一种基于样本熵与EEMD的舰船辐射噪声特征提取方法

2018-05-11李余兴李亚安

水下无人系统学报 2018年1期

李余兴, 李亚安, 陈晓, 蔚婧

李余兴, 李亚安, 陈晓, 蔚婧

(西北工业大学航海学院, 陕西西安, 710072)

为了实现舰船辐射噪声在复杂海洋环境中的特征提取, 采用样本熵对3类舰船辐射噪声(SRN)进行特征提取。针对样本熵只能在单尺度下对原信号进行分析, 无法有效区分不同类别舰船, 提出了一种将样本熵与集合经验模态分解(EEMD)相结合的舰船辐射噪声特征提取方法。首先对3类不同种SRN信号进行EEMD, 对分解后得到的各阶固有模态函数(IMF)的样本熵进行分析, 选取更具有区分度的最强IMF样本熵作为特征参数。通过比较一定数量3类SRN的最强IMF样本熵及原SRN样本熵特征参数发现, 同类舰船的特征参数基本处于同一水平, 不同类型的舰船存在一定差异。试验结果表明, 以SRN的最强IMF样本熵作为特征参数相比原SRN样本熵对舰船具有更好的可分性。

舰船辐射噪声; 样本熵; 集合经验模态分解; 固有模态函数; 特征提取

0 引言

舰船辐射噪声(ship-radiated noise, SRN)是衡量舰船性能的重要指标, 通常认为舰船辐射噪声是由机械噪声、螺旋桨噪声和水动力噪声三部分叠加而成。舰船辐射噪声特征提取研究在水下被动目标的识别和分类中具有重要意义, 因此提取有效且可靠的舰船辐射噪声特征参数是水声领域研究的重点。水声信号的处理属于典型的非线性、非高斯和非平稳信号处理问题。传统的信号处理方法具有一定的局限性, 短时傅里叶变换、Wig- ner-Ville分布均无法反映信号频率随时间的变化规律, 小波变换虽能同时提供时-频信息, 但受到小波基函数选择的限制[1]。因此, 传统的信号处理方法在水声信号处理中存在诸多限制。

Huang等[2-3]的经验模态分解(empirical mode decomposition, EMD)方法是从信号本身的尺度特征出发对信号进行分解, 无需固定的先验基底, 是自适应的, 得到的固有模态函数(intrinsic mode function, IMF)通常可表现信号内含有的真实物理意义, 因此能够较好地反映出系统的物理特性。EEMD(ensemble EMD)方法是针对EMD方法的改进, 它利用白噪声均匀分布的统计特性, 通过对目标信号多次添加一定幅值的白噪声来克服模态混叠的影响。随着该方法理论和实践的不断发展, 其在故障诊断领域[4]、生物医疗领域[5]、地球物理领域[6]、水声信号处理领域[7-9]得到了广泛应用。Pincus[10]提出的样本熵是度量信号复杂性的方法, 是近似熵的改进算法, 其优势在于可较少的依赖时间序列长度, 样本熵广泛用于故障诊断及生物医疗领域[11]。

近年来, 杨宏等[12]采用EEMD方法对舰船辐射噪声进行能量分析, 结果表明, 以高低频能量差作为舰船辐射噪声的特征参数对舰船类别具有较好的可分性。秦娜等[13]将EEMD分解应用于高速列车转向架故障特征提取, 以分解后的4个IMF样本熵作为特征向量, 达到了较高的故障识别率。赵志宏等[14]利用EEMD方法将原始振动信号分解, 从中选取包含故障主要信息的前几个IMF样本熵作为特征, 通过轴承故障实测信号的诊断试验, 证明了该方法的可行性和有效性。以上方法的提出证明了EEMD及IMF样本熵用于水声信号特征提取的可行性。

基于此, 文中在EEMD及样本熵理论基础上, 首先利用EEMD方法针对实测的不同类别的舰船辐射噪声进行EEMD分解, 然后计算各阶IMF样本熵值, 通过分析确定最强IMF样本熵作为SRN的特征参数, 最后将该方法与未进行EEMD分解的原SRN信号样本熵比较, 进一步证明了基于EEMD的最强IMF样本熵特征参数可较好地区分不同舰船类别。

1 EEMD及样本熵

1.1 EMD算法

判断是否为IMF时通常需要进行多次迭代运算, 而终止条件可由

1.2 EEMD算法

为了解决模态混叠问题, Huang 提出了EEMD, 它是一种噪声辅助信号处理方法。具体步骤如下[15]:

3) 将同阶的个IMF分别取平均得到一组新的IMF分量;

