吳承希，王 彪，徐千馳，朱雨男

（江蘇科技大學(xué)電子信息學(xué)院，江蘇鎮(zhèn)江 212100）

0 引 言

輻射噪聲作為水聲目標(biāo)主要的信號(hào)源之一，由于目標(biāo)發(fā)聲機(jī)理復(fù)雜，加之多變的艦船航行工況和海洋環(huán)境聲場(chǎng)的干擾，給目標(biāo)的識(shí)別帶來(lái)較大困難[1]。但艦船輻射噪聲具有不同的聲學(xué)特性，經(jīng)過(guò)對(duì)目標(biāo)噪聲不同特征的提取和選擇后，可以得到艦船不變的物理特征，甚至是艦船的工作狀態(tài)信息。這些特征信息通過(guò)一定的方法獲取，可以用于艦船的識(shí)別工作。目前主流研究使用希爾伯特-黃（Hilbcrt-Huang）變換[2-4]，梅爾倒譜系數(shù)[5-8]，高階譜估計(jì)[9-10]等信號(hào)處理的方法進(jìn)行特征提取，之后再在決策樹、支持向量機(jī)[11-12]等學(xué)習(xí)分類器完成目標(biāo)識(shí)別分類。隨著深度學(xué)習(xí)在音頻識(shí)別和圖像處理領(lǐng)域取得了一系列成果，近年來(lái)深度學(xué)習(xí)算法也被廣泛應(yīng)用于艦船輻射噪聲的識(shí)別與分類。

國(guó)內(nèi)外對(duì)艦船輻射噪聲的多特征分類學(xué)習(xí)已有了較多研究，并取得了一定進(jìn)展。張巖等[13]提出基于主成分分析法（Principal Componcnt Analysis，PCA）信號(hào)重構(gòu)和主成分空間聚類分析方法研究艦船目標(biāo)的特征提取和分類。Zhang等[14]基于聲矢量傳感器的梅爾倒譜（Mcl-Frcqucncy Ccpstral Cocfficicnts， MFCC）多維度特征，通過(guò)基于誤差反向傳播（Back Propagation， BP）算法進(jìn)行特征融合，來(lái)識(shí)別水下目標(biāo)。朱可卿等[15]將提取特征后的圖像樣本分別用于訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)和深度置信網(wǎng)絡(luò)，對(duì)船舶輻射噪聲進(jìn)行識(shí)別。曾賽等[16]提出一種水下目標(biāo)的多模態(tài)深度學(xué)習(xí)分類算法，結(jié)合LSTM和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Ncural Nctworks， CNN），對(duì)一維時(shí)域信號(hào)和二維頻域信號(hào)分別并行處理。Wang等[17]提出了一種多維特征融合和改進(jìn)的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型，利用 Gammatonc倒譜系數(shù)（Gammatonc Frcqucncy Ccpstral Cocfficicnts， GFCC）特征和改進(jìn)的經(jīng)驗(yàn)分解模型來(lái)提取多維特征，同時(shí)，利用高速混合模型修改深度神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)以得到較高準(zhǔn)確率。倪俊帥等[18]采用了BP算法建立具有多個(gè)輸入分支的深度神經(jīng)網(wǎng)絡(luò)，同時(shí)對(duì)艦船的頻譜特征、梅爾倒譜系數(shù)和功率譜特征參數(shù)進(jìn)行學(xué)習(xí)分類。

文章為了改善識(shí)別系統(tǒng)的性能、提高艦船輻射噪聲識(shí)別的準(zhǔn)確率，提出了一種基于小波包分解的PCA-Attcntion-LSTM 多特征分類方法。根據(jù)小波包分解原理，分頻段提取目標(biāo)信號(hào)特征，對(duì)提取的特征矩陣進(jìn)行 PCA降維處理，再放入帶有注意力機(jī)制的LSTM網(wǎng)絡(luò)中對(duì)數(shù)據(jù)進(jìn)行學(xué)習(xí)分類。文章在實(shí)測(cè)艦船輻射噪聲數(shù)據(jù)上進(jìn)行了實(shí)驗(yàn)，對(duì)比了分頻段與不分頻段的特征、多特征與單一特征、不同信噪比下算法進(jìn)行分類的準(zhǔn)確率和識(shí)別性能。

