艦船輻射噪聲聽覺譜張量特征提取與分類識別＊

李巖洲，康春玉，夏志軍，王 玉

（海軍大連艦艇學院，遼寧 大連 116018）

艦船輻射噪聲的分類識別是聲納系統和水中武器智能化的關鍵技術之一，但由于海洋環境和艦船輻射噪聲成因復雜，水聲領域一直沒有很好的解決辦法。研究表明，信號的譜特征是從信號的頻域表征信號，反映了信號很多的重要特征，利用信號功率譜的連續譜和線譜以及基于聽覺模型得到譜等特征進行目標的自動識別和分類，是聲納、雷達、語音識別和噪聲分析等領域信號處理的重要內容。艦船輻射噪聲的譜特征也是科研人員重點研究的特征，在實際應用中也取得了不錯的效果[1-4]。本文在提取艦船輻射噪聲4種譜特征的基礎上，借鑒張量在信號處理、數據挖掘和模式識別等諸多領域中的成功應用[5-7]，構造了多譜二階張量特征，并通過判斷測試樣本二階張量特征與訓練樣本二階張量特征間的相似性，實現了艦船輻射噪聲的分類識別。海上實錄艦船輻射噪聲分類識別實驗表明，提取的艦船輻射噪聲二階張量特征比單譜特征具有較高的正確分類識別概率，為水下目標的智能分類識別提供了新的方法。

1 聽覺譜特征提取

聽覺譜特征在語音信號處理和艦船輻射噪聲分類識別中得到了廣泛的應用[7]，針對艦船輻射噪聲的特征提取問題，提出如圖1所示的聽覺譜特征提取方法。

圖1 聽覺譜特征提取

具體實現步驟如下。

第一步：被動聲納接收到的艦船輻射噪聲除了目標的輻射噪聲外，必然含有自噪聲、海洋環境噪聲等干擾，因此首先對艦船輻射噪聲s（t）進行小波降噪處理，本文利用“sym8”小波將輻射噪聲分解到第八層，并根據第一層小波分解的噪聲水平估計采用軟閾值法對輻射噪聲去噪。

第二步：對經過小波降噪的艦船輻射噪聲歸一化到均值為0、方差為1的信號x（t）。

第三步：對歸一化后的艦船輻射噪聲x（t）進行重疊一半的分段，每段xh（t）（h=1，2，…，H）長度為1 s。

第四步：分別對每一分段信號xh（t）加漢寧窗，并求得其傅里葉變換的幅值yh（f）（h=1，2，…，H），將每一段yh（f）求和取平均即得到艦船輻射噪聲的線性頻率譜特征

第五步：將每一段yh（f）經過K個濾波器組成的聽覺濾波器組，對經過每個濾波器的輸出求和并組合h段濾波器組的輸出得到第h段譜估計Ph（f）（h=1，2，…，H），將所有段的譜估計Ph（f）求和取平均則得到聽覺譜估計P（f），即得到艦船輻射噪聲的聽覺譜特征

很顯然，上述步驟中最關鍵的就是聽覺濾波器組的設計。本文設計了Mel尺度、Bark尺度和ERB尺度3種聽覺濾波器組，經多次試驗，每組濾波器設計K=600個，相當于經過600個通道。本文將通過Mel尺度濾波器組得到的艦船輻射噪聲聽覺譜特征稱為Mel聽覺譜特征，表示為PM（f），將通過Bark尺度濾波器組得到的艦船輻射噪聲聽覺譜特征稱為Bark聽覺譜特征，表示為PB（f），將通過ERB尺度濾波器組得到的艦船輻射噪聲聽覺譜特征稱為ERB聽覺譜特征，表示為PE（f）。

