基于MFCC特征的被動水聲目標深度學習分類方法

楊路飛，章新華，吳秉坤，李蘭瑞

(1.海軍大連艦艇學院，遼寧大連116018；2.海軍裝備部駐上海地區第一軍事代表室，上海200120)

0 引言

被動聲吶目標識別[1]一直是水下對抗與反潛研究領域的熱點和難點。傳統的被動聲吶分類模型有基于專家系統的，如支持向量機，有基于淺層機器學習的，如BP（Back Propagation）神經網絡[2]。支持向量機具有所需訓練樣本數量少，泛化性能好的優點，但存在著大樣本處理復雜等缺點。BP神經網絡具有大規模樣本處理能力，魯棒性好的優點，但存在容易過擬合，學習不到樣本的深度特征等缺點。

將深度學習應用于被動聲吶目標分類問題已經是研究的趨勢[3–9]。近些年，深度學習[10–13]在語音識別領域取得了突破性進展，長短時記憶網絡[14]（Long Short Term Memory Network，LSTM）處理時序數據能力強，基于感知機理的語音梅爾頻率倒譜系數（MFCC）的LSTM模型應用最廣泛。已有研究者將MFCC與LSTM應用于被動聲吶目標分類，取得較好識別能力，但LSTM模型預訓練收斂速度慢，循環次數多且需大量的樣本，預訓練準確率才能趨于平穩。卷積神經網[15]（Convolutional Neural Network，CNN）可以學習到樣本數據的空間深度特征，通常研究者會提取被動聲吶目標的二維圖像特征進行分類。研究表明一維卷積神經網絡（1DCNN）比二維卷積神經網絡（2DCNN）更適合處理語音信號，收斂速度更快。本文通過提取水上和水下被動聲吶目標的MFCC特征，結合1DCNN提取空間深度特征的能力與LSTM提取時序深度特征的能力，構建一個Conv-LSTM深度學習網絡架構的分類模型，用于被動聲吶目標分類。

1 被動聲吶目標MFCC特征的提取

在語音識別方面，常用到的特征是梅爾倒譜系數（Mel-scale Frequency Cepstal Coefficients，簡稱MFCC）。根據人耳機理的研究發現，人耳對不同頻率的聲波有不同的聽覺敏感度，對低頻敏感度較高，對高頻敏感度較低。MFCC[16]是在Mel標度頻率域提取出來的倒譜參數，Mel標度描述了人耳頻率非線性特性，它與頻率的關系可近似表示為：

參數MFCC提取過程如圖1所示。

圖1 MFCC系數提取過程Fig.1 MFCCcoefficient extraction process

預加重可以提升信號的高頻部分，使信號的頻譜變得平坦，能用相同的信噪比求頻譜。語音信號一幀s(n)一般取20～30 ms，為避免相鄰兩幀變化較大，要取一段重疊區域，一般取一幀的0.3～0.5。將每一幀乘以一個漢明窗，即帶通濾波器：

s(n)w(n)x(n)

式中： 為分幀后信號； 為窗口函數，為加窗后的信號。

將每幀進行快速傅里葉變換得到每幀在頻譜上的能量分布：

式中，N為采樣點的個數。

將能量譜通過一組Mel尺度的三角形濾波器組。三角形濾波器組的作用是對頻譜進行平滑，消除諧波，還可以降低運算量，三角形濾波器的頻帶寬度隨級數的增大而變寬。

三角形濾波器的頻率響應為：

計算每個濾波器組輸出的對數能量：

最后經離散余弦變換（DCT）得到MFCC系數：

式中，L階指MFCC系數的階數。

標準的倒譜參數MFCC只反映了信號參數的靜態特性，信號的動態特性可以用這些靜態特征的差分譜來描述。差分參數的計算公式為：

式中：dt表示第t個1階差分；Ct表示第t個倒譜系數；Q表示倒譜系數的階數；K表示1階導數的時間差，可取1或2。將上式中結果再帶入就可以得到2階差分的參數[17]。

