技术摘要：
本发明提出了一种基于统计分布的舰船辐射噪声特征重组方法，根据舰船辐射噪声特性，分别对有限长原始噪声信号进行1 1/2维谱分析、LOFAR谱分析和DEMON谱分析，并利用统计分析方法获取舰船辐射噪声谱图中线谱及调制谱的概率分布特征。为了降低特征信息冗余，再通过主成分  全部
背景技术：
水声目标识别是指以非接触、远距离的方式探测目标，并通过识别分类算法实现 对水声目标类型的判别，特征重组是通过对已提取的特征进行重新组合来获得更好的分类 识别效果的方法。水声目标识别涵盖了水声目标特性分析、水声目标特征提取以及分类器 选择与设计三个重要方向，三者之间层层递进缺一不可。目前，用于水声目标特征提取的方 法主要有以下四类：1、时域波形特征提取，时域波形特征携带了峰间分布、过零点波长以及 过零点波长差分等信息，反映了信号幅度的起伏程度和频率高低、快慢变化等信息；2、时频 分析特征提取，时频分析是指分析信号的时频分布，表现信号频率随时间变化情况；3、听觉 特征提取，将听觉感知方法应用在水声信号处理中主要包括三种方法：第一种，通过模拟人 耳功能的数理模型实现人耳听觉特征提取；第二种，直接从目标辐射噪声中提取音色特征 量与响度特征量，作为人耳主观反映听觉的特征；第三种，利用语音信号处理方法，提取经 典听觉特征。4、谱分析特征提取，水声目标信号谱特征主要包括线谱特征、连续谱特征、调 制谱特征、功率谱特征、高阶谱特征等。 目前，如何解决在未知、复杂的海洋环境噪声背景下，减小舰船辐射噪声类内差 异，提高类别间差异，突出反映舰船识别特征是水声目标信号特征提取的研究重点。常见的 时域波形特征提取方法有搜寻极值、匹配滤波器以及过零点分布等，其特征提取结果受信 噪比影响较大，且缺乏真实物理意义，在不同时空背景下难以对特定目标进行表征。小波变 换是一种具有多分辨率的时频分析方法，利用小波基函数将信号分解实现局部细节分析。 然而，这一方法对先验条件要求较高，需要知道信号与噪声的频带范围分布，不具备普适 性。人耳的听觉模型相比于现有的水声目标识别方法具有更好的鲁棒性，因此听觉特征提 取方法具有较高的普适性，有效的应对不同环境不同背景下的水声目标特征提取问题，但 因为其模型复杂、计算量大等问题并没有做到完全的推广。 目前，应用最为广泛的特征提取方法是谱分析特征提取方法，该类方法旨在从频 域角度分析目标信号频率分布特征，特征结果具有真实物理意义。不同的谱分析方法决定 了特征值反映的物理意义有所差异，如LOFAR谱分析反映了时变功率谱信号的频率随时间 变化的分布；DOMEN谱分析反映了信号中携带的调制信息；高阶谱分析反映了信号能量在频 带上的分布情况等。对于水声目标识别而言，增强特征值对目标样本的表征能力，有效地扩 大样本类别间差异，从而提高分类识别效果是特征提取方法研究的重点。相比于单一特征 提取方法，基于特征重组的特征表征方法既保留了单一特征提取的准确性，同时做到各方 面特征相互补充、扩展和重构，大大提高了特征提取结果的鲁棒性和综合性，在水声目标识 别中有重要的应用价值。 7 CN 111553207 A 说　明　书 2/15 页
技术实现要素：
