湖泊环境下的水声目标检测的标志性特征

发布时间：2021-08-26 06:25

　　以某研究所采集的湖泊环境下的水声目标信号的实测数据为实验样本,在对其进行预处理的基础上,提取了能够表征水声目标特性的15个标志性特征,并通过机器学习算法对水声目标进行自动识别,以验证这些标志性特征的性能.这组标志性特征对静止目标的识别率高于98%,对移动目标的识别率约90%,且AUC面积均保持在0.95以上的水平.实验结果表明:本文所提取的标志性特征能够在特征数量少,不依赖于深度学习方法的条件下,以极低的计算复杂度实现对水声目标的准确检测. 

【文章来源】：复旦学报(自然科学版). 2020,59(03)北大核心CSCD

【文章页数】：8 页

【部分图文】：

接收信号的样本

图2(a）为原始信号的时域波形，可见由于强干扰信号的存在，时域波形表现为类似于噪声的特性，没有明显规律．图2(b）为原始信号的短时频谱，其中：灰色虚线为线谱发射间隙的信号情况（标注为无信号），黑色实线为线谱发射期间的信号情况（标注为有信号）．尽管在这一频谱对比图中，能够发现线谱发射时的若干个线谱谱峰，但数据中明显存在低频（低于100Hz）的噪声，且幅度显著高于各线谱．为了去除这一背景噪声，我们采用高通滤波信号预处理以减少低频噪声的干扰，具体滤波过程选用3阶椭圆滤波器，高通截止频率设为100Hz．滤波后的时域波形如图2(c）所示，可见滤波后的幅度在线谱发射时和发射间隙之间出现了明显的幅度对比．滤波后的信号短时频谱如图2(d）所示，标注同图2(b），可见无论有无线谱发射，信号频谱都具有类似的背景走向，而当有线谱发射时，频谱中会根据所在时刻发射的线谱模式出现明显的谱峰．然而，由于干扰会随着时间推移发生显著变化，利用图2所示的时域信号幅度差异或者时域幅度突变信息并不足以作为自动判断是否处于线谱发射期间的依据．图3所示为从1段连续信号中截取的自2 300s至3 000s的持续时长为700s的长片段．由图示信号可见，2 300s至2 400s之间信号整体具有较低幅度，而后信号幅度明显增强，2 800s之后的线谱间隙幅度甚至高于2 300s时有线谱发射的幅度，而有/无线谱发射时幅度差异也随着时间呈现显著变化，没有表现出明确规律．

为更清晰地显示线谱模式，图4(a）中显示了图2(a）的20s数据的声谱图，这段数据所受的干扰较小，由图中可见，在线谱发射期间能看到5条水平条纹，在线谱发射间隙则不存在对应的线谱条纹，而条纹位置与所发射的线谱模式对应．图4(b）为滤波后的信号的声谱图，线谱条纹比滤波前的原始信号更加清晰．当环境发生变化时，较强的干扰会使线谱条纹的清晰程度严重下降，如图4(c）所示，线谱发射期间的条纹与背景间的对比很弱，且在某些频率位置出现了较持续的干扰条纹（例如图中110Hz附近、210Hz附近），而干扰条纹是否存在，干扰条纹数量、频率、持续时间等均随机．在这种情况下，提取能够有效地表征线谱是否存在的水声目标信号的特征则成为了能够以较小的计算复杂度实现对水声目标信号检测的关键问题之一．

【参考文献】：
期刊论文
[1]水声目标特征分析与识别技术[J]. 方世良,杜栓平,罗昕炜,韩宁,徐晓男.  中国科学院院刊. 2019(03)
[2]基于目标MFCC特征的监督学习方法在被动声呐目标识别中的应用研究[J]. 程锦盛,杜选民,周胜增,曾赛.  舰船科学技术. 2018(17)
[3]水声信号熵特征提取与分类研究[J]. 付君宇,陈越超,权恒恒.  声学与电子工程. 2018(01)
[4]水声目标辐射噪声谐波特征提取算法[J]. 梁巍,刘福晓,杨日杰.  舰船科学技术. 2017(17)



本文编号：3363725