国外水中目标识别技术发展趋势

闫 祎

(中国船舶重工集团公司第七六〇研究所，辽宁大连116013)

0 引言

水中目标特性研究是目标识别关键技术，也是声呐领域中的研究难题。国外对水中目标识别技术十分重视，在理论和实验方面均进行了长期不懈的研究。

从总体发展水平讲，通过与国外海军科研机构的有关专家交流了解到，美国的声呐目标识别采用专家系统和模版匹配的方式进行水中目标识别，且特征库已建到个体，可以识别到具体的舷号。其识别技术已装备于现役声呐，如美国“海狼”级攻击型核潜艇，“拉菲特”级、“俄亥俄”级弹道导弹核潜艇等分别装备BQQ-SD综合声呐系统、BQQ-3目标性质识别声呐和AN/BQQ-6综合声呐系统，均具有目标识别能力。

从所采用技术手段分析，国外的研究可以归纳为以下几点:

1)注重从物理机理的研究角度出发，研究目标特征，从而进行识别;

2)对传感器端接收的信号进行分析，应用信号处理手段获取目标特征，对目标识别;

3)加强水中目标精细特征提取技术的研究;

4)注重多传感器、多特征信息的融合应用。

1 基于物理模型的特征提取方法

国外在分析目标特征形成机理的基础上，以模型为基础发展基于模型的特征提取研究，形成物理意义明确的特征提取方法。

为满足时间敏感目标打击作战任务对目标自动识别的要求，美国防先进研究计划署 (DARPA)制定运动与静止目标获取与识别研究 (Moving and Stationary Target Acquisition and Recognition，MSTAR)计划。该计划应用模型基的技术，克服海量目标特征获取的困难，以提高目标识别的鲁棒性。俄罗斯也注重研究物理意义更为明确的特征提取技术。其把目标特征分成几种主要类型，分别为:噪声辐射频谱特征、目标声呐参数、目标噪声辐射强度、接收信号的线谱结构以及各类目标的机动特点。噪声辐射频谱特征主要包括LOFAR特征和DEMON特征，在这2种特征提取中主要考虑频谱结构的形状和离散的线谱分量。目标噪声的辐射程度主要针对潜艇和水面舰船的分类;水面舰船重点考虑推进效率和机动性，螺旋桨工作在空化状态，其噪声级要比安静型潜艇辐射噪声级高很多。各类目标的机动特点主要描述目标的运动特点，如鱼雷目标的高速度以及位置变化率或方位变化率等。

美国通过利用入射信号和目标散射声场的相位一幅度信息，建立了未知目标一阶本征函数的方法提取声软目标的平面外形参量。仿真结果证明:可以通过测量水中目标的全孔径散射场提取目标的三维几何形状。意大利通过目标散射场的表征实现了目标三维形状重构。北约SACLANT水下研究中心应用共振散射理论对充气圆柱壳体的外壳半径、壳体厚度和壳体材料参数进行提取。国外总的发展趋势是利用声信号信息表征的目标属性越来越丰富，提取的目标属性参数准确度越来越高。

2 基于信号分析的特征提取方法

应用信号分析方法从时、空、频域以及各种变换域中进一步挖掘水中目标声信号精细特征，为目标识别提供全面的特征提取方法。

在舰船辐射噪声特征提取方面，20世纪90年代，美国有关研究人员基于小波时频分析研究了水下哺乳动物的声学分类问题。英国开发了一个被动声呐分类系统，用来将2种比较感兴趣的目标与其他类型的目标区分开来，且具有较低的虚警概率。特征提取采用了窄带分析、宽带分析、DEMON分析和瞬态分析方法。美国“水下作战应用研究” (Undersea Warfare Applied Research，UWAR)2001和2002年中，研究了使用“全谱”(Full Spectrum)处理方法进行柴油机潜艇和核潜艇的检测与识别;2003年Paul Seekings等应用小波多分辨率分析技术获取目标噪声的瞬态特征和平滑的包迹谱信息;Lakshm.A等人提取了不同类型船的双谱特征。

