基于輻射噪聲特征的艦船目標識別分類方法綜述

杜立彬，王政凱，呂志超，劉銘揚，王 磊

（山東科技大學 海洋科學與工程學院，山東 青島 266590）

0 引言

艦船目標的分類識別一直是水聲工程中的熱點問題，在過去20 多年里，國內外眾多學者對此進行了大量的研究。艦船目標的自動識別是艦船安全監(jiān)測、海上反潛作戰(zhàn)和艦船交通控制等方面的重要課題。

使用艦船的輻射噪聲進行識別分類是一類較新的艦船識別方法，主要內容是利用艦船產生的輻射噪聲信號，提取出艦船目標特征，并根據這些特征進行識別分類。艦船的輻射噪聲主要包括其部件的機械振動噪聲和推進器噪聲，兩者所占的比例受艦船的速度、槳葉的速度等因素影響；另外還有空化現象產生的噪聲，但其特征較難提取，很少用于艦船目標的識別。

本文總結艦船輻射噪聲特征提取和目標識別技術的研究現狀和發(fā)展趨勢。首先介紹艦船目標分類識別的研究背景和意義，并概述了基于輻射噪聲信號進行艦船目標分類識別的研究內容。然后介紹4 種水聲目標輻射噪聲數據庫，以供讀者研究使用。在此基礎上，總結了該領域發(fā)展較為成熟的輻射噪聲特征提取方法。最后，對艦船目標的識別方法進行了闡述。隨著深度學習的不斷發(fā)展，艦船目標分類識別的研究也逐漸向著高效、準確、實時的方向發(fā)展。

1 水聲目標輻射噪聲數據庫

研究艦船的輻射噪聲特征離不開大量的實測數據作為支撐。因此，本節(jié)總結了一些水聲目標輻射噪聲數據庫，供讀者參考。

1.1 ShipsEar 艦船輻射噪聲數據庫

ShipsEar 數據庫是一個專門采集艦船輻射噪聲的數據庫，該數據庫包含11 種艦船的數據和1 組海洋環(huán)境噪聲數據。數據采集地點位于西班牙的西北部海岸，數據采集時長在15～600 s 不等，采集日期是2012年秋季至2013年夏季。采集方式是通過系泊在海底的水聽器進行的，水聽器連接到水下浮標以確保垂直狀態(tài)，上端連接到水面浮標[1]。

該數據庫詳細記錄了每條數據的采集時間、采集位置信息、目標類型、艦船圖片、水聽器采集參數、采集環(huán)境數據等信息，為后續(xù)的數據處理和分析提供參考。圖1 為部分船型的實拍圖，表1 為ShipsEar 數據庫艦船目標類型總結。

表1 ShipsEar 數據庫總結Table 1 Summary of ShipsEar database

圖1 ShipsEar 數據庫中的部分船型實拍圖Fig.1 Photos of some ship types in the ShipsEar database

1.2 Soundscape 聲壓級數據庫

該數據庫的數據主要采集于2020年3月-2021年6月，數據采集區(qū)域較完整地覆蓋了意大利到克羅地亞地區(qū)的海域。該項目記錄的原始數據為聲壓數據，使用自主被動水聽器記錄數據，水聽器設置為以48 kHz 的采樣率連續(xù)記錄[2]。開源網站上可供下載的數據為處理后的聲壓級數據，項目共布設了9 個水聽器，記錄了該海域不同區(qū)域的水下聲壓級信息，記錄格式為結構化hdf5 文件。圖2 為該地區(qū)的水深分布圖以及各個水聽器的分布位置，表2 表示的是各個水聽器的放置深度。

表2 各個水聽器放置深度Table 2 Placement depth of each hydrophone

圖2 測量地區(qū)水深分布及各個水聽器放置位置Fig.2 Water depth distribution and placement of hydrophone in survey area

