基于多參量聯合特征的水下小目標分類識別

趙國貴, 梁 紅, 陸 禹, 楊長生

基于多參量聯合特征的水下小目標分類識別

趙國貴, 梁 紅, 陸 禹, 楊長生

(西北工業大學 航海學院, 陜西 西安, 710072)

目標的主動聲吶回波包含大量的目標信息, 通過對目標回波進行特征提取可實現對目標的分類識別。針對單一特征無法較好地完成水下小目標分類識別任務的問題, 文中提出一種基于多參量聯合特征提取的水下小目標分類識別方法, 選取線性調頻信號、雙曲調頻信號和蝙蝠仿生信號等不同形式的發射信號, 對目標回波的方差、譜質心以及小波能量譜峰值進行特征聯合, 并利用反向傳播神經網絡分類器對目標進行分類識別。水池實驗證明, 基于多參量聯合特征提取的水下小目標分類識別方法可有效提高目標的分類識別率; 相比于傳統信號, 利用蝙蝠仿生信號進行水下目標分類識別的效果更好。文中的工作可為利用多種特征聯合分類識別水下目標提供參考。

目標回波; 多參量聯合特征; 反向傳播神經網絡; 分類識別; 仿生

0 引言

水下小目標特征提取和分類識別是當前水聲信號處理領域的熱門技術, 在海洋防衛和開發方面的應用日益廣泛。聲誘餌、無人水下航行器(unmanned undersea vehicle, UUV)和蛙人等作為常見的水下小目標, 被廣泛用于執行水下干擾、探測及偵查等任務[1-3]。水下小目標具有隱蔽性好、殺傷力強等特點, 對潛艇和水面艦艇的威脅極大, 因此研究水下小目標特征提取與分類識別技術意義重大。

國內學者對于水下目標特征提取和分類識別技術的研究始于20世紀90年代。1994年, 湯渭霖[4]提出了聲吶目標回波的亮點模型, 在水聲信號領域得到了廣泛的應用。進入21世紀, 水下目標分類識別技術蓬勃發展。張靜遠等[5]將基于小波變換的模極大值特征、基于小波分解的能量特征等用于水聲信號的分類識別。馬艷等[6]研究了基于連續小波變換的水下目標特征提取, 提取了目標的小波能量譜用于分類識別。王娜等[7]研究了音色參量在目標分類識別中的應用, 利用分段譜質心理論對目標進行了特征提取。楊陽[8]將譜質心、譜質心帶寬等多種音色參量用于水下目標特征提取, 對目標回波、噪聲、混響進行了分類識別。國外的相關技術發展更早, 性能更優越, 目前已經搭建了大量水下小目標探測和識別系統并得到了廣泛應用[9-10], 如美國海軍應用的蛙人探測聲吶“冥府守門狗360”、以色列的蛙人探測聲吶以及英國的手持式蛙人偵查系統等。

特征提取算法種類眾多, 但僅僅依靠單個特征通常無法較好地完成目標分類識別任務。考慮到反向傳播(back propagation, BP)神經網絡的多輸入-多輸出特性[11], 文中提出了一種基于多參量聯合特征的水下小目標分類識別方法。通過提取目標回波的多種特征參量, 并利用BP神經網絡分類器對不同水下小目標進行分類識別。

1 特征參量

水下小目標識別中可用的特征參量有很多種, 文中主要研究的是聲誘餌、UUV以及蛙人呼吸氣泡群3種目標。根據對目標聲散射特性的分析,文中選取的3類目標聲散射特性具有明顯的差異, 主要表現為目標回波的峰值數量不同、時頻特性不一致等現象, 因此可以從時域上利用目標回波的方差來進行分析; 根據對目標的音色特性分析, 聲誘餌的主動聲吶回波是其模擬的回波, 不是自身反射回波, 因此和實際物體回波有差異, 而UUV和蛙人呼吸氣泡群材質上有明顯區別, 因此其回波的譜質心有所不同, 可用于分類識別; 為了聯系時域和頻域上的信息, 要從時頻域上對特征進行分析, 而小波變換是水下目標分類中一種常用的方法, 因此可以選用小波能量譜峰值作為特征來進行分類識別。