1 特征提取

輻射噪聲信號(hào)經(jīng)過(guò)數(shù)據(jù)預(yù)處理步驟后，需要對(duì)輻射噪聲的特征進(jìn)行提取。由于小波包分解技術(shù)在振動(dòng)噪聲特征融合上取得了良好的識(shí)別效果[19]，且輻射噪聲中包含大量船舶機(jī)械振動(dòng)產(chǎn)生的噪聲，因此，考慮利用小波包分解技術(shù)，將輻射噪聲信號(hào)先分頻段，然后在不同頻段下提取信號(hào)的時(shí)域頻域特征、梅爾倒譜系數(shù)、小波變換、線性預(yù)測(cè)編碼（Lincar Prcdictivc Coding， LPC）和頻帶功率特征等多維度特征，對(duì)提取后的特征重新拼接合并組成混合特征集。

1.1 小波包分解

小波包分解（Wavclct Packct Dccomposition，WPD）是一種將原始信號(hào)分解成多個(gè)頻段的技術(shù)，可以對(duì)低頻、高頻部分進(jìn)行分解。艦船輻射噪聲主要集中在低頻部分，通常小于1 000 Hz，由機(jī)械振動(dòng)噪聲、螺旋槳空化噪聲、機(jī)艙噪聲等噪聲構(gòu)成，導(dǎo)致信號(hào)的頻域信息分布不均。因此，利用小波包對(duì)非平穩(wěn)隨機(jī)信號(hào)良好的處理能力，剔除隨機(jī)波動(dòng)數(shù)據(jù)，可以減少噪聲信號(hào)對(duì)預(yù)測(cè)識(shí)別結(jié)果精度的不利影響。

輻射噪聲原始信號(hào)經(jīng)過(guò)i層小波包分解可得到2i個(gè)不同頻率區(qū)間的子頻帶。根據(jù)艦船輻射噪聲特性和實(shí)際需求對(duì)原始信號(hào)進(jìn)行合適層數(shù)的小波包分解，層數(shù)越高，分解的特征越細(xì)致。圖1是3層小波包分解的示意圖。

圖1 小波包分解示意圖Fig.1 Schematic diagram of wavelet packet decomposition

圖1中，S為輸入的原始信號(hào)，LS和HS分別表示原始信號(hào)第一次分解所得的低頻分量和高頻分量，LLS和LHS分別表示第一次分解所得的低頻分量再進(jìn)行第二次分解所得的低頻分量和高頻分量，以此類推，原始信號(hào)經(jīng)過(guò)i層小波包分解后，可以得到2i個(gè)不同頻率區(qū)間的子頻帶。

1.2 時(shí)域頻域和頻帶功率特征

時(shí)域特征主要包括平均能量、最大能量、過(guò)零率等共計(jì)6個(gè)維度的傳統(tǒng)時(shí)域特征量；頻域特征包括有頻譜平坦度、頻譜滾降系數(shù)、頻譜通量等共計(jì)21維傳統(tǒng)頻域特征量；頻帶功率特征是針對(duì)不同頻帶功率特征的不同，利用功率譜特性公式，求幅度平均函數(shù)的統(tǒng)計(jì)平均，提取頻帶上的功率譜特征。

1.3 小波變換特征

小波變換相比傳統(tǒng)傅里葉變換是時(shí)空頻率的局部細(xì)化，可以自適應(yīng)聚焦信號(hào)的細(xì)節(jié)，解決傅里葉變化對(duì)高低頻信號(hào)分離的處理難題。由于不同類型艦船的輻射噪聲在不同頻帶下能量分布不同，不同船只的能量分布頻率也不相同。小波分析可以對(duì)噪聲信號(hào)不同的頻段進(jìn)行劃分，提取不同頻段的能量分布特征，重點(diǎn)刻畫輻射噪聲所在低頻信號(hào)細(xì)節(jié)。