1.3 Noise Egg 設備采集的數據庫

Noise Egg 是一種簡易高效的可產生低頻輻射噪聲的設備，為驗證該裝置的可靠性，該實驗團隊采集了6 組由該聲源發(fā)出的輻射噪聲，并以.wav文件格式記錄。

實驗是在一個長1 m、寬0.5 m 的水箱中進行的，以40 kHz 的采樣率對數據進行采樣，聲源放置在水深1 m 處，共采集記錄了5 個聲源的數據[3]。圖3 為該實驗聲源和水聽器的相對位置俯視圖。該實驗目的測試Noise Egg 聲源設備的性能所做的實驗，數據可以用于分析低頻輻射噪聲特性，為低頻噪聲的研究提供參考。

圖3 聲源和水聽器相對位置Fig.3 Relative position of each sound source and hydrophone

1.4 Watkins 海洋哺乳動物聲學數據庫

水下不僅存在艦船產生的輻射噪聲，還存在大量生物產生的噪聲，這些噪聲是海洋環(huán)境噪聲的重要組成部分，研究生物輻射噪聲對于海洋生物保護、海洋漁業(yè)資源開發(fā)和水聲目標識別等方面具有重要的意義。

Watkins 海洋哺乳動物聲學數據庫是一個可在線免費下載的海洋哺乳動物噪聲的數據庫。數據庫里有約2 000 只海洋哺乳動物共計15 000 多組噪聲數據[4]。該數據庫主要采集區(qū)域集中在北美洲沿岸海域和南美洲南部海域，時間跨度大、覆蓋范圍廣，可以較為全面地分析不同海洋生物的聲學特征。圖4 為該數據庫采集地點分布。

圖4 Watkins 聲學數據庫采集地點地理分布Fig.4 Geographic distribution of collection locations in Watkins acoustic database

為方便讀者獲取數據，表3 列出了上述4 種數據庫的網站鏈接和數據獲取方式以供讀者自行下載使用。

表3 各數據庫網站鏈接和獲取方式Table 3 Links and access methods to various database websites

2 輻射噪聲特征提取方法

水聲信道非常復雜，不僅有艦船的輻射噪聲在信道里傳播，還會存在其它干擾目標檢測的噪聲，因此需要首先對原始信號進行降噪以提高信噪比。艦船輻射噪音是一種寬頻帶噪聲，其能量譜包含多個頻段的窄帶的線性成分，因此線性成分的探測與提取在艦船輻射噪音的信號分析中起著重要作用。此外，使用小波理論分析艦船輻射噪聲的特征同樣是水下目標識別領域的重要研究內容。另外，隨著非線性動力學的發(fā)展與完善，將其應用在艦船輻射噪聲特征識別領域的工作也越來越多。

2.1 輻射噪聲信號預處理技術

信號的預處理工作就是將信號中的噪音和雜波剔除提高信號的信噪比，這個過程稱為濾波。

維納于20世紀40年代提出了基于最小均方差準則的最佳濾波方法。60年代卡爾曼提出了卡爾曼濾波器的基本原理，適用于對非平穩(wěn)信號進行處理。然而，這2 種方法均要求先驗特征輸入信號的統(tǒng)計特征，但這些統(tǒng)計特征通常為未知或可變的，因而不能滿足優(yōu)化濾波的要求。

自適應濾波器是一種在不需要先驗知識的情況下，實現結構與參數的自動優(yōu)化的方法。WIDROW[5]等提出的自適應最小均方算法（Least Mean Square，LMS），促進了自適應濾波技術的發(fā)展。文獻[6]根據WIDROW 的自適應算法，提出一種用于聲吶系統(tǒng)的自適應濾波技術，并成功地用于被動聲吶目標檢測，是國內較早將自適應濾波系統(tǒng)應用到水聲領域的研究。文獻[7]將LSM 算法集成到硬件中，對原始水聲信號進行濾波并獲取到穩(wěn)定的目標信號。文獻[8]提出了基于小波閾值去噪的自適應濾波算法，結果顯示輻射噪聲信號明顯增強。文獻[9]提出了一種基于自適應相干抵消的艦船輻射噪聲通信技術，將擴頻信號和輻射噪聲信號的分離。稀疏自適應濾波技術逐步被應用到水聲信道自適應均衡中，基于稀疏LMS 自適應濾波算法的自適應均衡也獲得較多的研究[10]。文獻[11]將基于最小均方算法的自適應濾波技術引入研發(fā)的光纖水聽器中，使得該水聽器具備較高的靈敏度和信噪比。文獻[12]針對強脈沖干擾，提出了一種基于切比雪夫不等式的自適應窗口中值濾波算法，有效抑制了脈沖干擾。