依据参考文献[12]中的参数设定, 文中对3类舰船辐射噪声进行EEMD时, 选取白噪声标准差为0.3, 集合样本数取100。

1.3 样本熵

2 舰船辐射噪声信号IMF样本熵分析

2.1 样本熵参数选取

图2为取不同采样点时对样本熵的影响。从图中可以看出, 当采样点数小于2000时, 不同采样点的同类舰船信号样本熵有较大变化; 当采样点数在2 000~4 000之间时, 同类舰船信号样本熵波动较小; 当采样点数大于4 000时, 3类舰船样本熵较稳定。考虑到运算时间及样本熵的稳定性, 文中取4 000个采样点作为样本进行研究。

表1 不同容限下样本熵的均值及标准差(每类舰船50个样本)

2.2 舰船辐射噪声EEMD分解

对3类实测舰船辐射噪声信号EEMD试验, 采样频率44.1 kHz, 单个样本数据长4 000点, 对每一类舰船噪声信号分别取100个样本, 并对样本作归一化处理。从3类舰船样本中分别选择1个样本进行EEMD, 分解结果如图3所示。

由图中可以看出, 经过EEMD的舰船辐射噪声信号按从高频至低频次序依次分解为1组IMF分量, 其中3类信号的第1阶模态IMF1表示信号的最短振荡周期, 通常为噪声分量或信号的高频分量。3类舰船噪声辐射信号的IMF阶数也不相同, IMF 阶数取决于信号的复杂程度, 即信号越复杂, 分解得到的IMF阶数越多。每类舰船辐射噪声信号的IMF中往往存在1个或2个IMF的幅值高于其他IMF, 且这些IMF构成信号的主要能量成分, 进而反映出信号的最显著特征。

2.3 IMF样本熵

3类舰船辐射噪声信号经过EEMD后得到各阶IMF。分别计算3类舰船的各阶IMF样本熵, 图4为3类舰船辐射噪声各阶IMF样本熵, 横坐标为3类舰船辐射噪声信号1~8阶IMF, 纵坐标表示各阶IMF对应的样本熵。由图中可以看出, 3类信号的IMF样本熵随着IMF的增大而减小, 说明IMF阶数越高复杂度越低; 经过傅里叶变换发现IMF1与IMF2主要频率成分高于5 000 Hz, 视为噪声模态; 在3~8阶IMF中3类信号的同阶样本熵差异不明显, 尤其是第1、2类舰船, 高阶IMF样本熵差异更小。以上分析表明, 按EEMD分解顺序排列的3类舰船辐射噪声信号的同阶IMF样本熵没有明显的可分性。

第阶IMF平均强度

根据式(9)~(10)确定3类舰船辐射噪声信号的各阶IMF平均强度。图5为以能量从高到低排序的3类舰船辐射噪声各阶IMF样本熵, 横坐标为去除噪声模态且按能量降序排序的3类舰船辐射噪声信号的6个IMF, 纵坐标表示各阶IMF对应的样本熵。

由图5可以看出, 以能量降序排列的3类信号的IMF与其样本熵无明显规律; 3类信号中能量最大的IMF1样本熵差异最明显, 其他同阶IMF样本熵中至少存在2类信号的IMF样本熵相近的情况; 以上分析表明按IMF能量降序排序的3类舰船辐射噪声信号的IMF1较其他IMF更具可分性, 可作为特征参数进一步讨论。

3 舰船辐射噪声特征提取方法

3.1 最强IMF样本熵

通过分析3类舰船辐射噪声信号各阶IMF样本熵, 发现3类信号按IMF能量排序中的能量最大的IMF1样本熵值差异较大, 因此文中选取能表征信号主要特征的能量最大的IMF进行研究, 计算其样本熵值的差异, 从而判断其可分性。

若原观测数据共分解为阶模态, 则定义平均强度最大的那一阶IMF为最强IMF, 即

根据式(9)~(11)确定每一类舰船辐射噪声信号的最强IMF。表2列出了3类舰船去掉噪声模态后各阶IMF的平均强度。

表2 3类舰船辐射噪声信号的各阶IMF平均强度

最强IMF样本熵可以定义为最强IMF的样本熵, 可通过对最强IMF计算样本熵得到。3类舰船辐射噪声信号的最强IMF样本熵及分布见表3。由表3可以看出, 不同的舰船辐射噪声信号的最强模态分布在于不同的模态, 且最强IMF样本熵值有一定差异。

表3 3类舰船辐射噪声信号的最强IMF样本熵及分布 (每类1个样本)