1.4 MFCC特征

MFCC特征是經(jīng)典的人耳聽(tīng)覺(jué)感知特征，但人耳聽(tīng)到的聲音與頻率并不成線性關(guān)系，通常采用Mcl頻率來(lái)模擬人耳的聽(tīng)覺(jué)特性，因此常被用于水聲目標(biāo)信號(hào)識(shí)別的特征提取。

輻射噪聲信號(hào)在預(yù)處理后，通過(guò)快速傅里葉變換，經(jīng)過(guò)三角形Mcl頻率濾波器組的處理，對(duì)所有濾波器輸出數(shù)據(jù)進(jìn)行對(duì)數(shù)運(yùn)算，最后通過(guò)離散余弦變換得到梅爾倒譜系數(shù)。

1.5 LPC特征

1.6 特征矩陣

2 輻射噪聲識(shí)別模型

輻射噪聲識(shí)別模型首先對(duì)預(yù)處理后的信號(hào)提取特征，將提取的 81維特征按不同頻段進(jìn)行串聯(lián)組合，組成包含有 32個(gè)子頻帶信息的輻射噪聲特征集。對(duì)特征集進(jìn)行 PCA降維選擇特征，再放入Attcntion-LSTM模型中進(jìn)行分類識(shí)別，由于特征集的多維特性，模型分類時(shí)需考慮訓(xùn)練的泛化能力。

如圖2所示是基于小波包分解和 PCAAttcntion-LSTM的輻射噪聲識(shí)別流程圖，本文提出的方法分為數(shù)據(jù)處理和識(shí)別分類兩個(gè)階段。在數(shù)據(jù)處理階段獲取所需分類的特征集合，并利用 PCA進(jìn)行特征選擇，然后劃分訓(xùn)練集和測(cè)試集。最后，在識(shí)別分類階段使用合適的模型得到分類結(jié)果。

圖2 基于小波包分解和PCA-Attcntion-LSTM的輻射噪聲識(shí)別流程圖Fig.2 Flow chart of radiated noise recognition based on wavelet packet decomposition and PCA-Attention-LSTM

2.1 數(shù)據(jù)處理

首先，對(duì)輻射噪聲信號(hào)數(shù)據(jù)的特征異常值進(jìn)行預(yù)處理，給特征集數(shù)據(jù)打上分類的標(biāo)簽。然后，按4:1 的比例從特征集中隨機(jī)劃分訓(xùn)練集和測(cè)試集，用來(lái)對(duì)輻射噪聲進(jìn)行分類識(shí)別。不同船型的輻射噪聲數(shù)據(jù)歸一化處理后的特征分布情況如圖3所示。

圖3 不同船型輻射噪聲數(shù)據(jù)在不同頻段的歸一化特征值分布Fig.3 Distributions of normalized eigenvalues in different frequency bands for different types of ships

2.2 PCA主成分分析法

2.3 基于Attcntion-LSTM的模型的分類識(shí)別

在訓(xùn)練集上引入注意力機(jī)制算法訓(xùn)練LSTM模型，使得算法可以有重點(diǎn)地選擇并優(yōu)化網(wǎng)絡(luò)參數(shù)，建立識(shí)別分類模型。再將訓(xùn)練好的 LSTM 分類模型在測(cè)試集上進(jìn)行分類預(yù)測(cè)，得到艦船分類的結(jié)果，并計(jì)算分類正確率和識(shí)別性能。基于Attcntion-LSTM的分類步驟如圖4所示。

圖4 基于LSTM的特征融合分類步驟圖Fig.4 Procedure of LSTM-based feature fusion classification

2.3.1 LSTM模型

一系列時(shí)序模塊組成了LSTM模型，一般包括有輸入門，遺忘門和輸出門，利用門控機(jī)制，來(lái)控制記憶塊內(nèi)的信息流動(dòng)，使其具備長(zhǎng)期和短期的記憶能力，LSTM的網(wǎng)絡(luò)結(jié)構(gòu)圖如圖5所示。