文中分別從時域、頻域和時頻域3個方向選擇了歸一化方差、譜質心和小波能量譜峰值3種特征參量, 并利用聯合特征對水下小目標進行分類識別。

1.1 歸一化方差

不同水下小目標的亮點數量不同, 其回波的峰值數量也不同, 則回波信號的方差就會有所差異, 文中將目標回波的歸一化方差作為一種特征參量。

考慮到方差具有以下性質

目標回波的幅值(能量)會影響回波方差大小, 而目標回波的能量與目標距離有關。為了排除距離因素對目標分類識別的干擾, 需要對目標回波進行如下能量歸一化運算。

1.2 譜質心

譜質心即頻譜的質心, 是一種音色參量, 主要反映人耳對聲音的主觀感受。目標回波的譜質心主要表征目標的結構和材質信息, 因此可用于水下小目標分類識別。

參考幾何學對質心的定義, 研究學者將信號的譜質心定義為信號的能量在一定頻段上的加權平均, 其計算公式為

1.3 小波能量譜峰值

小波變換是一種可以對信號進行多尺度細化和局部頻率分析的時頻分析方法, 其特點在于能通過變換突出問題中某些方面的特征, 因此非常適合用于目標特征提取和分類識別。

2 回波特征提取仿真分析

根據亮點模型理論仿真聲誘餌、UUV和蛙人呼吸氣泡群3類目標的回波, 對仿真回波進行特征提取, 驗證多參量聯合特征的優勢。

2.1 發射信號選擇

仿真選取的發射信號為線性調頻(linear frequency modulated, LFM)信號、雙曲調頻(hype- rion financial anagement, HFM)信號和蝙蝠仿生信號3種。前2種信號均為水下目標識別常用發射信號, 而蝙蝠仿生信號是一種模仿大棕蝙蝠的發聲方式而生成的信號, 由2個不同頻段的HFM信號組合而成, 其信號形式如下

蝙蝠因其晝伏夜出的生活習性, 在夜晚覓食時難以靠視力追蹤獵物, 因此它們使用超聲波進行目標識別、定位與跟蹤。經過幾千萬年的進化, 蝙蝠利用回聲識別目標的能力已經相當成熟。利用蝙蝠仿生信號進行目標識別可充分發揮其信號結構的優勢, 從而達到更高的分類準確率[12-13]。

發射信號的頻帶范圍選擇為LFM信號60~ 80 kHz, HFM信號55~110 kHz, 仿生信號由2個頻帶范圍分別為20~55 kHz和55~110 kHz的HFM信號疊加而成。信號脈沖長度均為0.5 ms。

2.2 仿真數據特征提取

首先對仿真數據進行單參量特征提取, 以發射信號為仿生信號為例, 發射信號如圖1; 對其回波信號進行特征提取, 結果如圖2。

圖1 仿生信號時域圖及頻域圖

從圖2中可看出, 對于單一特征, 3種目標的特征分布混疊度較大, 目標間的區分度不高, 不利于目標分類識別。但觀察發現, 對于每種特征, 目標的區分度各不相同。例如, 對于方差特征, 氣泡群和UUV區分明顯, 而與聲誘餌有混疊; 而對于小波特征, 則是聲誘餌和UUV區分明顯, 而與氣泡群有混疊。這說明3種特征體現了目標在不同方面的特征差異?？紤]到多種特征包含的目標信息相比單一特征更為豐富, 有利于更準確地判斷目標類別, 文中嘗試聯合多種特征進行目標分類識別。

觀察圖3發現, 3類目標的聚類性較好, 不同目標的聯合特征分布區域之間的混疊度相比單一特征有明顯的下降, 更易區分。這說明利用多參量聯合特征有助于改善目標分類效果?；谶@一結論, 文中提出了1種多參量聯合特征的分類識別方法。

圖3 多參量聯合特征分布圖

利用多參量聯合特征對目標進行分類識別需要建立目標的多種特征值與目標類別之間的映射關系。這種高維的非線性映射關系, 利用傳統分類器通常無法建立, 而具有自適應權值調整功能和多輸入-多輸出特性的神經網絡分類器恰好可用于建立此類映射關系。

BP神經網絡的結構如圖4。

圖4 反向傳播神經網絡結構

在BP神經網絡中, 輸出變量為輸入變量的多層加權結果。文中以目標回波的特征值為輸入變量, 目標類別為輸出變量。首先通過樣本訓練完成對目標的多種特征值與目標類別之間映射關系的建立。映射關系建立完成后, 在對實際目標進行分類識別時, 只需輸入目標的3種特征信息, 即可確定目標類別。

