基于多参量联合特征的水下小目标分类识别

赵国贵, 梁 红, 陆 禹, 杨长生

基于多参量联合特征的水下小目标分类识别

赵国贵, 梁 红, 陆 禹, 杨长生

(西北工业大学 航海学院, 陕西 西安, 710072)

目标的主动声呐回波包含大量的目标信息, 通过对目标回波进行特征提取可实现对目标的分类识别。针对单一特征无法较好地完成水下小目标分类识别任务的问题, 文中提出一种基于多参量联合特征提取的水下小目标分类识别方法, 选取线性调频信号、双曲调频信号和蝙蝠仿生信号等不同形式的发射信号, 对目标回波的方差、谱质心以及小波能量谱峰值进行特征联合, 并利用反向传播神经网络分类器对目标进行分类识别。水池实验证明, 基于多参量联合特征提取的水下小目标分类识别方法可有效提高目标的分类识别率; 相比于传统信号, 利用蝙蝠仿生信号进行水下目标分类识别的效果更好。文中的工作可为利用多种特征联合分类识别水下目标提供参考。

目标回波; 多参量联合特征; 反向传播神经网络; 分类识别; 仿生

0 引言

水下小目标特征提取和分类识别是当前水声信号处理领域的热门技术, 在海洋防卫和开发方面的应用日益广泛。声诱饵、无人水下航行器(unmanned undersea vehicle, UUV)和蛙人等作为常见的水下小目标, 被广泛用于执行水下干扰、探测及侦查等任务[1-3]。水下小目标具有隐蔽性好、杀伤力强等特点, 对潜艇和水面舰艇的威胁极大, 因此研究水下小目标特征提取与分类识别技术意义重大。

国内学者对于水下目标特征提取和分类识别技术的研究始于20世纪90年代。1994年, 汤渭霖[4]提出了声呐目标回波的亮点模型, 在水声信号领域得到了广泛的应用。进入21世纪, 水下目标分类识别技术蓬勃发展。张静远等[5]将基于小波变换的模极大值特征、基于小波分解的能量特征等用于水声信号的分类识别。马艳等[6]研究了基于连续小波变换的水下目标特征提取, 提取了目标的小波能量谱用于分类识别。王娜等[7]研究了音色参量在目标分类识别中的应用, 利用分段谱质心理论对目标进行了特征提取。杨阳[8]将谱质心、谱质心带宽等多种音色参量用于水下目标特征提取, 对目标回波、噪声、混响进行了分类识别。国外的相关技术发展更早, 性能更优越, 目前已经搭建了大量水下小目标探测和识别系统并得到了广泛应用[9-10], 如美国海军应用的蛙人探测声呐“冥府守门狗360”、以色列的蛙人探测声呐以及英国的手持式蛙人侦查系统等。

特征提取算法种类众多, 但仅仅依靠单个特征通常无法较好地完成目标分类识别任务。考虑到反向传播(back propagation, BP)神经网络的多输入-多输出特性[11], 文中提出了一种基于多参量联合特征的水下小目标分类识别方法。通过提取目标回波的多种特征参量, 并利用BP神经网络分类器对不同水下小目标进行分类识别。

1 特征参量

水下小目标识别中可用的特征参量有很多种, 文中主要研究的是声诱饵、UUV以及蛙人呼吸气泡群3种目标。根据对目标声散射特性的分析,文中选取的3类目标声散射特性具有明显的差异, 主要表现为目标回波的峰值数量不同、时频特性不一致等现象, 因此可以从时域上利用目标回波的方差来进行分析; 根据对目标的音色特性分析, 声诱饵的主动声呐回波是其模拟的回波, 不是自身反射回波, 因此和实际物体回波有差异, 而UUV和蛙人呼吸气泡群材质上有明显区别, 因此其回波的谱质心有所不同, 可用于分类识别; 为了联系时域和频域上的信息, 要从时频域上对特征进行分析, 而小波变换是水下目标分类中一种常用的方法, 因此可以选用小波能量谱峰值作为特征来进行分类识别。