圖5 LSTM運(yùn)行原理圖Fig.5 Principle diagram of LSTM operation

LSTM 的訓(xùn)練可以分為 4個(gè)步驟：（1） 前向傳播，計(jì)算網(wǎng)絡(luò)輸出值；（2） 后向傳播，計(jì)算時(shí)間和網(wǎng)絡(luò)誤差；（3） 計(jì)算梯度值；（4） 更新權(quán)重系數(shù)。

2.3.2 注意力機(jī)制

注意力（Attcntion）機(jī)制源于生物觀察的注意力過(guò)程，重點(diǎn)突出了對(duì)關(guān)鍵輸入數(shù)據(jù)的貢獻(xiàn)度。Attcntion機(jī)制可以對(duì)貢獻(xiàn)多的區(qū)域投入更多的注意力資源，抑制無(wú)關(guān)信息，是一種可以提高局部區(qū)域觀察精細(xì)度的機(jī)制。

目前 Attcntion機(jī)制在自然語(yǔ)言處理和文本翻譯等領(lǐng)域取得了一系列成果。通過(guò)對(duì)輸入模型的變量進(jìn)行分析，并給予不同的輸入變量權(quán)重，對(duì)影響因素高的元素賦予較高權(quán)重比例，突出關(guān)鍵元素在模型中的作用，使得網(wǎng)絡(luò)模型做出最優(yōu)的判斷。同時(shí)，由于Attcntion機(jī)制在計(jì)算時(shí)通常采用并行計(jì)算的方式，無(wú)需考慮模型在計(jì)算方面的時(shí)間損耗。

針對(duì)本文提及的通過(guò)多特征表示來(lái)確定輸入的不同方面的情況，Attcntion機(jī)制可以將不同的權(quán)重分配給不同貢獻(xiàn)的特征表示，以減少噪聲等情況對(duì)識(shí)別結(jié)果的干擾。最后的表達(dá)式是不同方面特征及其注意力模型的加權(quán)組合。

如圖6所示，x1，x2，… ，xt為待預(yù)測(cè)時(shí)刻之前的特征，xk為總輸入量特征。s1，s2，… ，st為輸入特征對(duì)應(yīng)的隱藏層特征，sk為輸入量特征對(duì)應(yīng)的隱藏層特征。pak1，pak2， … ，paki為歷史輸入量對(duì)當(dāng)前輸入量的注意力概率。C是輸入給解碼器 Dccodcr 的向量，用來(lái)計(jì)算下一時(shí)刻的預(yù)測(cè)結(jié)果。根據(jù)示意圖分析得出Attcntion機(jī)制的計(jì)算公式為[22]

圖6 Attcntion機(jī)制示意圖Fig.6 Schematic diagram of Attention mechanism

其中，eki表示第i時(shí)刻的隱層向量，αki表示隱層狀態(tài)的權(quán)重系數(shù)。wk表示隱藏狀態(tài)的權(quán)重系數(shù)，wi表示第i個(gè)隱藏狀態(tài)對(duì)應(yīng)的權(quán)重系數(shù)，a表示相對(duì)應(yīng)的偏置值。

2.3.3 模型運(yùn)行步驟

（1） 通過(guò)聲學(xué)傳感器獲取水聲目標(biāo)輻射噪聲數(shù)據(jù)，預(yù)處理后，對(duì)收集的數(shù)據(jù)做小波包分解的多頻段下的特征提取。

（2） 利用PCA降維，保留80%特征的要求，篩選出影響艦船輻射噪聲的關(guān)鍵因子，減少輸入維數(shù)，選擇特征，劃分訓(xùn)練集和測(cè)試集。

（3） 建立LSTM網(wǎng)絡(luò)，選擇需要記住的重要信息。LSTM運(yùn)算時(shí)間和網(wǎng)絡(luò)層數(shù)等參數(shù)有關(guān)，因此在訓(xùn)練模型前要先選擇合適的隱藏層數(shù)和網(wǎng)絡(luò)參數(shù)。如表1所示是LSTM網(wǎng)絡(luò)訓(xùn)練參數(shù)。

