水聲信號檢測與識別技術研究現狀*

李蘭瑞，李 鵬，劉天宇，郭 煜，姜棟瀚

（1.海軍裝備部駐上海地區第一軍事代表室，上海 200000；2.水下測控技術重點實驗室，遼寧 大連 116000；3.31001 部隊，北京 100094）

0 引言

隨著潛艇消聲材料和消聲技術的發展，以及海上航運事業的日益繁榮，水中目標信號的檢測和識別難度日益增加。水中目標檢測和目標識別技術是水聲信號處理領域的兩大核心技術，也是海上實際作戰中的兩大難題。因此，本文重點梳理總結了近幾年國內外在水聲目標檢測與識別領域的技術發展情況。

1 目標檢測技術研究現狀及主要問題

1.1 目標檢測技術研究現狀

波束形成方法是最常用的目標檢測方法。波束形成的實現方式分為頻域和時域兩種。頻域波束形成通過補償陣元之間時延帶來的相移來合成波束。時域波束形成對時域信號直接延時來合成波束。采用分塊處理方式的頻域波束形成算法，由于塊與塊之間的相位不連續，所以無法有效輸出真正連續的時域波形信號。時域波束形成技術因為直接在時域對信號進行延時累加，實時性強且可輸出連續的聲音信號，是被動聲納聽音信號的主要來源。波束形成方法對掃描后得到的各路波束信號求能量得到空間譜。這種基于能量檢測的方法在實際使用中受干擾和環境的影響，目標分辨率低，弱目標檢測能力差。

近些年，國內外學者提出利用信號的宏微觀特性進行處理的方法為傳統波束形成方法突破這一技術瓶頸打開了新的思路。信號的宏微觀結構指的是利用信號的聲傳播特征、譜特征和時域特征。根據水下信號的這些特性，對陣列信號進行前置處理或對波束形成結果進行后置處理已達到弱信號檢測的目的。

朱輝慶[1]等人針對平臺振動噪聲影響下的舷側陣聲納弱信號檢測問題，提出了基于白化濾波器和頻段加權的微弱信號檢測方法。這類方法的優點是通過對波束形成輸出波束進行后置濾波，可以增強其輸出信噪比，但前提條件是對所檢目標的信噪比有一定要求。

水聲信號傳播過程中受水聲環境的變化、目標源輻射幅度的不穩定性和多途干擾等因素的影響會產生起伏效應。Wagstaff R A[2]研究發現，利用聲信號的起伏特性會增強聲納系統處理增益。Wagstaff利用波束輸出快拍間的相位變化均勻性差異和目標信號和噪聲頻譜幅度在快拍間的起伏特性差異，提出了基于幅度起伏濾波器和相位起伏原理的方法，為微弱信號檢測提供了新思路。國內中船重工第715 所的王忠康和馬啟明[3]也做了相關研究，并發現該方法的適用條件相對苛刻，對快拍間頻譜幅度起伏較小或相位變化均勻性較好的窄帶確定性信號，具有較好的檢測能力。但是，在陣列噪聲和目標信號均為寬帶隨機信號的情況下，由于各窄帶快拍間的頻譜幅度起伏特性差異或相位變化均勻性差異不能保證，反而會降低處理增益。

中科院聲學所戴文舒[4]等人提出了一種利用目標信號線譜檢測目標的方法。該方法的實質是利用目標輻射噪聲中線譜分量方位穩定的特征進行弱目標檢測。當頻點處的線譜不明顯或者起伏較大時，它的性能較差。哈爾濱工程大學的陳陽[5]與惠俊英提出基于頻率方差加權的弱目標檢測方法，認為瞬時頻率方差在線譜的譜級信噪比超過門限值時為零。該方法求取波束的頻率方差，增強信號的瞬時頻率方差較小的線譜目標方位，同時抑制其他方位波束，以此提高目標的檢測能力。美國人Bono M[6]提出了子帶能量檢測（Subband Energy Detction，SED）算法。SED 算法檢測原理是依據頻率方位圖，利用信號峰、極值的“空間一致性”，對每個子帶各個方位上的峰、極值點能量進行求和作為波束輸出，以改善聲納顯示效果。美海軍潛用拖曳線列陣聲納TB-16 和TB-23 兩種裝備上使用了SED 算法。

1.2 主要問題

近些年關于弱目標的檢測方法研究取得很大進展，顯著提高了目標的檢測信噪比，但仍有一些問題有待進一步解決：現有基于波束域的檢測方法未充分利用目標信號特征，多停留在基于能量判決下的峰值疊加，當波束形成方法檢測不到弱目標時，后置處理算法同樣檢測不到弱目標；在實際戰場應用中環境多變，對弱目標檢測的穩健性有待提高。