文中分别从时域、频域和时频域3个方向选择了归一化方差、谱质心和小波能量谱峰值3种特征参量, 并利用联合特征对水下小目标进行分类识别。

1.1 归一化方差

不同水下小目标的亮点数量不同, 其回波的峰值数量也不同, 则回波信号的方差就会有所差异, 文中将目标回波的归一化方差作为一种特征参量。

考虑到方差具有以下性质

目标回波的幅值(能量)会影响回波方差大小, 而目标回波的能量与目标距离有关。为了排除距离因素对目标分类识别的干扰, 需要对目标回波进行如下能量归一化运算。

1.2 谱质心

谱质心即频谱的质心, 是一种音色参量, 主要反映人耳对声音的主观感受。目标回波的谱质心主要表征目标的结构和材质信息, 因此可用于水下小目标分类识别。

参考几何学对质心的定义, 研究学者将信号的谱质心定义为信号的能量在一定频段上的加权平均, 其计算公式为

1.3 小波能量谱峰值

小波变换是一种可以对信号进行多尺度细化和局部频率分析的时频分析方法, 其特点在于能通过变换突出问题中某些方面的特征, 因此非常适合用于目标特征提取和分类识别。

2 回波特征提取仿真分析

根据亮点模型理论仿真声诱饵、UUV和蛙人呼吸气泡群3类目标的回波, 对仿真回波进行特征提取, 验证多参量联合特征的优势。

2.1 发射信号选择

仿真选取的发射信号为线性调频(linear frequency modulated, LFM)信号、双曲调频(hype- rion financial anagement, HFM)信号和蝙蝠仿生信号3种。前2种信号均为水下目标识别常用发射信号, 而蝙蝠仿生信号是一种模仿大棕蝙蝠的发声方式而生成的信号, 由2个不同频段的HFM信号组合而成, 其信号形式如下

蝙蝠因其昼伏夜出的生活习性, 在夜晚觅食时难以靠视力追踪猎物, 因此它们使用超声波进行目标识别、定位与跟踪。经过几千万年的进化, 蝙蝠利用回声识别目标的能力已经相当成熟。利用蝙蝠仿生信号进行目标识别可充分发挥其信号结构的优势, 从而达到更高的分类准确率[12-13]。

发射信号的频带范围选择为LFM信号60~ 80 kHz, HFM信号55~110 kHz, 仿生信号由2个频带范围分别为20~55 kHz和55~110 kHz的HFM信号叠加而成。信号脉冲长度均为0.5 ms。

2.2 仿真数据特征提取

首先对仿真数据进行单参量特征提取, 以发射信号为仿生信号为例, 发射信号如图1; 对其回波信号进行特征提取, 结果如图2。

图1 仿生信号时域图及频域图

从图2中可看出, 对于单一特征, 3种目标的特征分布混叠度较大, 目标间的区分度不高, 不利于目标分类识别。但观察发现, 对于每种特征, 目标的区分度各不相同。例如, 对于方差特征, 气泡群和UUV区分明显, 而与声诱饵有混叠; 而对于小波特征, 则是声诱饵和UUV区分明显, 而与气泡群有混叠。这说明3种特征体现了目标在不同方面的特征差异。考虑到多种特征包含的目标信息相比单一特征更为丰富, 有利于更准确地判断目标类别, 文中尝试联合多种特征进行目标分类识别。

观察图3发现, 3类目标的聚类性较好, 不同目标的联合特征分布区域之间的混叠度相比单一特征有明显的下降, 更易区分。这说明利用多参量联合特征有助于改善目标分类效果。基于这一结论, 文中提出了1种多参量联合特征的分类识别方法。

图3 多参量联合特征分布图

利用多参量联合特征对目标进行分类识别需要建立目标的多种特征值与目标类别之间的映射关系。这种高维的非线性映射关系, 利用传统分类器通常无法建立, 而具有自适应权值调整功能和多输入-多输出特性的神经网络分类器恰好可用于建立此类映射关系。

BP神经网络的结构如图4。

图4 反向传播神经网络结构

在BP神经网络中, 输出变量为输入变量的多层加权结果。文中以目标回波的特征值为输入变量, 目标类别为输出变量。首先通过样本训练完成对目标的多种特征值与目标类别之间映射关系的建立。映射关系建立完成后, 在对实际目标进行分类识别时, 只需输入目标的3种特征信息, 即可确定目标类别。

