一种基于线谱特征函数提取LOFAR图线谱的方法

2016-10-13李山王德俊王海斌

声学技术 2016年4期

李山，王德俊，王海斌

李山1,2，王德俊1，王海斌1

(1. 中国科学院声学研究所声场声信息国家重点实验室，北京 100190； 2. 中国科学院大学，北京 100190)

水声信号被动检测中广泛使用LOFAR图对接收信号进行处理和分析。针对LOFAR图中线谱信号检测问题，根据线谱信号特征设计特征函数，提出频域滑动窗线谱特征累积检测法。该方法在频率轴移动观察窗，用多步决策算法计算每个观察窗的最优解，得到最优路径，如果最优路径特征值大于阈值，则累积LOFAR图像素点被该最优路径经过的次数，次数越多对应点为线谱点的概率越大。仿真研究表明，该方法对频率时变、低信噪比的线谱信号具有良好的检测能力，可实现多根线谱的增强与检测。海试数据处理结果证明了该方法的可行性和稳健性。该算法对于辐射线谱信号的水下目标远距离探测识别有较高的参考价值。

LOFAR图，线谱特征；被动检测；线谱特征累积检测法

0 引言

水声被动探测和目标识别领域中，线谱信号由于具有相对较高的信噪比并携带声源特征信息，长期以来一直被广泛研究和应用于水声工程实践。如吴国清等利用谱峰形状特点，给出了一套线谱识别逻辑[1]；陈敬军等提出模仿声呐员识别线谱过程的基于人工智能的线谱检测技术[2]；陈阳等提出一种基于频率方差加权的线谱目标检测方法——常规波束形成(Conventional BeamForming，CBF)频率方差检测器[3]；丛超等对常规型间歇混沌振子列检测方法进行改进，提出了一种基于适应步长型间歇混沌振子的信号检测方法[4]。基于混沌振子的研究目前比较热，但是基于混沌振子的线谱检测有一定局限性，常规方法需要已知线谱频率信息，丛超改进方法也需要先知道线谱的范围，这使该方法检测低信噪比信号的能力较差。

近年来，随着减振降噪技术的不断进步，水中目标的辐射噪声大幅减弱，探测阵列的接收信号信噪比越来越低，线谱分量在背景噪声场中亦越来越弱，更加容易受到目标运动、信道效应、相干及非相干干扰和背景起伏等因素影响，出现线谱展宽、时强时弱甚至线谱轨迹中断破碎等问题，造成线谱的增强与提取困难。因此，提高低信噪比情况下的线谱信号增强与检测跟踪能力，成为当今水声信号处理技术中一个重要的热点和难点。

LOFAR图一直是水声被动探测和目标识别领域中一种重要的研究手段。LOFAR图是对信号做时频谱分析得到的功率谱时间历程图，它反映信号在时、频两个维度上的功率谱分布及变化情况。LOFAR图线谱处理技术研究主要采用图像处理、神经网络和统计模型三类方法，其中图像处理算法大多数基于人类视觉模型，模仿操作员进行检测和识别处理，在这个领域已经有了大量研究成果。

1992年Abel等提出基于统计似然比理论的线谱提取方法[5]，这种方法需要信号和噪声的先验概率分布信息，且该方法只适用于近似稳定线谱情况。1993年Di Martino等提出基于线谱特征的代价函数的最优路径搜索算法[6]，仿真结果表明该算法可以降低噪声并提高线谱检测概率，但是该算法只能检测单根线谱，在实际应用中有很大局限性。1997年，Claude等基于概率数据关联模型(Probability DataAssociation，PDA)和动态规划的原则提出了一种新的线谱提取算法[7]，该算法可处理最低谱级信噪比为4 dB的信号。2000年Chen等利用双通过分离窗(Two-Pass Split-Windows，TPSW)提取线谱图像[8]，该算法实质是一种图像滤波技术，可以检测高度不规则时变线谱信号，但是在处理低信噪比信号时性能较差。2004年Gillespie提出利用高斯滤波器平滑LOFAR图的边缘检测算法[9]，该算法对低信噪比线谱的检测概率比较低。总之，低信噪比条件下的多线谱检测始终是一个值得深入研究的课题。

本文在线谱特征函数[6]的理论基础上，提出一种新的线谱检测算法，开展仿真研究和海试数据验证研究，可以实现低信噪比条件下多根频率时变线谱的增强与检测。

1 频域滑动窗线谱特征累积检测法

LOFAR图中的线谱分量具有线谱强度局部极大、连续、缓慢变化等基本特征；而LOFAR图中的背景噪声强度具有随机性，其形成的亮点在时间和频率上都不具有连续性。本文基于线谱和噪声谱在LOFAR图中的不同特征，构建LOFAR图中积分路径的线谱特征函数，提出频域滑动窗线谱特征累积检测法。该方法在LOFAR图中设置一个移动窄带观察窗，在观察窗中根据线谱特征函数寻找最优路径。当特征函数积分路径经过噪声点时，特征函数值较小；当路径靠近线谱时，特征函数值增大；当路径经过线谱时，特征函数达到极大值。在窄带观察窗中，将特征函数取极大值的路径作为待检测线谱；移动窄带观察窗，得到每个位置观察窗的最优路径；最后累积LOFAR图像素点被最优路径经过次数得到线谱增强图。该方法实现了低信噪比多根线谱信号的增强和检测。