本文提取被動聲納目標的靜態特性（MFCC系數）和動態特性（1階差分，2階差分），作為被動聲納目標分類的特征，即MFCC特征。

2 深度學習分類模型

2.1 一維卷積神經網絡模型

卷積神經網絡（CNN）可以較好識別數據中的簡單模式，從而生成更復雜的模式，是一種監督學習的判別模型，其具有局部連接、權值共享、下采樣的特點。二維卷積神經網絡（2DCNN）主要用于圖像識別，一維卷積神經網絡（1DCNN）主要用于處理語音的任務。無論幾維的卷積神經網絡，都具有相同的特點和相同的處理辦法。CNN主要由輸入層、卷積層、池化層、全連接層和輸出層組成。1DCNN基本結構如圖2所示。

圖2 一維卷積神經網絡簡單模型Fig.2 Simple model of one-dimensional convolutional neural network

卷積層由多個濾波器組成，學習輸入數據的特征表示，不同大小的卷積核可提取出不同的特征信息，而權值共享的方式減少了模型的復雜度，減少了過擬合的風險，提高了模型的泛化能力。池化層一般連接在卷積層之后，對特征進行降維，常用的方法包括最大池化和平均池化。全連接層通過反向傳播算法對網絡中的參數進行訓練，來最小化損失函數[18]。損失函數常使用交叉熵函數。引入Dropout技術，減輕網絡過擬合，降低訓練模型計算量。

本文處理的被動聲吶目標輻射噪聲信號屬于聲音，提取的MFCC特征也具有序列特性，所以本文采用1DCNN處理被動聲吶信號的MFCC，獲取數據的卷積深度特征。

2.2 LSTM深度學習模型原理

LSTM是循環神經網絡[19]（RNN）的改進型，是為了解決RNN模型訓練過程中存在梯度消失或梯度爆炸等問題提出的。目前，LSTM逐漸取代RNN，成為處理語音任務的主要模型。典型LSTM單元如圖3所示。

圖3 典型LSTM單元Fig.3 Typical LSTM units

LSTM存在3個門：遺忘門（Forget gate），更新門（Update gate），輸出門（Output gate），分別用Gu，Gf，Go來 表 示。輸 入 為at?1，ct?1，xt，輸 出 為at，ct，yt,。遺忘門和更新門決定ct的值，輸出門決定at的值。具體公式為：

式中：wc,wu,wf,wo為權值；bc，bu，bf，bo為偏置。

本文采用LSTM處理被動聲吶信號的MFCC特征，獲取數據的時序深度特征。

2.3 Conv-LSTM模型

被動聲吶目標信號是一種聲音信號，具有時間序列特性。MFCC特征是聲音信號經過分幀后處理得到的特征數據，具有空間連續特性以及時序連續特性。1DCNN可以用來處理語音信號，利用其空間特性提取了數據的空間深度特征，LSTM具有提取數據時序深度特性的能力，常被用來處理帶有時間序列性質的問題。根據兩種模型的特性，本文構造一種1DCNN和LSTM結合的深度學習分類模型Conv-LSTM，充分將被動聲納信號提取的MFCC特征的時空特性用于分類識別。Conv-LSTM模型的網絡架構如圖4所示。

圖4 Conv-LSTM分類模型網絡架構Fig.4 Network architecture of Conv-LSTM classification model

卷積層之間添加了BatchNorm層，在預訓練過程中，使得每一層神經網絡的輸入保持相同分布，訓練收斂快，加快訓練速度。使用GlobalAveragePooling進行均值池化，輸出為一維卷積深度特征。MFCC特征經過LSTM模塊后，再經過Flatten操作得到一維時序深度特征。將卷積深度特征與時序深度特征經過Concatenate操作得到聯合深度特征，最后通過BP算法進行目標的分類。

3 基于MFCC的被動聲吶目標信號實測數據的實驗

本文使用實測的被動聲吶目標信號，提取聽覺特征MFCC，對1DCNN，LSTM和Conv-LSTM的分類性能進行實驗。

本文實驗是水上水下分類識別的二分類問題，選取A，B兩類的實測被動聲吶目標輻射噪聲信號，每類目標信號的采樣頻率為25 kHz。其中信號A是商船等各種類型的水上目標，信號B為水下目標，且包含了同一艘船、艇在不同工況條件下的信號，保證了樣本集的有效性和實用性。提取目標信號的聽覺特征MFCC，分幀時長為30 ms，幀移為12 ms，mel濾波器的階數為24階，20 ms提取一個36維的MFCC特征向量，取時長1.31 s的被動聲吶目標信號的MFCC為一個樣本，如圖5所示，構建樣本集。