小波分析發(fā)展至今，已經被廣泛應用于水下聲學的研究中。文獻[13]利用雙樹復解析小波變換對艦船的輻射噪聲線譜進行小波分解。文獻[14]通過變換閾值進行去噪，得到了最佳的信噪比和均方誤差。文獻[15]結合正余弦算法與粒子群算法，優(yōu)化變分模態(tài)分解的參數，利用小波閾值去噪得到目標信號，該方法在信噪比和均方誤差2 種指標里有著顯著的優(yōu)化效果。文獻[16]研究了連續(xù)小波變換替代時頻分解的效果，結果表明其優(yōu)于時頻分解。

2.2 輻射噪聲線譜分析技術

線譜中的能量穩(wěn)定集中，含有豐富的艦船螺旋槳的特征信息。目前，對于艦船輻射噪聲線譜的研究主要集中在低頻端的離散線譜方向。

文獻[17]采用不同頻率計算功率譜，分析艦船輻射噪聲的功率譜信息，是較早將線譜提取技術應用到艦船輻射噪聲領域的研究。文獻[18]研究了水下目標輻射噪聲的平穩(wěn)化方法，提出了一種平穩(wěn)化處理模型，提高了線譜分辨率。文獻[19]利用線譜的時空特性研究艦船噪聲目標線譜，實測數據表明該方法的有效性。文獻[20]設計了一個干擾抑制門，降低了寬帶噪聲的影響，結果表明該方法能夠有效地提取出艦船輻射噪聲線譜特征。文獻[21]利用線譜幅度、相位隨時間低起伏特性提取線譜特征，有效地提高信號的信噪比。文獻[22]利用線譜相干性和連續(xù)譜非相干性獲取相干增益，提高了線譜的信噪比。

文獻[23]利用低頻分析記錄譜（Low Frequency Analysis and Recording，LOFAR）與調制噪聲包絡檢測（Detection of Envelope Modulation on Noise，DEMON）分析方法，對比分析了2 種方式的優(yōu)缺點，結果顯示，DEMON 譜能夠顯示輻射噪聲信號的軸頻信息。文獻[24]和文獻[25]在LOFAR 頻譜分析的基礎上提出了一種優(yōu)化算法，使其能夠在檢測線譜的同時對噪聲信號進行識別。文獻[26]通過自適應線譜增強器（Adaptive Line Enhancer，ALE）的線譜凈化能力對線譜進行提取，實驗結果顯示該方法有效地提高信號的信噪比。文獻[27]研究了二級ALE 檢測方法，提取了一級ALE 信號，將其與原始延遲信號的差值進行分析，增強了低信噪比的信號分離能力。

文獻[28]-[30]使用經驗模態(tài)分解（Empirical Mode Decomposition，EMD）方法提取艦船輻射噪聲特征，將排列熵理論引入到目標噪聲經過 EMD分解后的模態(tài)分量中。文獻[31]針對傳統(tǒng) EMD 分解后所產生的模態(tài)混疊問題，在原信號中加入了同幅值、反相位的正負白噪聲，并在分解后獲得了平均，使用了一種完備總體經驗模態(tài)分解方法，與此同時，還利用信號對稱自相關原理，實現了低信噪比下的特征線譜提取。文獻[32]及其他相關文獻在對波動聲場輻射噪聲進行分析的基礎上，提出通過波動相位差分對齊來實現對窄帶線譜部分的相干探測，以增強其相位辨識能力。文獻[33]利用線譜與寬帶噪聲之間的起伏相位差異和時間相關半徑提取信號的線譜特征。