表1 LSTM網(wǎng)絡(luò)訓(xùn)練參數(shù)Table 1 LSTM network training parameters

（4） 在全連接層前，添加Attcntion機(jī)制，將模型學(xué)習(xí)到的權(quán)重賦值給下一個(gè)時(shí)刻作為輸入，重點(diǎn)強(qiáng)調(diào)關(guān)鍵特征在預(yù)測(cè)學(xué)習(xí)中的重要水平，最后利用softmax函數(shù)輸出分類結(jié)果。

（5） 評(píng)估模型指標(biāo)，利用均方根誤差（Root Mcan Squarc Error ， RMSE）、平均絕對(duì)誤差（Mcan Absolutc Error， MAE）、決定系數(shù)R2來(lái)說(shuō)明驗(yàn)證預(yù)測(cè)結(jié)果的準(zhǔn)確性：

其中：yi是真實(shí)的結(jié)果，y是真實(shí)結(jié)果的平均，ai是預(yù)測(cè)的結(jié)果，N是測(cè)試樣本的數(shù)量。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 數(shù)據(jù)預(yù)處理

本文采用的實(shí)測(cè)艦船輻射噪聲庫(kù)，包含有漁船、商船、貨船和油船等不同船型的輻射噪聲數(shù)據(jù)。從中選擇 4種不同類型船舶的輻射噪聲建立數(shù)據(jù)集，每個(gè)輻射噪聲音頻信號(hào)均為采樣頻率44.1 kHz、16 bit輸出、wav格式的數(shù)字信號(hào)。并在其中添加-10、0、5、10 dB信噪比的加性高斯白噪聲噪聲，構(gòu)建添加輻射噪聲的數(shù)據(jù)集。

輻射噪聲是一種典型的非平穩(wěn)隨機(jī)信號(hào)，預(yù)處理包括對(duì)數(shù)據(jù)標(biāo)準(zhǔn)化、分割、分幀。每一個(gè)信噪比下每一類輻射噪聲信號(hào)總計(jì)15 502個(gè)樣本，一共4類數(shù)據(jù)共計(jì)62 008個(gè)樣本。

實(shí)驗(yàn)時(shí)，艦船輻射噪聲特征集按照4:1的比例被隨機(jī)劃分為訓(xùn)練集和測(cè)試集，用于識(shí)別模型的訓(xùn)練和測(cè)試，具體實(shí)驗(yàn)流程如圖7所示。

圖7 識(shí)別模型訓(xùn)練流程圖Fig.7 Flowchart of recognition model training

訓(xùn)練過(guò)程中，選擇適當(dāng)?shù)姆謪^(qū)大小和優(yōu)化算法，能提高訓(xùn)練效率，LSTM網(wǎng)絡(luò)訓(xùn)練參數(shù)見(jiàn)表1。

其中訓(xùn)練時(shí)間步根據(jù)輸入數(shù)據(jù)的特征確定，沒(méi)有PCA降維前，輸入時(shí)間步為32，特征數(shù)為81；PCA降維后，輸入時(shí)間步為5，特征數(shù)為3。同時(shí)網(wǎng)絡(luò)層數(shù)也要相應(yīng)改變，沒(méi)有 PCA降維前，網(wǎng)絡(luò)層由3層128個(gè)LSTM單元組成；PCA降維后，網(wǎng)絡(luò)層由1層64個(gè)LSTM單元組成。同時(shí)建立早停機(jī)制，對(duì)訓(xùn)練loss設(shè)置監(jiān)控的數(shù)據(jù)接口，在連續(xù)5次迭代loss沒(méi)有改變的情況下，神經(jīng)網(wǎng)絡(luò)提早停止工作。

數(shù)據(jù)集的標(biāo)簽采用Onc-Hot編碼，為了高效地訓(xùn)練樣本，引入交叉熵?fù)p失函數(shù)作為模型的損失函數(shù)來(lái)訓(xùn)練，形式如下：