圖5 目標MFCC特征的一個樣本Fig.5 A sample of the characteristics of the target MFCC

超參數的設置對于深度學習模型訓練的效果影響很大，為了保證實驗結果的合理性，為了提高目標分類識別的準確率，進行超參數的調整。

對于1DCNN模型，卷積層為3層，濾波器的個數分別為64，128，64，窗口大小為4，卷積層和池化層的激活函數選用Relu，全連接層為2層，每層神經網絡單元個數分別是128，64，對于二分類問題，輸出層的激活函數選用sigmoid，學習率為0.01，優化器使用Adam，損失函數交叉熵函數選用Binary-crossentropy，分批訓練大小為128，訓練次數epochs設為100。

對于LSTM模型，LSTM單元個數為64，輸出層的激活函數選用sigmoid，學習率為0.01，優化器使用Adam，損失函數交叉熵函數選用Binary-crossentropy，分批訓練大小為128，訓練次數epochs設為100。

對于Conv-LSTM模型，一維卷積模塊中卷積層為3層，濾波器的個數分別為64，128，64，窗口大小為4，卷積層激活函數選用Relu，BatchNorm有3層，循壞模塊與LSTM模型相同。輸出層使用了’one-hot’編碼。

實測數據中，每艘船的輻射噪聲信號實測時長不同。其中，B類目標的數據樣本少，A類目標的數據樣本多。為保證深度學習模型訓練過程的泛化能力，防止過擬合，A，B的訓練集樣本數不能相差太大。本文仿真實驗采用2種樣本構建方法對水聲目標進行分類識別。

3.1 方案1及分類結果

在方案1中，選取A類船28艘，B類船12艘。該方案提取所有船只的MFCC特征，每隔5個MFCC特征選取一個作為訓練集樣本，其余MFCC特征作為測試集樣本。樣本構建結果如表1所示。

表1 水上、水下目標樣本構建Tab. 1 Construction of water and underwater target samples

以預訓練網絡對測試集樣本進行識別分析。為了使得深度學習模型訓練更加均衡化，訓練及樣本通過shuffle進行了亂序。在每次深度網絡模型訓練過程，模型的權值與偏置的最終值會不同，損失函數可能落在不同的極小值點，從而使得測試集的準確率發生改變，所以本文所有實驗重復5次，結果取平均值，如圖6是某次深度學習Conv-LSTM模型預訓練的準確率與損失函數變化過程。

分類識別結果如表2所示。

3.2 方案2及分類結果

方案2中同方案1，選取28艘A類船，12艘B類船。該方案分別從A，B類選取一部分船，提取MFCC特征構建訓練集，未被挑選的船只提取MFCC特征，構建測試集。樣本構建的結果如表3所示。

圖6 預訓練準確率與損失函數變化圖Fig.6 Variation of pre-training accuracy and loss function

表2 水上、水下目標分類準確率Tab.2 Classification accuracy of water and water targets

分類識別結果如表4所示。

表3 水上、水下目標樣本構建Tab.3 Construction of water and underwater target samples

表4 水上、水下目標分類準確率Tab.4 Classification accuracy of water and water targets

4 結語

本文從被動聲吶目標分類出發，利用一維卷積神經網絡（1DCNN）、循環神經網絡（LSTM）以及構建的Conv-LSTM深度學習分類模型，對被動聲吶目標的聽覺特征MFCC進行提取與識別。根據海測數據處理以及深度學習分類模型的分類效果可得到如下結論：

提取被動聲吶目標的聽覺特征與深度學習分類模型結合，進行被動聲吶目標分類具有可行性。

不同深度學習分類模型對于被動聲吶目標分類效果不同。根據實測的被動聲吶目標信號構建適合的深度學習分類器，可以提高被動聲吶目標分類的準確率，Conv-LSTM相較于LSTM深度學習分類模型的分類準確率提高了4%左右。

深度學習可以從大量的樣本數據中學習到目標的深度特征，由于實測樣本數量較少。限制了對目標深度特征的挖掘，對于深度學習分類模型的泛化能力還需要進一步研究。