3 實驗驗證

為了驗證文中提出的多參量特征提取在水下小目標分類識別中的優勢, 設計水池實驗, 對實際目標進行回波特征提取和分類識別。

圖5 實驗系統示意圖

文中的實驗目標為聲誘餌模型、UUV模型和氣泡群3種, 其中聲誘餌模型和UUV模型均為鐵制品, 實物如圖6所示。聲誘餌模型長度為2.5 m, 艇體直徑為0.2 m; UUV模型長度為1.25 m, 艇體直徑為0.6 m。

圖6 實驗目標模型

圖7是聲誘餌模型和UUV模型結構圖。氣泡群由空壓機和微孔陶瓷管產生, 空壓機和陶瓷管上的閥門可以控制氣泡產生速率。對應于仿真數據, 實驗所用發射信號同樣為LFM信號、HFM信號和蝙蝠仿生信號3種。信號頻帶范圍選取和仿真試驗相同, 周期數均為100, 每個周期內信號脈沖長度為0.5 ms, 補零長度為9.5 ms。

3.1 實驗數據特征提取

圖7 實驗目標模型結構圖

將每組回波數據平均拆分為10段, 每段包含10個周期。對10個周期的數據取均值, 生成1個新的數據, 這樣可將每個實驗目標的9組回波數據擴充為90個新數據。新數據同樣包含目標的特征信息, 同時經過平均、信號疊加而噪聲互相抵消, 可提高回波數據的信噪比。

提取新數據的歸一化方差、譜質心和小波能量譜峰值, 即可完成對實驗數據的特征提取。

3.2 分類識別

在完成對實驗數據的特征提取后, 利用BP神經網絡分類器完成目標分類。

利用單特征參量對目標進行分類識別, 結果如表1~表3所示。

表1 基于方差特征的分類結果

表2 基于譜質心特征的分類結果

表3 基于小波特征的分類結果

分析表1~表3可得: 基于單參量特征的目標分類識別率均在70%左右, 分類效果并不理想。這說明利用單一特征很難較好地完成水下小目標分類識別任務。

利用多參量聯合特征對目標進行分類識別, 結果如表4。從表4可以看出, 基于多參量聯合特征的目標分類識別率均在90%左右, 相比基于單參量特征的分類效果有了明顯提升。這說明利用多參量聯合特征可以更好地完成水下小目標分類識別任務。此外, 當發射信號為蝙蝠仿生信號時, 目標的分類識別率明顯大于其他2種發射信號, 這也說明了蝙蝠仿生信號在水下小目標分類識別應用中具有一定的優勢。

表4 基于方差小波譜質心聯合特征的分類結果

4 結束語

文中提出了基于多參量聯合特征提取的水下小目標分類識別算法。考慮到基于單一特征難以較好地完成水下小目標分類識別任務, 提取了目標回波的歸一化方差、譜質心及小波能量譜峰值, 并利用方差譜質心小波聯合特征對3種水下小目標(聲誘餌模型、UUV模型和氣泡群)進行分類識別。

利用神經網絡分類器, 分別得到了基于單參量特征和多參量聯合特征的分類結果, 并分析對比了兩者的分類效果。結果表明, 多參量聯合特征可有效提高水下小目標分類識別率, 且發射信號為蝙蝠仿生信號時, 分類效果更佳。下一步工作將基于研究更多的特征組合方式, 以提高分類識別率。

[1] 陳敬軍. 魚雷防御系統中軟殺傷器材的現狀及其發展趨勢[J]. 聲學技術, 2013, 32(4): 342-348.Chen Jing-jun. The Status Quo and Development Trend of Soft-kill Effectors in Torpedo Defence Systems[J]. Tech- nical Acoustics, 2013, 32(4): 342-348.

[2] 代威, 張雯, 張瀝, 等. 國外海洋無人航行器的發展現狀及趨勢[J]. 兵器裝備工程學報, 2018, 39(7): 33-35.Dai Wei, Zhang Wen, Zhang Li, et al. Foreign Maritime Unmanned Vehicle Development Status and Trend[J]. Journal of Ordnance Equipment Engineering, 2018, 39(7): 33-35.

[3] 徐瑜, 倪小清, 夏紅梅, 等. 蛙人探測聲吶發展現狀及關鍵技術[J]. 艦船電子工程, 2017, 37(3): 1-3. Xu Yu, Ni Xiao-qing, Xia Hong-mei, et al. Current Status of Diver Detection Sonar and Key Technologies[J]. Ship Electronic Engineering, 2017, 37(3): 1-3.

