被动水下目标识别研究进展综述

杨宏晖，徐光辉，李俊豪，申 昇，姚晓辉

（西北工业大学航海学院，西安 710072）

1 引 言

“凡物动而有声，声变而有音”。在海洋中航行的舰船不可避免地向周围海洋环境辐射噪声。被动声呐能安静地监听水下目标辐射噪声，在发现目标的同时不易被目标察觉，具有很好的作战优势。舰船辐射噪声主要由机械噪声、螺旋桨噪声和水动力噪声共同组成。利用被动声呐接收的舰船辐射噪声，分析声源属性，提取目标的固有属性，识别水下目标，是水声信号处理领域的研究焦点。一直以来，各国被动声呐系统主要利用训练有素的声呐员来识别目标，但声呐员判断的准确性受到声呐员自身的经验、身体状况、心理因素等影响较大。因此，各国一直致力于发展被动声呐系统的水下目标自动识别技术，协助并最终代替声呐员完成繁重的识别任务。本文在介绍基于机器学习的水下目标识别（Underwater Acoustic Target Recognition，UATR）技术的基础上，重点分析与总结了水下目标特征提取、特征融合、分类器设计等方面的研究现状，阐述了在人工智能技术快速发展背景下的UATR技术发展的现状，最后论述了UATR智能化发展中依然存在的问题及未来发展趋势。

2 基于机器学习的UATR

2.1 UATR系统的工作原理

以机器学习理论为核心的UATR系统的工作原理如图1所示。系统工作过程分为两个部分：学习过程和测试过程。学习过程主要包括：信号获取及预处理、特征提取、特征选择、样本选择及识别模型设计；测试过程主要包括：信号获取及预处理、特征提取及识别决策。

2.2 舰船辐射噪声的特征提取

在舰船辐射噪声特征提取方面，国内研究人员从不同的角度对舰船辐射噪声信号进行了分析和研究，提取了水中目标的多域特征。

2.2.1 时域波形结构特征提取

文献［1-3］从舰船辐射噪声原始信号中提取了过零点分布、峰间幅值分布、波长差分布及波列面积分布等波形结构特征。时域波形结构特征提取原理简单，易于实现，但需要先验知识来设定其中的参数，而固定的参数会使这类特征在复杂海洋环境条件下的识别泛化性较弱。

2.2.2 频域谱特征提取

研究人员对舰船噪声的频域谱特性分析方法进行了深入的研究。给出了舰船的螺旋桨、轴频、轻重节奏及气缸对舰船噪声调制的数学模型，计算出不同情况下舰船噪声调制包络的功率谱密度和自相关函数，提取了舰船的螺旋桨转速、螺旋桨叶片数、叶片间不均匀性、螺旋桨轴的加工和安装情况、主机类型以及舰船的形状等特征，并利用ECS型噪声的理论模型对舰船辐射噪声的自相关函数和平均功率谱的形状进行了描述，提取了平均功率谱的最大值位置和归一化平均功率谱级的二阶中心矩作为识别特征，采用分段线性分类器对两种不同型号的舰船目标进行了分类［4］。研究人员还对舰船噪声和振动谱中的线谱提取方法进行了研究，提出了线谱特征的分析及计算方法［5］。

图1 UATR系统的工作原理Fig.1 The working principle of UATR system

2.2.3 时频分析特征提取

在频域分析中，任一频率分量都是对信号在整个定义时间区间上的积分，无法有效地反应信号在窄时间区间上的突变情况。故采用时频分析的方法对舰船辐射噪声进行局部时间区间上的频率分析。文献［6-8］提取时频分析特征的方法主要有小波变换、短时傅立叶变换、高阶统计量、低频分析与记录谱（Low Frequency Analysis Recording，LOFAR）、噪声包络信号检测谱（Detection of Envelope Modulation On Noise，DEMON）、倍频程谱分析、倒谱、Wigner-Ville分布和Gabor展开等。文献［9-10］将小波变换用于舰船辐射噪声的特征分析，提取了各级小波的谱特征和波形结构特征，然后将所提取的特征与原始信号的特征输入同一类型的神经网络分类器，进行分类比较。结果表明，小波变换使信号的谱类别特征和波形结构特征有了明显的增强，且能压缩特征空间的维数。文献［11］利用小波变换方法讨论了四种基于小波变换的特征提取方法：基于小波变换的模极大值特征、基于小波分解的能量特征、基于小波包分解的熵特征以及基于自适应小波网络的特征提取方法，并阐述了各方法的基本原理及实现过程，以及将其用于水声信号的特征提取。通过分类结果比较，分析了各种方法的特点及适用性。文献［12-13］将子波分析用于水下目标的被动识别中，提出了舰船辐射噪声谱子波特征提取和高斯加权特征提取两种特征提取方法，并对子波神经网络分类器的模型进行了研究。文献［14］研究了基于小波分析的被动声纳信号宽带噪声包络调制分析方法。功率谱和相关函数具有二阶统计特性，在随机过程是正态分布时，它们能完全代表过程的特性。但实际的水声信号或噪声往往不是理想的高斯分布，用二阶统计特性不能全面描述信号特性，高阶谱具有对非高斯、非平稳信号进行有效处理的能力，加之可以抑制高斯和非高斯的有色噪声，因此可以用来实现对舰船噪声信号的特征提取。高阶统计量一般有高阶累积量、高阶矩和高阶谱，其都具有抑制加性噪声的能力，并保留了相位信息。文献［15］使用高阶谱方法提取了舰船目标的高阶谱特征，对两类信号分别进行了双谱分析和三谱分析，提取了四个高阶谱特征，并使用反向传播（Back Propagation，BP）网络进行了分类，取得了较好的分类效果。LOFAR谱可反映信号的非平稳特性，进而可提取信号中的宽带线谱分布特征。但轴频及其倍频却因为基本上都淹没在低频宽带噪声中而无法直接获取，而舰船宽带噪声高频端存在调制现象，DEMON分析通过对接收的宽带信号进行解调以获得低频的包络谱，从而获得了诸如目标轴频、叶频等低频端较强的物理特征。文献［16］用LOFAR和DEMON的方法对舰船辐射噪声的谱和频率特性进行分析，通过LOFAR谱分析从时域和频域两个角度提取舰船辐射噪声的特征，通过DEMON谱分析提取舰船辐射噪声的周期调制谱，确定螺旋桨的轴频和叶频，进而确定螺旋桨的叶数。