1.3 未來趨勢展望

隨著水下目標隱身技術的發展和海洋航運業的繁榮，水下目標聲信號噪聲級越來越弱，而海洋環境噪聲干擾越來越大，基于能量的目標檢測方法越來越難以檢測到水下目標。水中目標信號能量雖然在減弱，但其信號特征依然存在。水下目標的特征和其動力推進方式、螺旋槳結構和外形構造密切相關。這些特征是必然存在的，未來基于特征的目標檢測方法將成為主流，僅僅基于能量的檢測方法將無法在實戰中發揮作用。

2 目標識別技術研究現狀及主要問題

2.1 目標識別技術研究現狀

艦艇聲納目標識別主要依靠訓練有素的聲納兵通過人工聽音和譜圖等信息進行目標識別。隨著作戰指揮自動化要求的不斷提高，特別是新型無人值守系統的出現，使得對目標進行自動識別的需求越來越迫切。

在被動聲納的人工聽音識別方面，聲納兵聽音識別可信度個體差異較大。訓練有素的聲納兵對水下目標識別準確度較高，但培養一名優秀的聽音員所需周期較長。聲納兵主要依據艦船輻射噪聲信號中的“節奏感”估計目標的類型、機動速度等。節拍和音色是構成聲音節奏感的主要來源。節拍主要來自于艦艇上的內燃機等周期振動器件引起艦船輻射信號響度的周期性變化。音色的產生則比較復雜，是聲音的一種多維特征。另外，聽音信號所選用的頻段和其純凈度影響聽音識別的效果。人耳對不同頻率信號的響應不一致，對低頻信號響應度較低。實際聲納工作的水聲環境復雜，目標信號傳播過程中的衰減使得陣列接收信號往往只有低頻信息。因此，聲納兵在聽音時會將聽音信號從低頻段移頻到一個聲納兵自認為適合聽音的頻段，而移頻的標準并不統一。哈爾濱工程大學的韓雪博士[7]從響度和尖銳度兩個心理聲學參數出發，研究移頻工作對聽音的影響。研究發現，移頻后信號響度在2～5 kHz 區間內響應平坦，表明人耳在該頻段的聽覺最佳，對聲音信號的凈化有利于聲納兵聽音識別工作的開展。

目標特征提取是機器自動識別的基礎，是將接收信號從時域空間變換到某種特征空間的信號處理方法。目前主要提取的特征包括時域參數特征如峰峰幅度、過零點波長等，譜分析參數特征如高階譜、BURG 譜、LOFAR 譜、倒譜和DEMON 譜等。近幾年，借鑒人工聽音判型的機理，研究人員開始關注聽覺參數特征的提取，如音調、音色和粗糙度等。通常，機器學習識別方法先對水聲信號做預處理來提高信噪比，之后提取水聲信號特征，最后利用特征信息訓練隱馬爾科夫模型、支持向量機、K 鄰近以及深度神經網絡等分類器實現水下目標的自動識別。

海軍大連艦艇學院康春玉[8]采用WELCH 譜、BURG 譜和線性預測碼訓練BP神經網絡。研究表明，該方法對3 類目標識別達到了較高的成功率。Suraj K[9]提出使用動態貝葉斯網絡（Dynamic Bayesian Network，DBN）結構進行預訓練，當隱層數目為200-100-50 時，在1000 個樣本40 種類型的分類識別問題中獲得了一定的正確識別率。上海船舶電子設備研究所程錦盛[10]利用MFCC 特征在有監督情況下訓練深度置信網絡DBN，結果表明該方法提高了對目標的識別成功率。

2.2 主要問題

現有研究表明，目前各種方法提取的特征用于識別，在實驗室驗證的效果普遍較好，但在實際應用中性能明顯下降。究其原因，主要在于：一是反映目標本質的特征提取技術研究還不夠；二是用于特征提取的信號質量（信噪比）不夠好，特別是在相鄰方位存在多目標或強干擾情況下，容易導致特征提取方法的失效，進而造成識別性能下降。因此，在聲納識別領域需要研究高性能的時域波束形成器，同時需要研究多目標或強干擾環境下的信號凈化方法，從而為特征提取提供高質量的音頻輸出。

2.3 未來趨勢展望

基于人耳聽音識別的聽音識別方式對聽音員的經驗和能力要求較高，個體差異較大，難以適應現在的實際戰場需求。隨著人工智能算法的發展，水下目標特征提取方式方法將針對個體差異進行適應性學習進化。對水下目標產品數據庫的不斷擴容，使得智能學習算法的訓練庫日益龐大。現階段，對水下目標識別將由人工聽音識別-人工加機器智能輔助識別-機器智能識別發現為主，以人工確認為輔，實現逐漸發展。

3 結語

本文分析總結了近些年水聲信號目標檢測與識別技術的發展情況，以及各自存在的不足和進一步的技術發展趨勢。目前的水聲信號目標檢測技術和目標識別技術同實際海戰場需求仍有較大差距，檢測和識別技術融合度淺，特別是未能在目標檢測時利用好識別帶來的特征優勢。因此，檢測和識別深度一體化融合發展將更有利于滿足海戰場實際需求。