[4] 湯渭霖.聲吶目標回波的亮點模型[J]. 聲學學報, 1994, 19(2): 92-100.Tang Wei-lin. Highlight Model of Echoes from Sonar Targets[J]. Acta Acustica, 1994, 19(2): 92-100.

[5] 張靜遠, 張冰, 蔣興舟. 基于小波變換的特征提取方法分析[J]. 信號處理, 2000, 16(2): 156-162.Zhang Jing-yuan, Zhang Bing, Jiang Xing-zhou. Analyses of Feature Extraction Methods Based on Wavelet Transform[J]. Signal Processing, 2000, 16(2): 156-162.

[6] 馬艷, 李志舜. 基于連續小波變換的水下目標特征提取與分類[J]. 系統工程與電子技術, 2003(3): 375-378. Ma Yan, Li Zhi-shun. Featrure Extraction and Classification of an Underwater Target Based on CWT[J]. Systems Engineering and Electronics, 2003(3): 375-378.

[7] 王娜, 陳克安. 分段譜質心特征在水下目標識別中的應用[J]. 兵工學報, 2009, 30(2): 144-149. Wang Na, Chen Ke-an. Application of Sub-band Spectral Centroid Features to Recognizing Underwater Targets[J]. Acta Armamentarii, 2009, 30(2): 144-149.

[8] 楊陽. 基于音色參量的聲納回波特征提取及分類[D]. 哈爾濱: 哈爾濱工程大學, 2012.

[9] Ferose Babu T A, Pradeepa R. Support Vector Machine Applied to Underwater Target Classification[C]//2014 Fo- urth International Conference on Advances in Computing & Communications. Greater Noida, India: IEEE, 2014.

[10] Hackman R H, Arnold H, Reagan J. Active Acoustic Cla- ssification of Underwater Targets Based on Time-fre- quency Analyses[J]. The Journal of the Acoustical Society of America, 1992, 91(4): 233-234.

[11] Kukharenko A I, Konushin A S. Simultaneous Classification of Several Features of a Person’s Appearance Using a Deep Convolutional Neural Network[M]. New York: Spri- nger-Verlag, Inc, 2015.

[12] Simmons J A, Gaudette J E. Biosonar Echo Processing by Frequency-modulated Bats[J]. Iet Radar Sonar & Navi- gation, 2012, 6(6): 556-565.

[13] 崔永鋒, 劉偉. 最優仿生大棕蝙蝠聲波信號模型及雷達測距[J]. 科技通報, 2014, 30(4): 68-70.Cui Yong-feng, Liu Wei. The Applied of Radar Ranging Based the Model of Optimal Bionics Acoustic Signal[J]. Bulletin of Science and Technology, 2014, 30(4): 68-70.

[引用格式]趙國貴, 梁紅, 陸禹, 等. 基于多參量聯合特征的水下小目標分類識別[J]. 水下無人系統學報, 2019, 27(6): 644-650.

Classification and Identification of Underwater Small Target Based on Multi-Parameter Joint Feature

ZHAO Guo-gui, LIANG Hong, LU Yu, YANG Chang-sheng

(School of Marine Science and Technology, Northwestern Polytechnical University, Xi’an 710072, China)

The active sonar echoes contain a large amount of target information. The target can be classified and identified by feature extraction. Aiming at the problem that underwater small target cannot be classified very well based on a single feature, a classification and identification method of underwater small target based on multi-parameter joint feature is proposed in this paper. Different forms of transmit signals such as linear frequency modulation(LFM) signal, hyperbolic frequency modulation(HFM) signal and bat biomimetic signal are selected to combine the variance, the spectral centroid and the peak of wavelet energy spectrum of the target echo, and the back propagation(BP) neural network classifier are used to classify and identify the targets. Pool experiment shows that the classification and identification method of underwater small target based on multi-parameter joint feature can effectively improve the target classification identification rate, and compared with traditional signals, using the bat biomimetic signal as transmit signal can obtain a higher classification identification rate. This work may provide a reference for making use of multiple features to jointly classify and identify underwater targets.

target echo; multi-parameter joint feature; back propagation(BP) neural network; classification and identification; biomimetic

TJ630.1; TN911.7

A

2096-3920(2019)06-0644-07

10.11993/j.issn.2096-3920.2019.06.007

2019-04-08;

2019-05-17.

國家自然基金項目資助(61379007, 61771398).

趙國貴(1995-), 男, 碩士, 研究方向為水下信號處理技術.

(責任編輯: 楊力軍)