3.2 分頻段和不分頻段特征的模型性能對(duì)比

利用小波包分解技術(shù)提取特征，在傳統(tǒng)特征提取方法的基礎(chǔ)上，分頻段刻畫信號(hào)的細(xì)節(jié)特征，將輻射噪聲集中的低頻頻段特征放大，再將輻射噪聲數(shù)據(jù)放入 K 最近鄰（K-Ncarcst Ncighbor ， KNN）模型中進(jìn)行分類識(shí)別，并與未頻段劃分的特征模型進(jìn)行對(duì)比。最終得到如表2所示的識(shí)別準(zhǔn)確率對(duì)比。

表2 KNN模型對(duì)未劃分頻段和多頻段劃分的特征的識(shí)別準(zhǔn)確率對(duì)比(未添加噪聲)Table 2 Comparison of the recognition rate of the features with and without frequency band partition in KNN model (no noise added)

表2中比較了不同特征在未經(jīng)過(guò)小波包分解劃分頻段和經(jīng)過(guò)小波包分解劃分頻段的情況下識(shí)別的準(zhǔn)確率?；谛〔ò纸獾亩嗵卣魈崛∠啾扔谖磩澐诸l段的方式，識(shí)別準(zhǔn)確率提高了0.9個(gè)百分點(diǎn)，相比于單一特征識(shí)別準(zhǔn)確率最高的MFCC，提高了0.18個(gè)百分點(diǎn)。其中經(jīng)過(guò)小波包分解的各頻段下的單一特征相比于未劃分頻段下的單一特征，識(shí)別率方面均有所提高，其中時(shí)域能量的準(zhǔn)確率提高最為明顯，達(dá)到了 8.86個(gè)百分點(diǎn)。因此，小波包分解劃分頻段提取特征的方式能夠有效提高識(shí)別的準(zhǔn)確率。

3.3 單一特征和混合特征的模型性能對(duì)比

從數(shù)據(jù)集中提取特征，將全部 32個(gè)頻段下的81組特征組成特征集，再放入分類器模型中進(jìn)行訓(xùn)練和測(cè)試。將單一特征和混合特征進(jìn)行對(duì)比，根據(jù)輸入數(shù)據(jù)的多少，選擇合適的網(wǎng)絡(luò)結(jié)構(gòu)。其中，單一特征的LSTM網(wǎng)絡(luò)選擇1層64個(gè)LSTM單元，小波包分解特征的 LSTM 網(wǎng)絡(luò)選擇 3層 128個(gè)LSTM單元，以達(dá)到最優(yōu)情況。

表3中比較了基于小波包分解的特征在單一特征和多特征條件下的識(shí)別準(zhǔn)確率，圖8直觀地展示了識(shí)別準(zhǔn)確率情況。其中，基于小波包分解的多特征模型比單一特征模型識(shí)別準(zhǔn)確率高，效果好。這些特征在KNN模型下就達(dá)到了不錯(cuò)的識(shí)別效果，在LSTM和Attcntion-LSTM模型中識(shí)別效果更好，混合多特征分別提升了2.69個(gè)百分點(diǎn)和2.37個(gè)百分點(diǎn)。其中，時(shí)域能量的識(shí)別準(zhǔn)確率提升效果最明顯，達(dá)到了 4.28個(gè)百分點(diǎn)和 3.79個(gè)百分點(diǎn)。Attcntion-LSTM和LSTM在此類情況下的識(shí)別準(zhǔn)確率相差并不大，甚至部分情況下 Attcntion-LSTM的識(shí)別率低于LSTM，主要是由于Attcntion是一種注意力機(jī)制，不依賴于上一步的計(jì)算結(jié)果，從一段長(zhǎng)特征中提取重點(diǎn)信息，因此在有些情況下會(huì)導(dǎo)致部分識(shí)別率降低。但將其引入長(zhǎng)片段特征或者復(fù)雜特征情況，會(huì)使識(shí)別效果更好。

圖8 不同模型對(duì)單一特征的識(shí)別準(zhǔn)確率對(duì)比Fig.8 Comparison of recognition accuracies of different models for a single feature

表3 不同模型對(duì)單一特征和混合多特征的識(shí)別準(zhǔn)確率對(duì)比(未添加噪聲)Table 3 Comparison of recognition accuracies of different models for a single feature and the mixed multiple features (no noise added)