本发明的目的是提出一种基于统计分布的舰船辐射噪声特征重组方法，在未知、 复杂环境背景下，舰船辐射噪声特征提取结果鲁棒性不强、识别效率低的问题。 一种基于统计分布的舰船辐射噪声特征重组方法，所述方法包括以下步骤： 步骤一：获取一段舰船辐射噪声样本数据，对有限长舰船辐射噪声功率谱进行11/ 2维谱分析，获取低频线谱信息； 步骤二：根据步骤一得到的11/2维谱图中的低频线谱分布，作归一化处理，初步获 取低频线谱在各频率区间的概率分布； 步骤三：根据步骤一中获取的舰船辐射噪声样本数据，通过短时傅里叶变换方法 对所述舰船辐射噪声样本数据的LOFAR谱图进行分析； 步骤四：根据步骤三中获得的LOFAR谱图，将频率范围均匀划分为多个子带空间， 分析不同时间内目标信号的时变功率谱在各频率子带空间内的统计分布情况，作归一化处 理，进一步获取舰船辐射噪声线谱在各频率子带空间的概率分布； 步骤五：对步骤一中的舰船辐射噪声样本数据进行DEMON谱分析，获取目标信号的 低频调制信息； 步骤六：根据步骤五中获得的低频调制信息，分析调制包络的低频成分在不同频 率区间的统计分布情况，作归一化处理，得到目标样本的低频调制成分在各频率区间内的 概率分布； 步骤七：对步骤五中获得的DEMON谱分析结果进行11/2维谱分析，获得更加纯净的 调制谱谱线； 步骤八：根据步骤七中获得的更加纯净的调制谱谱线，缩小各频率区间范围，再次 执行步骤六； 步骤九：将步骤二、步骤四、步骤六和步骤八中获得的概率分布特征首尾相接，得 到一个高维的特征样本； 步骤十：利用主成分分析法对步骤九中的高维的特征样本进行降维处理，得到基 于统计分布的舰船辐射噪声综合特征样本； 步骤十一：选取适合的分类器，对步骤十中获得的特征样本进行训练、识别，完成 对舰船类别的分类。 进一步的，在步骤一中：利用11/2维谱分析的去噪能力和基频分量加强能力，对目 标信号的功率谱进行分析获取低频线谱分量，具体的，对于舰船辐射噪声样本信号的功率 谱X(ω)而言，所述功率谱X(ω)的三阶积累量为C3x＝(τ1,τ2)，则所述功率谱X(ω)的对角 切片表示为C3x(τ,τ)(τ1＝τ2＝τ)，将对角切片进行Fourier变换的结果C3x(ω)称为原始信 号的11/2维谱，其表达式为： 简化为： C3x(ω)＝X*(ω)[X(ω)*X(ω)]   (3) 8 CN 111553207 A 说　明　书 3/15 页 式中：X(ω)是x(t)的Fourier变换结果；X*(ω)是X(ω)的复共轭。 进一步的，在步骤二中：具体为： 根据步骤一中获得的功率谱中低频线谱分量在频域分布情况，将0-1kHz频带分为 W1＝40个均匀区间，根据下式获得各子带的分布特征值pw； 式中：k＝Int(N/2W)表示取N/2W的整数部分；另，Δfs＝fs/N,fs＝50kHz,N＝2000， 由于不同舰船的辐射噪声强度有所不同，为了建立统一的评价标准对特征值进行归一化处 理 由此提取对信号功率谱进行11/2维谱分析的40维特征向量(Z1,1,Z1,2,...,Z1,40)， 由于该方法忽略了信号随时间的变化，因此其物理意义表征舰船辐射噪声线谱分量在0- 1kHz频带内的粗测分布情况。 进一步的，在步骤三中，包括以下步骤： 步骤三一、将获得的舰船辐射噪声样本信号沿时间轴分成M帧信号，每帧信号中含 有N个采样点，为了避免信号分节引起的信息丢失，每相邻的帧信号之间存在一定的重叠， 重叠度视情况而定； 步骤三二、对每一帧信号Lk(n)(k＝1,2,...,M；n＝1,2,...,N)进行归一化和中心 化处理，使信号的幅度和方差在0-1之间，且样本均值为0； 归一化处理： 中心化处理： 步骤三三、对分帧处理后的信号xk(n)进行傅里叶变换获得其频域信号Xk(ω)，即 为第k帧信号的LOFAR谱信息，将M帧信息在时间轴上排列获得原始信号在时间、频率轴上的 LOFAR谱图： Xk(ω)＝NFFT[xk(n)]   (8)。 