在回波特征提取方面，1991年美国海军研究机构的有关研究人员应用Wigner-Ville分布变换方法获取提取目标类别的Wigner分布特征，对随机水下目标回声信号分类。1995年，美国学者应用双谱非高斯处理方法分析了埋藏于地下的地雷回波信号，并用双谱的不同切片抽取各类地雷和背景回波信号的特征，应用神经网络进行测试，识别率平均在93%。1996年，美国海军水下作战中心有关人员应用混沌动力系统的非线性方法研究了连续声波信号经过海洋信道后的时间序列，分析了该事件序列的嵌入特征。2002年得克萨斯州立大学有关学者提出用规范化相关分析法区分似水雷物体和非似水雷物体。近年来有信息披露，国外采用 FOBW(Frequency Occour Binary Words)方法、梅林变换方法和Walsh变换等方法提取回声信息。

采用高分辨波束域波束形成算法，提高对水中目标回波和噪声信号的空间分辨精度的思想早在1984年就被提出。其主要优点是在应用高分辨技术之前，先用波束形成器对阵元域数据进行预处理，以减少高分辨方法对阵元误差的敏感性，同时它有助于降低有色噪声对信号的影响，使得算法的稳健性提高，从而在波束域能够获得更可靠、更精确的表征目标尺度等相关特征信息。

目前，波导不变量的应用主要集中在被动声呐处理中。华盛顿大学的有关学者研究了声源与海水跃变层相对位置不同时，波导不变量的差别问题，用以区分水面、水下目标。美国海军实验室的有关研究人员从波导不变量中提取了发现快速移动目标的特征信息，海洋物理实验室的有关研究人员从波导不变量中获取了目标位置信息。

3 基于精细特征的识别能力

国外注重各种精细特征的提取技术研究，从而已具备了识别舰艇要害部位的能力。

印度研制了水下目标被动识别专家系统(RECTSENSOR)。该系统把目标舰船分为4类，从接收到的噪声信号中提取9个特征:螺旋桨叶片数、螺旋桨转数、动力装置类型、目标壳体辐射低频噪声、活塞松动产生的频音基频、喷嘴噪声、最大速度、槽板噪声和传动装置类型，并对这些特征各赋1个精度因子，然后利用简化的Dempster-Shafer理论组合不同证据，得到不同目标类型的置信度。后期，又把专家系统和统计模式识别、神经网络结合起来，进一步提高了RECTSENSOR系统的目标识别率。

澳大利亚研制了SONEX被动识别专家系统。该系统将目标分为水面航行的动力装置类型为柴油机和电池的潜艇、潜望镜深度的动力装置类型为柴油机和电池的潜艇、水面航行的核潜艇，潜望镜深度的核潜艇、潜艇镜深度以下的核潜艇、反潜战中反潜用的水面船、反潜战中非反潜用的水面船、民用船、鱼类、固定翼飞机、直升机、生物噪声、其他不明目标等16类。主要提取了目标的空化、深水压力空化、螺旋桨拍水声、螺旋桨共振声、机械摩擦声、齿轮声、单桨、多桨、柴油机增压声等精细特征。

4 多传感器、多特征信息的融合应用

国外注重多传感器、多特征信息的融合应用。美国的林肯试验室是从事军事武器装备预先研究的重要机构，在2001-2007年的研究计划中，把多声呐综合信息系统、波束形成对信号特征的影响作为研究的重点。这表明美国也把获取更丰富的目标特征信息，并对信息进行融合作为水中目标识别研究的一个重要发展方向。

俄罗斯的GMG516水下分类系统，也是利用综合声呐系统上的多信息综合处理提取分类特征，其提取特征包括声频、声源级和声场分布特征等，其中声场分布特征主要提取不同跃变层的声特征，如果有潜艇存在，则不同跃变层的声信号特征有变化，如果无潜艇存在，则跃变层特征无变化。由此可看出，俄罗斯在水中目标研究过程中也是利用多种丰富特征进行综合判别，且其对特征的研究较为精细，找出了声信号特征随跃变层不同的变化规律。同时俄罗斯水下警戒系统中还利用矢量波导特征识别出水上、水下目标。