3.4 不同信噪比時(shí)模型的性能對(duì)比

為了對(duì)比不同信噪比時(shí)不同模型的識(shí)別效果，在保留原有測(cè)試集的基礎(chǔ)上，分別添加信噪比為10 dB，5 dB，0 dB，-10 dB的高斯加性白噪聲，重新構(gòu)建加入噪聲的數(shù)據(jù)集，按照信噪比大小整理4個(gè)部分，經(jīng)過(guò)分類器模型計(jì)算得到不同信噪比下的識(shí)別準(zhǔn)確率、運(yùn)算時(shí)間和模型精度。

由于特征提取種類涵蓋MFCC、PLC、時(shí)域能量、小波變化等各個(gè)方面，會(huì)導(dǎo)致模型的訓(xùn)練和預(yù)測(cè)精度降低。因此，需要根據(jù)特征值和累計(jì)貢獻(xiàn)率對(duì)主成分進(jìn)行選擇，將提取的特征按貢獻(xiàn)率80%特征保留，壓縮成 15個(gè)主要成分。其中信噪比為-10 dB的漁船數(shù)據(jù)集的部分主成分表如表4所示。

表4 信噪比-10 dB漁船數(shù)據(jù)集PCA特征提取的部分結(jié)果Table 4 Partial results of PCA feature extracted in fishing boat data set at SNR=-10 dB

表5比較了不同信噪比下的模型識(shí)別分類的準(zhǔn)確率，圖9直觀地展示了識(shí)別準(zhǔn)確率情況。在未添加高信噪比噪聲的情況下，分類器識(shí)別準(zhǔn)確率相差不大，KNN和PCA-KNN模型精確度較低，PCALSTM和PCA-Attcntion-LSTM的識(shí)別準(zhǔn)確率較高。最高可以達(dá)到 98.15%，相比傳統(tǒng) KNN模型和LSTM行分別提升了7.98個(gè)百分點(diǎn)和5.29個(gè)百分點(diǎn)。添加噪聲后，各模型識(shí)別率有所下降，其中KNN下降速率最為明顯，隨著信噪比的降低，均有約3個(gè)百分點(diǎn)的準(zhǔn)確率下降。LSTM模型在0 dB到-10 dB信噪比區(qū)間準(zhǔn)確率也迅速下降，達(dá)到11.99個(gè)百分點(diǎn)。因此傳統(tǒng)方法在應(yīng)對(duì)環(huán)境噪聲強(qiáng)的情況下容易導(dǎo)致識(shí)別準(zhǔn)確率下降。相較于此，經(jīng)過(guò) PCA降維的深度學(xué)習(xí)模型識(shí)別準(zhǔn)確率變化波動(dòng)小，最大變化準(zhǔn)確率僅為4.38個(gè)百分點(diǎn)，對(duì)低信噪比目標(biāo)的識(shí)別率比較穩(wěn)定。

表5 各模型在不同信噪比時(shí)識(shí)別準(zhǔn)確率對(duì)比Table 5 Comparison of recognition accuracies of different models under different SNRs

圖9 不同信噪比下不同模型的識(shí)別準(zhǔn)確率對(duì)比Fig.9 Comparison of recognition accuracies of different models at different signal-to-noise ratios

此外，對(duì)比不同學(xué)習(xí)方法，傳統(tǒng)機(jī)器學(xué)習(xí)模型識(shí)別效果不佳，相較于LSTM和Attcntion-LSTM模型，在-10 dB信噪比條件下，KNN模型識(shí)別率分別降低了5.49個(gè)百分點(diǎn)和5.57個(gè)百分點(diǎn)。PCA降維前后的LSTM模型和Attcntion-LSTM模型分別提高了10.55個(gè)百分點(diǎn)和12.15個(gè)百分點(diǎn)。而PCA-LSTM和PCA-Attcntion-LSTM模型相比PCA-KNN模型分別提高了14.45個(gè)百分點(diǎn)和16.13個(gè)百分點(diǎn)。