3 实验验证

为了验证文中提出的多参量特征提取在水下小目标分类识别中的优势, 设计水池实验, 对实际目标进行回波特征提取和分类识别。

图5 实验系统示意图

文中的实验目标为声诱饵模型、UUV模型和气泡群3种, 其中声诱饵模型和UUV模型均为铁制品, 实物如图6所示。声诱饵模型长度为2.5 m, 艇体直径为0.2 m; UUV模型长度为1.25 m, 艇体直径为0.6 m。

图6 实验目标模型

图7是声诱饵模型和UUV模型结构图。气泡群由空压机和微孔陶瓷管产生, 空压机和陶瓷管上的阀门可以控制气泡产生速率。对应于仿真数据, 实验所用发射信号同样为LFM信号、HFM信号和蝙蝠仿生信号3种。信号频带范围选取和仿真试验相同, 周期数均为100, 每个周期内信号脉冲长度为0.5 ms, 补零长度为9.5 ms。

3.1 实验数据特征提取

图7 实验目标模型结构图

将每组回波数据平均拆分为10段, 每段包含10个周期。对10个周期的数据取均值, 生成1个新的数据, 这样可将每个实验目标的9组回波数据扩充为90个新数据。新数据同样包含目标的特征信息, 同时经过平均、信号叠加而噪声互相抵消, 可提高回波数据的信噪比。

提取新数据的归一化方差、谱质心和小波能量谱峰值, 即可完成对实验数据的特征提取。

3.2 分类识别

在完成对实验数据的特征提取后, 利用BP神经网络分类器完成目标分类。

利用单特征参量对目标进行分类识别, 结果如表1~表3所示。

表1 基于方差特征的分类结果

表2 基于谱质心特征的分类结果

表3 基于小波特征的分类结果

分析表1~表3可得: 基于单参量特征的目标分类识别率均在70%左右, 分类效果并不理想。这说明利用单一特征很难较好地完成水下小目标分类识别任务。

利用多参量联合特征对目标进行分类识别, 结果如表4。从表4可以看出, 基于多参量联合特征的目标分类识别率均在90%左右, 相比基于单参量特征的分类效果有了明显提升。这说明利用多参量联合特征可以更好地完成水下小目标分类识别任务。此外, 当发射信号为蝙蝠仿生信号时, 目标的分类识别率明显大于其他2种发射信号, 这也说明了蝙蝠仿生信号在水下小目标分类识别应用中具有一定的优势。

表4 基于方差小波谱质心联合特征的分类结果

4 结束语

文中提出了基于多参量联合特征提取的水下小目标分类识别算法。考虑到基于单一特征难以较好地完成水下小目标分类识别任务, 提取了目标回波的归一化方差、谱质心及小波能量谱峰值, 并利用方差谱质心小波联合特征对3种水下小目标(声诱饵模型、UUV模型和气泡群)进行分类识别。

利用神经网络分类器, 分别得到了基于单参量特征和多参量联合特征的分类结果, 并分析对比了两者的分类效果。结果表明, 多参量联合特征可有效提高水下小目标分类识别率, 且发射信号为蝙蝠仿生信号时, 分类效果更佳。下一步工作将基于研究更多的特征组合方式, 以提高分类识别率。

[1] 陈敬军. 鱼雷防御系统中软杀伤器材的现状及其发展趋势[J]. 声学技术, 2013, 32(4): 342-348.Chen Jing-jun. The Status Quo and Development Trend of Soft-kill Effectors in Torpedo Defence Systems[J]. Tech- nical Acoustics, 2013, 32(4): 342-348.

[2] 代威, 张雯, 张沥, 等. 国外海洋无人航行器的发展现状及趋势[J]. 兵器装备工程学报, 2018, 39(7): 33-35.Dai Wei, Zhang Wen, Zhang Li, et al. Foreign Maritime Unmanned Vehicle Development Status and Trend[J]. Journal of Ordnance Equipment Engineering, 2018, 39(7): 33-35.

[3] 徐瑜, 倪小清, 夏红梅, 等. 蛙人探测声呐发展现状及关键技术[J]. 舰船电子工程, 2017, 37(3): 1-3. Xu Yu, Ni Xiao-qing, Xia Hong-mei, et al. Current Status of Diver Detection Sonar and Key Technologies[J]. Ship Electronic Engineering, 2017, 37(3): 1-3.