2.2.4 听觉感知特征提取

一直以来，研究人员都力图借鉴人听觉感知机理来构建被动UATR方法，提出了基于听觉模型的水下目标辐射噪声特征提取方法。听觉模型可以用于提取舰船辐射噪声瞬态信号的音色等特征，结合近邻分类器识别水下目标［17］。文献［18］讨论了在被动声呐目标识别任务中应用听觉感知模型的可能性，同时，结合声呐目标识别的特点，对听觉感知模型的适用性建模研究提出了建议。文献［19］提出了基于感知线性预测（PLP）的模仿人耳听觉特性来提取水声信号鲁棒特征的方法。运用听觉心理学中临界带谱分析、等响度曲线、强度响度听觉幂率的概念，形成估计听觉谱的方法，获得一个12阶全极点模型的鲁棒特征矢量。文献［20］深入研究了响度类特征和音调特征的物理含义和计算方法，发现声音的沉杂性、起伏性、快变性、尖锐性和规律性在水声目标主观识别中起着较为重要的作用，并针对声学目标，尤其是UATR进行了改进。文献［21］利用Gammatone滤波器构建人耳听觉模型，提取听觉时频特征和听觉谱特征。文献［22］提出了利用短时能量分析与人的主观听觉相结合的方法进行船舶辐射噪声特征提取。文献［23］利用耳蜗分频、听觉掩蔽等特性，提出了听觉谱特征计算模型，设计了支持向量机（Support Vector Machine，SVM）集成算法进行水下目标分类识别。文献［24］运用听觉心理学的研究成果，模仿人耳的感知辨识机理，提出了基于听觉模型的水下目标特征提取方法。文献［25］提取了舰船辐射噪声的Moore响度和音色特征，并利用海试数据验证了所提出方法的有效性。文献［26-27］采用模拟人耳听觉的梅尔频率倒谱系数方法提取出有效的特征参数进行水下目标的识别。上述研究工作主要集中在听觉外周模型，很少涉及到听觉中枢系统。

2.3 从舰船辐射噪声的特征选择

舰船辐射噪声的特征选择是水声目标识别系统中很重要的组成部分。特征选择的目的是优化学习算法的分类性能。设X为训练样本集：

式中，d是样本的特征数目，Y是有限的类标集合。

特征选择可以定义为：给定m≤d，从d个原始特征中选出m个特征，使得分类器的分类错误率最低；给定错误分类率，从d个原始特征中选择出满足预先设定的最小错误分类率的最少的m个特征。

特征选择是解决样本数目有限而特征数目高导致分类系统分类性能下降的小样本识别问题的重要方法。西北工业大学杨宏晖［28］、海军大连潜艇学院章新华、中船重工760研究所彭圆等研究了水下目标特征选择的方法。现有的研究方法有人工免疫算法［29-30］、遗传算法［31］、向前向后搜索算法、最大梯度选择算法［32］、粗集理论［33］、动态规划［34］以及特征选择和支持向量机集成（Support Vector Machine Ensemble，SVME）融合算法［35］等。在水声目标特征选择方法中，人工免疫算法和遗传算法从理论上可以搜索全局最优解，但运算量大，人工免疫算法相比遗传算法可利用先验知识及免疫算子提高运行速度和收敛速度。粗集理论、向前向后搜索算法及动态规划本质上是顺序搜索算法，不一定得到最优解。最大梯度算法原理简单但会丢失信息。特征选择和SVME融合算法将分类器设计和特征选择融合在一个框架之中，在大幅减少特征数目同时，提高了正确识别率。