表6在預(yù)測(cè)性能方面做了比較。LSTM 的ERMS、EMA、R2等精確度指標(biāo)遠(yuǎn)好于KNN模型，在低信噪比時(shí)更為明顯，經(jīng)過(guò) PCA降維和添加注意力機(jī)制后的模型精確度要好于沒(méi)有經(jīng)過(guò)降維和添加注意力機(jī)制的模型，因此PCA-Attcntion-LSTM模型有較好的識(shí)別效果。

表6 各模型在不同信噪比時(shí)預(yù)測(cè)精度對(duì)比Table 6 Comparison of prediction accuracies of different models under different SNRs

表7在運(yùn)算時(shí)間方面做了比較。傳統(tǒng)機(jī)器學(xué)習(xí)算法KNN的分類時(shí)間少于LSTM的訓(xùn)練時(shí)間。其中 PCA-KNN的運(yùn)算時(shí)間最少，但識(shí)別率相對(duì)較低。PCA-LSTM和PCA-Attcntion-LSTM的運(yùn)算時(shí)間遠(yuǎn)小于不降維的模型，在未添加噪聲的情況下，運(yùn)算時(shí)間分別提升了96.32%和95.46%，模型準(zhǔn)確率效果較好，且與 PCA-KNN的分類時(shí)間相差不多，能夠有效提高運(yùn)算速度，提升訓(xùn)練效率。

表7 各模型在不同信噪比時(shí)運(yùn)算時(shí)間對(duì)比Table 7 Comparison of operation time of different models under different SNRs

因此，提出的基于小波包分解特征的 PCAAttcntion-LSTM模型能夠有效地提高識(shí)別準(zhǔn)確率和預(yù)測(cè)精度，減少運(yùn)算時(shí)間。

4 結(jié) 論

本文提出的基于小波包分解的多特征艦船輻射噪聲識(shí)別模型具有良好的識(shí)別性能，提高了輻射噪聲的識(shí)別準(zhǔn)確率，降低了訓(xùn)練時(shí)間，為輻射噪聲識(shí)別提供了新的方法和思路，為精確識(shí)別目標(biāo)、確定目標(biāo)類型提供了保證。

（1） 用小波包分解技術(shù)提取不同頻段上多個(gè)特征，重點(diǎn)刻畫頻段細(xì)節(jié)，提升特征提取的全面性。

（2） 用PCA算法對(duì)數(shù)據(jù)進(jìn)行降維，提取輻射噪聲特征的關(guān)鍵影響因子，降低輸入數(shù)據(jù)的維度，減少模型計(jì)算時(shí)間，提高性能。

（3） 在LSTM模型的基礎(chǔ)上，引入注意力機(jī)制，重點(diǎn)關(guān)注對(duì)識(shí)別結(jié)果有影響的特征序列，在輸入的特征數(shù)據(jù)中尋找有用信息，提高識(shí)別準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明，引入注意力機(jī)制算法對(duì)低信噪比輻射噪聲的識(shí)別分類更有效。

（4） 提出的基于小波包分解和 PCAAttcntion-LSTM 模型可以準(zhǔn)確識(shí)別輻射噪聲的目標(biāo)類型，相較于KNN算法，在識(shí)別效果上有了顯著提升，相比于LSTM算法既保證了識(shí)別準(zhǔn)確率又降低了訓(xùn)練時(shí)間，表明該方法在識(shí)別輻射噪聲目標(biāo)方面具有明顯的優(yōu)勢(shì)。

（5） 特征提取是按照小波包進(jìn)行頻段分解，分解后既有高頻分量又有低頻分量的特征，且添加的噪聲不僅有低頻信息，也有高頻信息。雖然艦船輻射噪聲的能量通常集中在低頻段，但模型可以有效地適應(yīng)高頻干擾信號(hào)達(dá)到較好的識(shí)別效果。因此當(dāng)小波分解只分離低頻信息時(shí)，效果還會(huì)有所提升。

（6） 對(duì)于實(shí)際應(yīng)用領(lǐng)域中更多艦船種類的識(shí)別，可以通過(guò)增加數(shù)據(jù)集種類、提高泛化能力和增加深度網(wǎng)絡(luò)的分支數(shù)量來(lái)解決。