1.1 线谱特征函数

定义线谱特征函数如下：

(2)

(4)

(5)

当路径接近或者经过谱线时，路径上点的幅值之和增大，断点数减少，频率差减小，即增大，和减小，特征函数增大。在观察窗中，使为最大值时的路径为最优路径。

1.2 线谱检测过程

由上述分析可知，线谱检测过程中需要在LOFAR图观察窗中寻找一条路径，使上述特征函数值最大。寻找最优路径可采用多种搜索算法，以降低计算量。本文利用多步决策算法[10]，它是一种动态规划算法，主要思想是用局部最优解代替全局最优解。本文中由该算法先得到局部最优路径，通过比较局部最优路径得到全局最优路径。具体步骤为：

(a) 如图1所示，时间轴长度为，起点为，终点为，频率轴长度为，起点为，终点为。

通过上述多步决策算法计算，如果将观察窗设为LOFAR图，则只能得到一条最优路径，仅能检测单根谱线。本文提出的频域滑动窗线谱特征累积检测法，使用了移动窄带观察窗。水听器接收的线谱信号，其频率变化由目标辐射信号的频率变化和多普勒频移决定，一般在短时间内相对变化不大，即在LOFAR图中一根线谱可以用一个窄带窗覆盖。因此可以设置窄带移动观察窗(见图2)，在观察窗内寻找最优路径，每个观察窗可以得到一条最优路径；然后用累积的方法，对每个LOFAR图像素点被最优路径经过的次数进行计数，最后得到线谱增强图。频域滑动窗线谱特征累积检测法具体步骤如下：

(a) 如图2所示，为LOFAR图频率轴长度，设窄带移动观察窗频率轴长度为，观察窗起始位置左侧频率为，右侧频率为，移动步长为1；终止位置左侧频率为，右侧频率为；同时为LOFAR图中每个点设置一个计数器，计数器计数值初始化为0。

(b) 对每个位置的观察窗，用上述多步决策算法计算得到该观察窗内的最优路径。如观察窗处于起始频率为，终止频率为位置，在观察窗内计算得到最优路径，表示此时观察窗内最优路径的终止点，为该最优路径上的个点，该路径特征值为，与观察窗此时位置对应，用表示；如大于由环境噪声LOFAR图计算得到的门限值，则最优路径上个点对应的计数器计数值分别加1。

(d) 输出计数值图，该图为线谱增强图；输出观察窗的最优路径特征值，如，则判定在频率附近存在线谱，该方法可实现线谱检测。为表示方便，用变量表示观察窗起始频率位置，则输出观察窗的最优路径特征值用表示。

2 仿真研究

由于实际应用中接收到的大部分水下目标辐射信号频率是时变的，为了模拟接收信号频率时变特性，仿真使用LFM信号。

设输入信号为1=100~105 Hz和2=120~125 Hz的LFM脉冲，脉冲宽度=100 s，采样率s=4 kHz，干扰输入为全带宽高斯白噪声，谱级信噪比SNR=-1 dB(全带宽信噪比-34 dB)，通过短时傅里叶变换计算得到LOFAR图，傅里叶变换窗长度为1 s，数据重叠率为40%。最优路径算法观察窗长度=5，即观察窗频率长度为5 Hz。图3为LOFAR图，图4为频域滑动窗线谱特征累积检测法输出线谱增强图，图5为噪声归一化处理后的等效输出“频谱”图，其值用表示为

图3 LFM脉冲信号LOFAR图(SNR=1 dB)

Fig.3 Lofargram of LFM signal

从仿真实验结果可知，上述算法可抑制噪声，增强线谱，检测出多根谱级信噪比为-1 dB的LFM 线谱。同时通过该算法能得到图，从该图可知该线谱检测算法有较大处理增益。

3 海试数据处理

2012年5月中国科学院声学研究所在某海域进行了一次海上试验，试验采用水平阵接收信号，被测目标在多种距离和方位上运动。图6为海上试验过程中接收的目标辐射噪声信号的LOFAR图。采用本文频域滑动窗线谱特征累积检测法对该数据进行处理，得到线谱增强图(见图7)和等效输出“频谱”图(见图8)。

在LOFAR图(图6)中，由于信噪比低，人为直观识别仅发现图中左侧的一根线谱较为明显。使用频域滑动窗线谱特征累积检测法对LOFAR图处理之后(见图7)，大部分噪声被抑制，多根频率时变的线谱分量被增强；且在信噪比较低时效果仍然较好(见图7左侧第一根谱线和右侧第一根谱线)；经与目标线谱的实际情况比对，被增强提取的线谱与实际线谱一致。从图8可见，各线谱都有一个谱峰，通过曲线可实现线谱信号的自动检测。以上海试数据计算结果表明，本文线谱检测算法效果良好，具有一定的实用性。

