測(cè)篩選可能的線譜分量。對(duì)頻段在1 000 Hz的低速目標(biāo)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(shí)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(jìn)行了增強(qiáng)累積，但是，由于運(yùn)動(dòng)目標(biāo)發(fā)射的原始頻率未知，接收信號(hào)解析出的頻率與目標(biāo)的運(yùn)動(dòng)狀態(tài)有關(guān)，并不等于目標(biāo)的原始頻率。因此，提取頻移不變特征克服多普勒效應(yīng)對(duì)所提取特征的不利影響，對(duì)目標(biāo)識(shí)別具有重要的意義。

接收信號(hào)通過(guò)上述第個(gè)濾波器后的能量為

C的高位部分代表了目標(biāo)特征中隨時(shí)間快速變化的信息，由于目標(biāo)輻射噪聲在一定時(shí)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(biāo)特征的信息進(jìn)行最終的分類識(shí)別。

2 識(shí)別系統(tǒng)與測(cè)試方法

2.1 抗頻移分類性能測(cè)試

使用的數(shù)據(jù)為實(shí)測(cè)聲吶數(shù)據(jù)，對(duì)跟蹤的4個(gè)型號(hào)的目標(biāo)輻射噪聲進(jìn)行采樣記錄，每類大約有990個(gè)樣本片段，這四類信號(hào)的部分聲譜圖如圖4所示。

圖4 四類目標(biāo)頻譜分布

圖4中頻率及時(shí)間軸僅代表相應(yīng)的排列順序和位置，并非實(shí)際數(shù)值。由圖4可以看出，目標(biāo)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(shí)間的變化，可以觀察到顯著的頻移效果。針對(duì)具有明顯多普勒頻移的目標(biāo)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(zhǎng)的時(shí)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(duì)比不同特征的識(shí)別效果，本文利用構(gòu)建支持向量機(jī)的訓(xùn)練和識(shí)別系統(tǒng)進(jìn)行測(cè)試，其中訓(xùn)練數(shù)據(jù)為圖4所示信號(hào)的前半段，測(cè)試數(shù)據(jù)為圖4所示信號(hào)的后半段。本文后面主要使用識(shí)別正確率作為系統(tǒng)的評(píng)價(jià)指標(biāo)。對(duì)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(jì)的濾波器進(jìn)行對(duì)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(jìn)行了對(duì)比。

在水聲目標(biāo)聲信號(hào)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(shí)不是等比變化的，這樣就無(wú)法對(duì)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(jìn)行還原。因此也就無(wú)法實(shí)現(xiàn)提取頻移不變特征。為了對(duì)比不同濾波器對(duì)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(jìn)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(yàn)濾波器對(duì)水聲目標(biāo)分類系統(tǒng)性能的影響。

2.2 濾波器組對(duì)分類性能的影響

從圖4中可以看出，目標(biāo)1前半段和后半段的線譜具有較大的偏移，目標(biāo)3前后的頻譜分布也有一定的差異。造成同一目標(biāo)不同時(shí)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(shí)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(hào)特征變化，表1顯示出本文提出的濾波器組在運(yùn)動(dòng)目標(biāo)的輻射噪聲識(shí)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(shuō)明在實(shí)際應(yīng)用中需要合理地設(shè)計(jì)水聲信號(hào)濾波器組，在其他特征提取步驟完全相同的情況下，通過(guò)仿倍頻程濾波器設(shè)計(jì)達(dá)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(shí)別性能正確率比較

2.3 累積線譜特征對(duì)分類的影響

本節(jié)選取的數(shù)據(jù)累積時(shí)長(zhǎng)為相鄰5幀。一種累計(jì)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(shí)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(shí)現(xiàn)頻移時(shí)不變特征的提取。對(duì)一組實(shí)測(cè)水聲信號(hào)的實(shí)驗(yàn)表明，與傳統(tǒng)濾波器組對(duì)比，本文提出的濾波器組及累積方法更適用于水聲運(yùn)動(dòng)目標(biāo)的分類。

本文方法在借鑒語(yǔ)音信號(hào)MFCC提取的基礎(chǔ)上，利用對(duì)數(shù)頻率并將對(duì)應(yīng)頻域信號(hào)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(lái)抑制水聲干擾通道影響，保留穩(wěn)定目標(biāo)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(yùn)動(dòng)目標(biāo)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(biāo)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(jì)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(jí)工程師, 研究方向?yàn)樗暭奥晠刃盘?hào)處理。

江向東, E-mail: jiangxd0618@163.com