文獻[34]中采用高階累量雙譜法分析艦船輻射噪聲振幅調制成分，在提取過程中保持信號的相位信息，并將所提取到的包絡譜組合起來，實現了周期調制信號的重建。文獻[35]使用高階累計量提取了艦船輻射噪聲中的線譜，與常規(guī)的功率譜分析相比該方法具有更高的檢測效率和抗干擾能力。文獻[36]-[38]中均使用了高階譜分析方法來提取艦船輻射噪聲的特征，并得到了較好的實驗效果。

2.3 小波分析技術

聲吶信號是非平穩(wěn)信號，但傳統(tǒng)的傅立葉變換方法很難處理非平穩(wěn)信號。小波變換優(yōu)良的非平穩(wěn)信號分析能力使得其在艦船輻射噪聲特征提取領域取得了廣泛應用。

文獻[39]中運用小波多分辨分析的特點，對艦船輻射噪音的功率譜進行了提取。文獻[40]采用了小波包分析的方法，將艦船輻射噪聲在空間中分解，再用統(tǒng)計學的方法來獲得各個分頻段中的能量分布，將實驗結果和真實數據進行比較，證明了這種方法的合理性和有效性。文獻[41]采用一種基于諧波小波變換的解析方法，可以將信號正交且無冗余地分解到獨立的頻段，取得了良好的辨識效果。文獻[42]-[44]采用小波多子帶技術對輻射噪聲的調制譜進行了提取，并對各頻段內能量更大的調制譜進行了重點研究。文獻[45]運用Mallat 快速算法將輻射噪聲信號進行多尺度分解，然后提取各級小波的譜特征和波形結構特征。文獻[46]使用小波分解技術，提取了艦船輻射噪聲的多種特征，并使用主成分分析法進行降維，結合深度網絡進行目標識別。文獻[47]提出一種基于Morlet 小波的帶通濾波器與正交性的信號解調，將含有調制信息的小波成分提取出來，再由1（1/2）頻譜分析獲得艦船的軸向頻率特征。文獻[48]利用小波變換從去除噪聲后的數據中提取艦船的線譜特征。文獻[49]提出了一種以小波門限去噪為基礎的改進算法，通過對原信號的小波分析將其分解，再采用一種改進的門限算法和一個小波門限函數來提取所得的小波系數的特征，最后通過重建新的小波系數來獲得去噪后的信號。文獻[50]提出了一種基于諧波小波分析的艦船噪聲線譜探測方法，該小波基具有獨特的箱形光譜，可以將信號直接分離到獨立的波段，相對于傳統(tǒng)的線譜提取方法，其在對線譜進行微弱提取方面具有顯著的優(yōu)越性。

2.4 非線性特征提取技術

隨著混沌理論和非線性動力學的發(fā)展，艦船輻射噪聲特征提取中也將其作為一個新的研究方向進行了研究。文獻[51]采用TAKENS 延遲法重建時變信號，使其在超維相空間中呈現出獨特的空間幾何特征。文獻[52]中使用混沌和分形理論分析艦船噪聲的非線性特征，為水下目標識別與處理提供了新的途徑。文獻[53]對混沌理論展開了研究，結果表明，當艦船輻射噪聲最大Lyapunov 指數有限且為正值時，輻射噪聲呈現出顯著的混沌特征。在這些特征中，自然測度與相關維數可以被有效的用來作為目標艦船分類識別參數。文獻[54]中進一步分析了 Duffing 振子的混沌運動規(guī)律，完善了它的狀態(tài)方程，并在此基礎上提出了一種基于 Duffing 振子的艦船噪聲線譜提取方法，并通過試驗驗證了其精度和分辨率。