5 声信号净化、特征增强与恢复技术

在水中目标声信号净化、特征增强与恢复方面，国外也进行了大力研究。

该问题作为水声信号处理领域内尚未攻克的难题，国外已有很多人在进行研究。主要的研究技术途径有:匹配场信号处理、自适应噪声抵消、超低旁瓣波束形成和各种现代信号处理的手段，如小波分析、时频分析、盲信号处理和各种非线性处理技术等，使检测性能有了一定的提高。匹配场处理器作为广义波束形成，在阵元数较多时具有很大的潜力。自适应噪声抵消和超低旁瓣波束形成对噪声和干扰的拟制也有很大潜力。20世纪90年代倍受关注的盲信号处理技术，在水声基阵的阵形和阵源信号先验信息缺乏的条件下，对信号检测与信号波形的辨识有着巨大的开发潜力。

近年来洛克希德·马丁公司有关人员提出了“全谱信号处理”的概念，检测被动宽带微弱水声信号，为微弱信号的检测提供了新的思路。2004年，UWAR研究了自适应处理技术，以对抗非高斯的背景噪声;在掌握了海底地质结构和声反射特性的基础上，研究将潜艇回波与海底回波相区别的技术。2005-2008年，完成了威胁目标散射特征数据库的建设，评估了散射特征对环境畸变的宽容性，研究了使用隐Markov模型在主动声呐系统中去环境干扰的方法。还有一些学者提出应用主元逆和图像处理等方法。主元逆的思路是要从一段主动声呐数据中，分解出混响和目标回波，从而消除混响，突出目标回波。图像处理的思想是将一维时间序列检测问题转化为二维图像的识别分类问题，其关键技术是时频变换和特征增强，使信号的微结构特征得以凸现，为微弱信号检测和特征提取提供了新的思路。

其他一些国家，如韩国、澳大利亚、荷兰、波兰等都在舰艇辐射噪声预报、潜艇低频声学特征分析与控制以及目标特性等领域开展了研究工作。

总之，目前国外目标识别技术方面的发展趋势是通过各种信号处理手段的研究，获取更加精细、丰富、可靠的用于表征目标属性的特征，并通过对多种特征的综合应用，甚至可以做到对目标个体进行识别。

［1］NIII H P，FEIGENBAUM E A，ANTON J J，et al.Signal-tosymbol transformation:the HASP/SIAP case study［J］.Artificial Intelligence Magazine，1982，3(2):23-35.

［2］MASKSYM J N，BONNER A J，DENT C A，et al.Machine analysis of acoustical signals［J］.Pattern Recognition，1985，16(7):475-483.

［3］HUGHES R C，MAKSYM J N.Acoustic signal interpretation，reasoning with nonspecific and uncertian information［J］.Pattern Recognition，1985，18(6):475-483.

［4］HASSAB J C，CHEN C H.On construction an expert system for contact localization and tracking［J］.Pattern Recogniton，1985，18(6):465-474.

［5］RAJAGOPAL R，SANKARANARAYANAN B.Target classification in a passive sonar-an expert system approach［A］.Proc.IEEE International Conference on Acounstics，Speech，and Siganal Processing，1990:2911-2914.

［6］BARAN R H，COUGHLIN J J.A neural network for passive acoustic discrimination between surface and submarine targets［A］.Proc.WNN-AIND，1991:323-332.

［7］SHEPPARD C P，GENT C R.A nerual network based sonar classification system［A］.Undersea Defence Technology:Conference and Exhibition，1992:628-633.

［8］MEISTER J.A neural network harmonic family classifier［J］.J.Acoustical Society of America，1993，93(3):1485-1495.

［9］MULIER F.Vapnik-chervonenkis(VC)learning theory and its applications［J］.IEEE Trans.on Neural Networks.1999，10(5):340-356.

［10］VAPNIK V.Nature of statistical learning theory［J］.John Wiley and Sons，Inc.，New York，in preparation.IEEE Trans.on Neural Networks.2001，12(8):210-258.