[4] 汤渭霖.声呐目标回波的亮点模型[J]. 声学学报, 1994, 19(2): 92-100.Tang Wei-lin. Highlight Model of Echoes from Sonar Targets[J]. Acta Acustica, 1994, 19(2): 92-100.

[5] 张静远, 张冰, 蒋兴舟. 基于小波变换的特征提取方法分析[J]. 信号处理, 2000, 16(2): 156-162.Zhang Jing-yuan, Zhang Bing, Jiang Xing-zhou. Analyses of Feature Extraction Methods Based on Wavelet Transform[J]. Signal Processing, 2000, 16(2): 156-162.

[6] 马艳, 李志舜. 基于连续小波变换的水下目标特征提取与分类[J]. 系统工程与电子技术, 2003(3): 375-378. Ma Yan, Li Zhi-shun. Featrure Extraction and Classification of an Underwater Target Based on CWT[J]. Systems Engineering and Electronics, 2003(3): 375-378.

[7] 王娜, 陈克安. 分段谱质心特征在水下目标识别中的应用[J]. 兵工学报, 2009, 30(2): 144-149. Wang Na, Chen Ke-an. Application of Sub-band Spectral Centroid Features to Recognizing Underwater Targets[J]. Acta Armamentarii, 2009, 30(2): 144-149.

[8] 杨阳. 基于音色参量的声纳回波特征提取及分类[D]. 哈尔滨: 哈尔滨工程大学, 2012.

[9] Ferose Babu T A, Pradeepa R. Support Vector Machine Applied to Underwater Target Classification[C]//2014 Fo- urth International Conference on Advances in Computing & Communications. Greater Noida, India: IEEE, 2014.

[10] Hackman R H, Arnold H, Reagan J. Active Acoustic Cla- ssification of Underwater Targets Based on Time-fre- quency Analyses[J]. The Journal of the Acoustical Society of America, 1992, 91(4): 233-234.

[11] Kukharenko A I, Konushin A S. Simultaneous Classification of Several Features of a Person’s Appearance Using a Deep Convolutional Neural Network[M]. New York: Spri- nger-Verlag, Inc, 2015.

[12] Simmons J A, Gaudette J E. Biosonar Echo Processing by Frequency-modulated Bats[J]. Iet Radar Sonar & Navi- gation, 2012, 6(6): 556-565.

[13] 崔永锋, 刘伟. 最优仿生大棕蝙蝠声波信号模型及雷达测距[J]. 科技通报, 2014, 30(4): 68-70.Cui Yong-feng, Liu Wei. The Applied of Radar Ranging Based the Model of Optimal Bionics Acoustic Signal[J]. Bulletin of Science and Technology, 2014, 30(4): 68-70.

[引用格式]赵国贵, 梁红, 陆禹, 等. 基于多参量联合特征的水下小目标分类识别[J]. 水下无人系统学报, 2019, 27(6): 644-650.

Classification and Identification of Underwater Small Target Based on Multi-Parameter Joint Feature

ZHAO Guo-gui, LIANG Hong, LU Yu, YANG Chang-sheng

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

The active sonar echoes contain a large amount of target information. The target can be classified and identified by feature extraction. Aiming at the problem that underwater small target cannot be classified very well based on a single feature, a classification and identification method of underwater small target based on multi-parameter joint feature is proposed in this paper. Different forms of transmit signals such as linear frequency modulation(LFM) signal, hyperbolic frequency modulation(HFM) signal and bat biomimetic signal are selected to combine the variance, the spectral centroid and the peak of wavelet energy spectrum of the target echo, and the back propagation(BP) neural network classifier are used to classify and identify the targets. Pool experiment shows that the classification and identification method of underwater small target based on multi-parameter joint feature can effectively improve the target classification identification rate, and compared with traditional signals, using the bat biomimetic signal as transmit signal can obtain a higher classification identification rate. This work may provide a reference for making use of multiple features to jointly classify and identify underwater targets.

target echo; multi-parameter joint feature; back propagation(BP) neural network; classification and identification; biomimetic

TJ630.1; TN911.7

A

2096-3920(2019)06-0644-07

10.11993/j.issn.2096-3920.2019.06.007

2019-04-08;

2019-05-17.

国家自然基金项目资助(61379007, 61771398).

赵国贵(1995-), 男, 硕士, 研究方向为水下信号处理技术.

(责任编辑: 杨力军)