4 结论

针对LOFAR图中线谱信号的检测问题，本文基于线谱信号的特征，设定线谱信号特征函数，提出频域滑动窗线谱特征累积检测法。该算法检测低信噪比窄带噪声信号能力良好，可检测LOFAR图中谱级信噪比-1 dB以上的线谱信号。

本文算法可实现多根线谱的增强与检测。仿真研究表明，该算法对低信噪比的多根线谱信号具有较好的线谱增强效果，可明显提高对线谱的检测能力，并且计算量较小。海试数据分析处理结果证明了该算法的可行性。该算法对于水下辐射线谱目标的远距离探测识别具有较好的应用参考价值。

[1] 吴国清, 李靖. 舰船噪声识别(I): 总体框架, 线谱分析和提取[J]. 声学学报, 1998, 23(5): 394-400.

WU Guoqing, LI Jing. Ship radiated-noise recognation(I): the overall framework, analysis and extraction of line-spectrum[J]. Acta Acustica, 1998, 23(5): 394-400.

[2] 陈敬军, 陆佶人, 刘淼. 基于人工智能的线谱检测技术[J]. 船舶工程, 2004, 26(3): 68-71.

CHEN Jingjun, LU Jiren, LIU Miao. A technique of line-spectrum detection based on arificial intelligence[J]. Ship Engineering, 2004, 26(3): 68-71.

[3] 陈阳, 王自娟, 朱代柱, 等. 一种基于频率方差加权的线谱目标检测方法[J]. 声学学报, 2010, 35(1): 76-80.

CHEN Yang, WANG Zijuan, ZHU Daizhu, et al. A detecting method for line-spectrum target based on variance-of-frequency weight[J]. Acta Acustica, 2010, 35(1): 76-80.

[4] 丛超, 李秀坤, 宋扬. 一种基于新型间歇混沌振子的舰船线谱检测方法[J]. 物理学报, 2014, 63(6): 168-179.

CONG Chao, LI Xiu-Kun, SONG Yang. A method of detecting line spectrum of ship-radiated noise using a new intermittent chaotic oscillator[J]. 2014, 63(6): 168-179.

[5] Abel J S, Lee H J, Lowell A P. An image processing approach to frequency tracking[C]∥Proceedings of the IEEE international Conference on Acoustics, Speech and Signal Processing, 1992(2): 561-564.

[6] Di Martino J C, Haton J P Laporte A. Lofargram line tracking by multistage decision process[J]. IEEE, 1993(1): 317-320.

[7] Claude Jaufferet, Damien Bouchet. Frequency line tracking on a lofargram: an efficient wedding between probabilistic data association modelling and dynamic programming technique[J]. 1058-6393/97 IEEE, 1997(1): 486-490.

[8] Chen C H, Lee J D, Lin M C. Classification of underwater signals using neural networks[J]. Tamkang J Sci Eng, 2000, 3(1): 31-48.

[9] Gillespie D. Detection and classification of right whale calls using an 'edge' detector operating on a smoothed spectrogram[J]. Can Acoust, 2004, 32(2): 39-47.

[10] Bellman R, Dreyfus S. Applied dynamic programming[M]. Princeton U. Press, Princeton, N.J.,1.

An approach to lofargram spectrum line detection based on the spectrum line feature function

LI Shan1,2, WANG De-jun1, WANG Hai-bin1

(1. State Key Laboratory of Acoustics, Institute of Acoustics, Chinese Academy of Sciences, Beijing 100190, China;2. University of Chinese Academy of Sciences, Beijing 100190, China)

In field of passive signal detection, lofargram is widely used to process and analyze the received noise signal. Aiming at the problem of lofargram spectrum line detection, a new method named frequency domain accumulate detection algorithm based on spectrum line feature is designed. The key point of the method is moving observation window in the frequency axis; using the multistage decision algorithm to calculate the optimal solution of every window; and accumulating the counter of every image point. That is, if the function value of the optimal path is greater than threshold, then the counter of every image point on the optimal path increases one. The image point has higher probability to be a spectrum line point if the number of the point’s counter is larger. Simulation research indicates that this method can detect several spectrum lines correctly when the SNR is low on the lofargram. The method is verified with sea trial data. So it is valuable in the field of remote detection of underwater radiant target.

lofargram, spectrum line feature, passive detection, frequency domain accumulate detection algorithm

1000-3630(2016)-04-0373-05

10.16300/j.cnki.1000-3630.2016.04.017

2015-10-20;

2016-01-10

国家自然科学基金资助项目(11434012,41561144006)

李山(1990－), 男, 江西赣州人, 硕士研究生, 研究方向为线谱信号检测技术。

王海斌, E-mail: whb@mail.ioa.ac.cn