3 基于艦船輻射噪聲的識別方法

水聲信號的自動識別與分類技術是實現水聲裝備智能化和自動化的重要手段，也是當今世界各國都十分關注的研究課題。

最初使用輻射噪聲進行分類識別是通過受過訓練的專業(yè)人員實現的。這種方法受限于人的主觀因素影響，很容易出現誤判的情況。隨著信號處理技術的發(fā)展和機器學習的出現，出現了特征提取結合機器學習分類的方法，這種分類方法提高了識別效率，減少了主觀因素的影響。近些年，隨著深度學習的發(fā)展，水聲領域出現了很多使用深度學習對輻射噪聲信號進行分類識別的研究。

3.1 傳統(tǒng)艦船目標識別方法

傳統(tǒng)的艦船目標識別方法主要可以分為基于人工的分類方法、基于統(tǒng)計學的分類方法和機器學習的分類方法。對于艦船目標的分類識別，最初是水聲目標領域的專家通過自身經驗對艦船進行識別[55]。

基于統(tǒng)計分析的艦船目標識別方法主要有貝葉斯模式分類方法、聚類分析方法、支持向量機（Support Vector Machine，SVM）、決策樹、近鄰法、隱馬爾可夫模型[56]等。文獻[57]運用貝葉斯方法，對輻射噪聲作了最小均方誤差估計和最大后驗概率估計，為操作者的決策提供了一個參考。艦船槳葉產生的噪聲是艦船輻射噪聲的重要組成成分，文獻[58]提取了艦船輻射噪聲的DEMON 譜，使用鄰近樣本分布加權的方法改進了SVM，結果顯示該方法適合對艦船輻射噪聲DEMON 譜的識別分類。文獻[59]提取輻射噪聲的Gammatone 倒譜系數，使用多種機器學習的方法對目標進行分類識別，結果表明該特征提取方法適合于機器學習分類器。

文獻[60]和文獻[61]使用自適應子波神經網絡和自適應高斯神經網絡對艦船噪聲進行分類，是國內較早使用神經網絡對艦船輻射噪聲進行分類的研究。文獻[62]和文獻[63]研究了艦船輻射噪聲的分形特征和噪聲譜AR 模型特征，使用模糊神經網絡對數據進行訓練，分類效果明顯提升。文獻[64]以艦船輻射噪聲的非平穩(wěn)性為基礎，將其非線性混沌特征量和多尺度小波能量特征提取出來，同時將BP 神經網絡用作分類器，對這2 種參數展開分類，對文中不同的船型的正確識別率均超過了80%。文獻[65]將艦船輻射噪聲的自適應成分權重（Adaptive Components Weighting，ACW）倒譜作為訓練集，采用 BP 神經網絡和支持向量機的方法進行機器學習。文獻[66]建立了一種自適應小波網絡分類器，識別性能和學習收斂速率都優(yōu)于BP 神經網絡。

3.2 基于深度學習的艦船目標識別方法

深度學習的多層神經網絡結構使得算法可以模仿人腦中的神經元來進行學習與預測，從而更好地處理與分析復雜數據。利用深度學習技術對艦船輻射噪聲進行識別是近年來的一個熱點問題。

