被動聲納目標(biāo)稀疏表示分類識別方法

康春玉，李巖洲，夏志軍，寇 祝

（海軍大連艦艇學(xué)院，遼寧 大連 116018）

被動聲納目標(biāo)分類識別就是利用聲納接收的目標(biāo)輻射噪聲來實現(xiàn)目標(biāo)的分類識別，相對主動聲納目標(biāo)識別來說具有隱蔽性，是未來潛艇戰(zhàn)和反潛作戰(zhàn)中隱蔽攻擊、先敵發(fā)現(xiàn)、爭取戰(zhàn)場主動的先決條件，是實現(xiàn)魚雷、水雷等水下武器系統(tǒng)智能化的關(guān)鍵技術(shù)之一，也是國內(nèi)外一直公認且尚未解決的難題。實現(xiàn)被動聲納目標(biāo)的智能分類識別主要包括兩方面的關(guān)鍵技術(shù)，一方面是特征提取技術(shù)，另一方面是分類器技術(shù)[1]。針對特征提取技術(shù)，實現(xiàn)的技術(shù)途徑主要有時域波形特征提取、譜分析特征提取、時頻分析特征提取、混沌與分形非線性特征提取、聽覺模型特征提取等[2-5]。針對分類器技術(shù)，主要有模板匹配、最近鄰分類器、神經(jīng)網(wǎng)絡(luò)分類器、支持向量機分類器、專家系統(tǒng)、深度學(xué)習(xí)和融合分類器等方法[2-3，6-8]。從目前現(xiàn)狀來看，被動聲納目標(biāo)分類識別離實際需求還有比較大的距離。同時，上述分類器技術(shù)，一般是選定訓(xùn)練樣本通過訓(xùn)練獲得分類器權(quán)系數(shù)實現(xiàn)目標(biāo)的分類識別，實際應(yīng)用中，如果訓(xùn)練樣本增加則需要重新訓(xùn)練整個網(wǎng)絡(luò)，分類器的在線擴充和推廣能力一般。因此，尋找分類識別率高，不需要訓(xùn)練，在線擴充方便，推廣能力強的分類識別方法在水下被動聲納目標(biāo)識別中具有十分重要的軍事意義。

借鑒稀疏表示分類器在圖像識別等領(lǐng)域中的成功應(yīng)用[9-10]，基于提取的被動聲納目標(biāo)功率譜特征，提出了一種水下被動聲納目標(biāo)稀疏表示分類識別方法，通過海上實錄艦船輻射噪聲分類實驗表明，分類性能優(yōu)于常規(guī)最近鄰分類器、BP神經(jīng)網(wǎng)絡(luò)分類器和支持向量機分類器。

1 功率譜特征提取

功率譜特征是一種常用的被動聲納目標(biāo)特征提取方法，論文采用的方法如圖1所示。

圖1 功率譜特征提取

功率譜特征提取主要步驟。

第一步：對類型已知的艦船輻射噪聲樣本x（n）進行帶通和歸一化預(yù)處理，得到合適的艦船輻射噪聲樣本庫。

第二步：對預(yù)處理后的每一個輻射噪聲樣本進行重疊50%的分段，對取下的每一段數(shù)據(jù)進行加哈明窗處理，并計算加窗后每一段信號的功率譜。

第三步：將所有段的功率譜相應(yīng)相加取平均得到該輻射噪聲樣本的功率譜特征，并對功率譜特征取對數(shù)和歸一化，得到該輻射噪聲樣本的特征P贊（ω）。

對每個艦船輻射噪聲樣本按上述步驟進行功率譜特征提取，得到整個輻射噪聲樣本的功率譜特征庫。

2 稀疏表示分類器

基于整個輻射噪聲樣本特征庫，按照一定間隔均勻選取N個輻射噪聲樣本特征，類似于神經(jīng)網(wǎng)絡(luò)分類器中的訓(xùn)練樣本庫，用這些樣本特征構(gòu)造完備的特征原子庫，M為特征的維數(shù)。將余下的輻射噪聲樣本特征庫作為測試樣本特征庫。

這樣，任意一個測試樣本特征y∈RM可以由這組訓(xùn)練樣本集特征近似的線性組合表示：

式中，ai（i=1，2，…，N）表示稀疏系數(shù)，式（1）寫成矩陣可表示為

即最小的殘差對應(yīng)的類別為測試樣本的類別。

顯然，稀疏表示分類器的核心就是求出稀疏系數(shù)Θ，事實上就是解欠定方程組（2）。這是一標(biāo)準(zhǔn)稀疏分解問題，最直接的方法就是將問題轉(zhuǎn)化為如（4）式所示的優(yōu)化問題，并求解得到稀疏表示系數(shù)，論文中采用匹配追蹤稀疏表示算法[9-10]。

最后，根據(jù)式（3）所示的分類準(zhǔn)則，確定測試樣本的類型。很顯然，上述過程中沒有訓(xùn)練過程，如果有新的訓(xùn)練樣本出現(xiàn)，則可將其直接擴充到特征原子庫A即可。

3 分類識別檢驗與結(jié)果分析

被動聲納目標(biāo)分類識別檢驗中，主要研究了三類水中目標(biāo)輻射噪聲樣本的分類識別情況，全部噪聲樣本是在不同工況和水文氣象條件下，實錄的海上三類目標(biāo)（分別用I、II和III表示）輻射噪聲。對所有實錄的輻射噪聲進行數(shù)字采樣后，每6.5 s數(shù)據(jù)作為一個樣本，按功率譜特征提取方法得到所有樣本的功率譜特征，并將整個樣本特征均勻間隔11個取出1個樣本特征構(gòu)成特征原子庫A，余下的作為測試樣本集，相當(dāng)于每間隔65 s選取一個樣本進行訓(xùn)練，然后取這兩個訓(xùn)練樣本的中間樣本作為測試樣本。由此得到訓(xùn)練樣本集：第I類目標(biāo)54個，第II類目標(biāo)315個，第III類目標(biāo)41個，共計410個；測試樣本集：第I類目標(biāo)535個，第II類目標(biāo)3 153個，第III類目標(biāo)408個，共計4 096個。表1是采用最近鄰分類器、BP神經(jīng)網(wǎng)絡(luò)分類器、支持向量機分類器及稀疏表示分類器得到的每類目標(biāo)的分類識別概率。

表1 不同分類器對每類目標(biāo)的分類識別概率（%）

從表1可以看出，稀疏表示分類器表現(xiàn)出了更好的性能，對每類目標(biāo)的正確分類識別概率和總體正確分類識別概率均高于其他分類器。

4 結(jié)論

針對被動聲納目標(biāo)的分類識別問題，提取了艦船輻射噪聲的功率譜特征，并抽取部分樣本構(gòu)建特征原子庫，通過稀疏表示算法實現(xiàn)了被動聲納的分類識別。結(jié)果表明，該方法優(yōu)于常規(guī)的最近鄰分類器、BP神經(jīng)網(wǎng)絡(luò)分類器和支持向量機分類器，而且該方法不需要預(yù)先訓(xùn)練，完備原子庫能隨時擴充。需要說明的是，如果訓(xùn)練樣本庫特別大，如何使用該方法還需要進一步驗證與研究。