3.2 舰船辐射噪声特征提取方法比较

为验证最强IMF样本熵作为特征参数对于3类舰船辐射噪声差异是否具有普遍性, 在每一类信号的100个样本中随机抽取50个样本分别计算最强IMF样本熵, 并与原信号样本熵方法对比。图6中横坐标为样本数, 纵坐标代表最强IMF样本熵。图6反映了信号优势IMF的复杂程度, 同类舰船辐射噪声的最强IMF样本熵在一定范围内波动, 其数值基本处于同一水平, 而不同类的舰船辐射噪声数值差异较大。

图7为3类舰船辐射噪声样本熵分布图, 其中第3类舰船样本熵值最小, 即复杂度小于其他2类信号, 第2类舰船整体样本熵值略高于第1类, 但存在部分样本的样本熵值低于第1类信号。表4进一步给出了每类50个样本的3类舰船辐射噪声特征参数的波动范围及均值。由表3可以得出, 3类舰船信号最强IMF样本熵特征参数的均值有一定差异且波动范围无重叠, 而舰船辐射噪声样本熵直接作为特征参数仅能区分第3类舰船, 其他2类舰船样本熵均值非常接近且波动范围严重重叠, 不具有可分性。当样本数量增加至100时, 最强IMF样本熵特征参数无明显差异, 说明了文中方法的普适性。以上结果表明, 最强IMF样本熵可较好的区分不同舰船类别。

表4 3类舰船辐射噪声信号的特征参数(每类50个样本)

4 结束语

文中以EEMD为理论基础, 结合样本熵测度, 研究了舰船辐射噪声的特征提取方法。针对不同种类、一定数量的舰船辐射噪声样本进行EEMD, 分析了样本各阶IMF样本熵的可分性, 从而确定以最强IMF样本熵作为特征参数进行了仿真试验, 并与未进行EEMD的原舰船辐射噪声样本熵方法对比。结果表明, 同类别的舰船辐射噪声具有相近的最强IMF样本熵, 不同类别的舰船辐射噪声的最强IMF样本熵存在明显差异, 选取最强IMF样本熵作为特征参数, 能充分体现目标复杂度特征, 且具有很好的可分性。文中研究可为后续实现水下目标的检测及识别提供依据。

[1] 李新欣. 船舶及鲸类声信号特征提取和分类识别研究[D]. 哈尔滨: 哈尔滨工程大学, 2012.

[2] Huang N E, Shen Z, Long S R, et al. The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-stationary Time Series Analysis[J]. Proceedings of the Royal Society of London. Series A: Mathematical, Physical and Engineering Sciences, 1998, 454(1971): 903-995.

[3] Wu Z H, Huang N E. A Study of the Characteristics of White Noise Using the Empirical Mode Decomposition Method[J]. Proceedings of the Royal Society of London A, 2004, 460(2046): 1597-1611.

[4] 张志刚, 石晓辉, 陈哲明, 等. 基于改进EMD和滑动峰态算法的滚动轴承故障特征提取[J]. 振动与冲击, 2012, 31(22): 80-83.

Zhang Zhi-gang, Shi Xiao-hui, Chen Zhe-ming, et al. Fau- lt Feature Extraction of Rolling Element Bearing Based on Improved EMD and Sliding Kurtosis Algorithm[J]. Journ- al of Vibration and Shock, 2012, 31(22): 80-83.

[5] 李小俚, 崔素媛, Sleigh J W. 基于希尔伯特黄熵的麻醉深度估计[J]. 中国生物医学工程学报, 2008, 27(5): 689- 694.

Li Xiao-Li, Cui Su-Yuan, Sleigh J W. Estimation of Anesthetic Depth with Hilbert-Huang Entropy[J]. Chinese Journal of Biomedical Engineering, 2008, 27(5): 689-694.

[6] 薛春芳, 侯威, 赵俊虎, 等. 集合经验模态分解在区域降水变化多尺度分析及气候变化响应研究中的应用[J]. 物理学报, 2013, 62(10): 496-503.

Xue Chun-Fang, Hou Wei, Zhao Jun-Hu, et al. The App- lication of Ensemble Empirical Mode Decomposition Method in Multiscale Analysis of Region Precipitation and Its Response to the Climate Change[J]. Acta Physica Sinica, 2013, 62(10): 496-503.

[7] 高云超. 希尔伯特-黄变换在水声信号处理中的应用研究[D]. 哈尔滨: 哈尔滨工程大学, 2009.

[8] 李秀坤, 谢磊, 秦宇. 应用希尔伯特黄变换的水下目标特征提取[J]. 哈尔滨工程大学学报, 2009, 30(5): 542- 546.