2 聽覺譜張量特征提取

數學上的張量可以直觀理解為一個多維數組，向量是一階張量，矩陣是二階張量，具有三階或更高階數的張量則稱為高階張量[8]。通過上述聽覺譜特征提取過程，可以得到4種譜特征，即線性頻率譜特征PL（f）、Mel聽覺譜特征PM（f）、Bark聽覺譜特征PB（f）和ERB聽覺譜特征PE（f）。很顯然，每一種特征都可用來進行艦船輻射噪聲的分類識別。為了更好地融合各譜特征的優勢，借鑒張量在其他模式識別領域的成功應用，將4種譜特征每種特征作為張量的一個維度，構建出艦船輻射噪聲的二階張量聽覺譜特征PT（f），即

3 輻射噪聲分類識別檢驗與分析

上面得到的特征PT（f）是二階張量特征，如果采用常規的神經網絡、支持向量機等分類器進行訓練實現分類識別，則需要對該特征進行降維，這樣就失去了構建二階張量特征的意義。本文通過判別每個測試樣本的二階張量聽覺譜特征與訓練集中每個訓練樣本的二階張量聽覺譜特征的相似性實現目標的分類識別，即：

分類為第i類艦船輻射噪聲。對于線性頻率譜特征PL（f）、Mel聽覺譜特征PM（f）、Bark聽覺譜特征PB（f）和ERB聽覺譜特征PE（f），分類識別時均采用最近鄰分類器。

艦船輻射噪聲分類識別檢驗中，主要研究了2類水中目標輻射噪聲樣本的分類情況，全部噪聲樣本是在不同工況和水文氣象條件下，實錄的海上2類目標（分別用I和II表示）輻射噪聲。對所有實錄的輻射噪聲每采集4 s作為1個樣本，共16 184個樣本，并從整個樣本集中每間隔3個、5個、10個或20個選1個作為訓練樣本，相當于每間隔8 s、12 s、36 s或76 s采集1個樣本作為訓練樣本，余下的作為測試樣本，由此得到訓練樣本集和測試樣本集。所有特征對測試樣本集每類目標的正確分類識別概率如表1所示。

表1 （續）

表1 測試樣本集每類目標的正確分類識別概率

從表1所示的正確分類識別實驗結果可以看出：①聽覺譜特征在艦船輻射噪聲的分類識別檢驗中取得了比較高的正確分類識別概率，說明聽覺譜應用于艦船輻射噪聲的分類識別是可行的，輻射噪聲聽覺譜特征的類類、類間區分度較大；②4種聽覺譜特征中，ERB聽覺譜特征的正確分類識別概率相對較低，主要原因應該是ERB尺度的濾波器帶寬較寬，帶外信息會影響該濾波器的輸出響應；③構建的二階張量聽覺譜取得了最高的正確分類識別概率，優于單譜特征的方法，為特征層級融合提供了新的方法；④隨著抽取訓練樣本間隔數增大，即訓練樣本數減小時，所有特征的正確分類識別概率均有所降低，二階張量聽覺譜特征降低的程度相對較小，說明這種特征更加魯棒。

4 結論

艦船輻射噪聲的分類識別是被動聲納智能化的核心技術之一，基于聽覺譜在語音等的廣泛應用，提取了艦船輻射噪聲的線性頻率譜、Mel聽覺譜、Bark聽覺譜和ERB聽覺譜4種譜特征。在此基礎上構建了二階張量聽覺譜特征，海上實錄艦船輻射噪聲分類識別檢驗表明，4種譜特征取得了較好的正確分類識別概率，構建的二階張量特征相比單譜特征，正確分類概率更高，魯棒性更好。需要說明的是，譜特征提取時濾波器的個數是根據經驗指定的，濾波器中心頻率與帶寬變化是根據現有語音信號處理中聽覺模型確定的，針對不同于語音信號的艦船輻射噪聲，如何確定不同尺度下濾波器的最佳個數和相關參數需要進一步研究。另外，構建的二階張量特征在分類識別時，僅利用張量特征間的相似性實現目標分類，如何更好地利用張量特征結合深度學習理論來實現分類識別也需要進一步研究。