2.4 用于舰船辐射噪声识别的分类器设计

在舰船辐射噪声分类决策方法研究工作中，主要的方法有：基于统计分析的方法、神经网络方法和专家系统方法。基于统计分析的方法主要有贝叶斯模式分类方法、聚类分析方法、SVM、决策树、近邻法、隐马尔可夫模型等。文献［36］通过K均值与SVM结合的方法对水下目标进行分类识别。常见的神经网络方法有感知机、BP神经网络、自编码网络等。专家系统识别方法是基于领域专家的经验知识建立的推理识别系统［37-38］。在这种识别系统中，传感器数据经过特征提取得到的目标特征送入推理机中，推理机按照人的思维进行分析并与知识库中的条件进行对比从而得出识别结果。

2.5 基于深度学习的舰船辐射噪声识别

随着逐层贪婪非监督预训练算法的提出，困扰深度网络的训练问题得以解决，深度学习迅速成为机器学习领域的热点。近几年，国外研究人员深入研究了深度学习在各领域的应用，在计算机视觉、语音识别、声信号处理、字符识别、回归分析等领域取得了初步但令人瞩目的成果。相比深度学习在语音识别、图像识别等领域的研究，在水声目标识别领域国外的研究成果报道较少，但国内相关学者已经开展了有关主动声纳目标识别和海洋生物识别的研究。目前，国外仍然在深入研究深度学习，并针对具体应用问题，进一步完善深度学习的理论框架和网络框架。

深度学习神经网络是目前最为成功的类脑计算模型，近几年，国内外相关学者研究了基于深度学习［39-40］的UATR方法。文献［41］提出基于深度置信网络的水下目标多层深度特征提取与识别方法，并利用实测数据进行识别实验验证。文献［42］构建了一个基于卷积神经网络的深度学习识别系统，识别五种海洋哺乳动物的叫声，实验结果表明深度特征的识别性能明显好于梅尔频率倒谱系数特征。西北工业大学、中船重工760研究所、中船系统工程研究院等科研单位开展了基于深度学习的UATR理论和方法的研究工作。文献［43］研究了将深度自编码网络（Stacked Auto-Encoder，SAE）用于UATR方法，实验结果表明SAE的识别性能明显好于SVM和概率神经网络。文献［44］研究了基于深度置信网络（Deep Belief Network，DBN）的水下目标深度特征提取与识别方法，利用互信息实现深度网络隐含单元的分组，利用组稀疏惩罚机制优化网络，提取分类性能强的深度特征。文献［45］提出了混合正则化深度置信网络，利用最大互信息组正则化方法和大量无类标训练样本正则化方法优化深度置信网络，实验结果表明优化后的深度特征的识别性能有所提高。文献［28］专门论述了用于UATR的深度学习网络学习过程监测、调整、可视化以及优化的基本理论和方法。深度学习理论在UATR领域中取得了初步的成果，但是其复杂庞大的参数优化问题、需要大量训练样本、深度特征的物理意义解释性弱等问题还有待于解决。

2.6 基于类脑智能的UATR

类脑智能是指受大脑神经机制和认知机制启发，以计算机建模为手段，通过软硬件协同实现的机器智能。类脑智能是一种面向人工神经网络对低功耗、弱监督、可解释等学习需求，将生物机制与数学原理融合的新型网络模型和学习方法。美国、欧盟、日本等国先后提出了“脑计划”来推动脑科学以及类脑科学相关领域的科学研究。中国也于2018年启动“脑计划”。

有关类脑智能及应用的研究在中国也得到了水声领域科研工作者的重视。在深度网络的可解释性方面、小样本识别任务方面、精细特征提取方面，类脑智能具有一定优势。文献［46-48］研究了大脑听觉系统的信息处理神经机制，如可塑性机制、时域信号分解机制等，提出了受脑听觉启发的深度神经网络，并用实测数据进行实验验证。针对小样本的识别问题，将迁移学习技术融入受脑听觉启发的深度网络，进一步提升了网络在小样本识别任务中的性能。现阶段类脑智能还处于发展的萌芽阶段，但随着人类对大脑的认识的深入和提高，类脑智能的水声目标的建模与识别算法将有显著提高。

3 未来研究方向与展望

目前，人工智能已经成为引领未来的战略性技术之一,世界海洋军事强国已逐步形成以加速发展智能化武器装备为核心的竞争态势。在UATR领域，利用舰船辐射噪声识别水下目标依然面临着诸多困难和挑战。如何将脑科学、类脑智能、深度学习、大数据、超级计算等新理论新方法有针对性地应用到UATR中，构建蕴含新兴人工智能技术的UATR系统，是未来的发展趋势，需要更多的研究和实践。