Li Xiu-kun, Xie Lei, Qin Yu. Underwater Target Feature Extraction Using Hilbert-Huang Transform[J]. Journal of Harbin Engineering University, 2009, 30(5): 542-546.

[9] 刘深, 张小蓟, 牛奕龙, 等. 基于IMF能量谱的水声信号特征提取与分类[J]. 计算机工程与应用, 2014, 50(3): 203-206, 226.

Liu Shen, Zhang Xiao-ji, Niu Yi-long, et al. Feature Extraction and Classification Experiment of Underwater Acoustic Signals Based on Energy Spectrum of IMFs[J]. Computer Engineering and Applications, 2014, 50(3): 203-206, 226.

[10] Pincus S M. Approximate Entropy as a Measure of System Complexity[J]. Proceedings of the National Academy of Sciences of the United States of America, 1991, 88(6): 2297-2301.

[11] Wei Q, Liu Q, Fan S Z. Analysis of EEG via Multivariate Empirical Mode Decomposition for Depth of Anesthesia Based on Sample Entropy[J]. Entropy, 2013, 15(9): 3458- 3470.

[12] 杨宏, 李亚安, 李国辉, 等. 基于集合经验模态分解的舰船辐射噪声能量分析[J]. 振动与冲击, 2015, 34(16): 55-59.

Yang Hong, Li Ya-an, Li Guo-hui, et al. Energy Analysis of Ship Radiated Noise Based on Ensemble Empirical Mode Decomposition[J]. Journal of Vibration and Shock, 2015, 34(16): 55-59.

[13] 秦娜, 金炜东, 黄进, 等. 基于EEMD样本熵的高速列车转向架故障特征提取[J]. 西南交通大学学报, 2014, 49(1): 27-32.

Qin Na, Jin Wei-dong, Huang Jin, et al. Feature Extraction of High Speed Train Bogie Based on Ensemble Empirical Mode Decomposition and Sample Entropy[J]. Journal of Southwest Jiaotong University, 2014, 49(1): 27-32.

[14] 赵志宏, 杨绍普. 一种基于样本熵的轴承故障诊断方法[J]. 振动与冲击 2012, 31(6): 136-140.

Zhao Zhi-hong, Yang Shao-pu. Sample Entropy Based Ro- ller Bearing Fault Diagnosis Method[J]. Journal of Vibration and Shock, 2012, 31(6): 136-140.

[15] Wu Z H, Huang N E. Ensemble Empirical Mode Decomposition: A Noise-assisted Data Analysis Method[J]. Ad- vances in Adaptive Data Analysis, 2009, 1(1): 1-41.

(责任编辑: 杨力军)

A Feature Extraction Method of Ship-Radiated Noise Based on Sample Entropy and Ensemble Empirical Mode Decomposition

LI Yu-xing, LI Ya-an, CHEN Xiao, YU Jing

(School of Marine Science and Technology, Northwestern Polytechnical University, Xi′an 710072, China)

To realize the feature extraction of ship-radiated noise in complex ocean environment, the sample entropy is used to extract the features of three types of ship-radiated noise(SRN). Because the sample entropy only analyzes the SRN signal in single scale and it cannot distinguish different types of ships effectively, a new method of SRN feature extraction is presented based on sample entropy and ensemble empirical mode decomposition(EEMD). Firstly, three types of SRN signals are decomposed with EEMD, and the sample entropy of each intrinsic mode function(IMF) is analyzed to select the IMF sample entropy with the highest energy as the feature parameter. Then, by comparing the IMF highest-energy sample entropy of a certain number of the above three types of SRN signals with the sample entropy of SRN signal, it is discovered that the IMF sample entropy with the highest energy is at the same level for similar ship types, but is quite different for different ship types. Test results show that taking the IMF sample entropy with the highest energy as the feature parameter can obtain better separability for ships, compared with SRN sample entropy.

ship-radiated noise(SRN); sample entropy; ensemble empirical mode decomposition(EEMD); intrinsic mode function(IMF); feature extraction

TJ630; TN911.72; TN912.3

2096-3920(2018)01-0028-07

10.11993/j.issn.2096-3920.2018.01.005

李余兴, 李亚安, 陈晓, 等. 一种基于样本熵与EEMD的舰船辐射噪声特征提取方法[J]. 水下无人系统学报, 2018, 26(1): 28-34.

2017-07-06;

2017-08-30.

国家自然科学基金(51179157, 51409214, 11574250).

李余兴(1984-), 男, 在读博士, 研究方向为水声信号处理.