在水聲目標識別領域中，主要使用卷積神經網絡、深度置信網絡和長短時記憶網絡對目標進行識別。文獻[67]提取了艦船輻射噪聲的頻譜、梅爾倒譜系數，將提取的特征圖像作為訓練集，使用卷積神經網絡進行識別，有效地提高了識別的正確率。文獻[68]設計了一種根據信號時頻特征進行特征提取的深度卷積神經網絡，并利用深度卷積網絡對提取出的特征信息進行目標識別，識別正確率顯著提高。文獻[69]使用卷積神經網絡對信號進行特征識別，然后利用深度神經網絡（Deep Neural Networks，DNN）進行目標的識別，分類效果顯著提升。文獻[70]直接使用卷積神經網絡直接進行目標識別，使用信號提取的線譜和調制特征作為訓練集，利用卷積神經網絡對目標進行識別。文獻[71]-[75]使用卷積神經網絡，以DEMON 譜、LOFAR 頻譜圖、常數Q 變換技術提取的特征為訓練集，對艦船進行分類。頻譜圖相較于圖像來說更加復雜，如果單純將頻譜圖作為特征進行卷積神經網絡分類，會使分類出現問題。文獻[76]通過提取梅爾倒譜系數，利用長-短時記憶網絡，建立了一個基于長-短時記憶網絡的辨識與分類模型。

4 展望

4.1 研究問題

艦船的輻射噪聲在艦船目標識別中具有十分重要的作用，利用輻射噪聲來進行艦船目標的識別的特點是隱蔽程度高，對于軍事對抗來說具有重要意義。深度學習的應用使得艦船目標識別技術正逐步實現從人工到智能化的轉變。綜合分析文章內容，本節(jié)提出了幾個當前艦船識別技術尚待深入探討的問題。

1）輻射噪聲信號特征選擇。隨著現代信號處理技術的進步與發(fā)展，根據艦船輻射噪聲提取的特征信息越來越多，成熟的深度神經網絡同樣很多，通過不同特征提取方法提取的特征參數，往往適用于特定的神經網絡，因此，選取合適的特征提取方法并搭配合適的神經網絡進行目標識別是研究者重點研究的問題。

2）訓練數據較為缺乏。深度學習是實現艦船目標自動識別的關鍵技術。使用深度學習的重要條件就是需要大量的訓練數據作支撐，盡管目前有大量的數據庫可供使用，但這些數據庫內容不同，目標類型和數據量也不同，使得深度學習在艦船目標識別領域的應用有一定的限制。近些年發(fā)展起來的遷移學習技術能夠為相似目標的識別提供新的研究方向，而數據增廣技術則可以增加相似數據的質量[77]。

3）訓練模型適配問題。由于制造工藝、航行狀態(tài)等的影響，即使是同一類型的艦船，輻射噪聲也可能存在差異。為解決這一問題，可以通過遷移學習的方法解決數據不匹配情況下造成的識別錯誤。

4.2 發(fā)展方向

本文通過總結艦船輻射噪聲識別的研究，總結了該領域的3 個發(fā)展方向。

1）智能化和自動化。艦船的輻射噪聲數據采集相對比較容易，可以獲取大量實測數據，僅靠人工進行識別比較困難，隨著人工智能技術的飛速發(fā)展，其在艦船輻射噪聲識別領域中的應用將成為一個較為熱門的研究方向。

2）多目標檢測分類?，F實中往往會存在多個目標信號混合干擾的情況，因此，多目標混合信號檢測與識別是艦船輻射噪聲識別的重要發(fā)展方向。

3）微弱輻射噪聲信號檢測與識別。隨著減振降噪技術和消聲措施的技術進步，艦船的輻射噪聲強度有了顯著降低，輻射噪聲在水聲信道長距離傳播再被接收后信號強度也會明顯下降。因此，對于微弱艦船輻射噪聲信號的檢測與識別是遠程水聲目標探測的重要發(fā)展趨勢。

5 結束語

艦船輻射噪聲識別一直是水聲目標識別領域的研究熱點，該方向的研究還具有十分重要的國防意義。本文首先介紹了4 個關于水聲目標輻射噪聲的數據庫，以幫助讀者研究參考使用。然后介紹了艦船輻射噪聲的特征提取方法，總結了該領域常用的研究方法。最后，從傳統(tǒng)識別和深度學習2 個方面介紹了艦船目標識別的方法。綜合文章內容來看，艦船輻射噪聲的識別仍然是水聲領域的研究熱點和難點問題，希望本文能為廣大研究人員的研究提供參考。