进一步的，在步骤四中，具体的，根据步骤三中获得的舰船辐射噪声LOFAR谱图，将 LOFAR谱图看作一个M×N的二维谱图，横轴1-N为频率轴，纵轴1-M为时间轴，谱图亮度表示 在某一时刻、某一频率的幅度值vm,n的高低；由于舰船机械噪声和螺旋桨噪声主要分布在0- 1kHz范围内，将0-1kHz频带分为W2＝82个均匀区间，根据下式获得各子带的分布特征值pw； 9 CN 111553207 A 说　明　书 4/15 页 式中：k＝Int(N/2W)表示取N/2W的整数部分；且采样点数N＝2000，由于不同舰船 的辐射噪声强度有所不同，为了建立统一的评价标准对特征值进行归一化处理： Z2,w＝pw/Max(pw) ,w＝1,2,...,82   (10) 由此提取对舰船辐射噪声LOFAR谱的82维特征向量(Z2,1 ,Z2 ,2,...,Z2 ,82)，其物理 意义表征舰船辐射噪声线谱分量在0-1kHz频带内的精测分布情况。 进一步的，在步骤五中，具体包括以下步骤： 步骤五一、带通滤波：截取具有调制分量的频带信号，为作为DEMON谱分析的宽带 信号； 步骤五二、线性检波：将滤波器的输出结果进行绝对值检波，利用正交解调的方式 获取调制信号的包络信息； 步骤五三、低通滤波：采用低通滤波器截取包括信息中的有效信息； 步骤五四、傅里叶变换：对低通滤波器的输出结果进行傅里叶变换，将傅里叶变换 后的结果转换为功率谱信息即为信号的DEMON谱分析结果Y(ω)。 进一步的，在步骤六中，具体的：根据步骤五中获得的舰船辐射噪声DEMON谱结果D (ω)，将0-100Hz频带分为W3＝20个均匀区间，根据下式获得各子带的分布特征值pw： 式中：k＝Int(N/2W)表示取N/2W的整数部分，且采样点数N＝200，由于不同舰船的 辐射噪声强度有所不同，为了建立统一的评价标准对特征值进行归一化处理： Z3,w＝pw/Max(pw) ,w＝1,2,...,20   (12) 由此提取对舰船辐射噪声DEMON谱分析的20维特征向量(Z3 ,1 ,Z3 ,2,...,Z3 ,20)，所 述20维特征向量(Z3,1,Z3,2,...,Z3,20)的物理意义表征舰船辐射噪声调制谱分量在0-100Hz 频带内的粗测分布情况。 进一步的，在步骤七中，根据步骤五中获得的DEMON谱分析结果Y(ω)，Y(ω)的三 阶积累量为C3y＝(τ1,τ2)，则Y(ω)的对角切片表示为C3y(τ,τ)(τ1＝τ2＝τ)，将对角切片进行 Fourier变换的结果C3y(ω)称为原始信号的11/2维谱，C3y(ω)的表达式为： 简化为： 10 CN 111553207 A 说　明　书 5/15 页 C3y(ω)＝Y*(ω)[Y(ω)*Y(ω)]    (15) 式中：Y(ω)是y(t)的Fourier变换结果；Y*(ω)是Y(ω)的复共轭。 进一步的，所述步骤八具体为： 根据步骤七中获得的DEMON谱中调制分量在频域分布情况，将0-100Hz频带分为W4 ＝50个均匀区间，根据下式获得各子带的分布特征值pw： 式中：k＝Int(N/2W)表示取N/2W的整数部分；另，Δfs＝fs/N,fs＝50kHz,N＝200， 由于不同舰船的辐射噪声强度有所不同，为了建立统一的评价标准对特征值进行归一化处 理： Z4,w＝pw/Max(pw) ,w＝1,2,...,50    (17) 由此提取对信号DEMON谱结果进行11/2维谱分析的50维特征向量(Z4 ,1,Z4 ,2,..., Z4,50)，因此所述50维特征向量(Z4,1,Z4,2,...,Z4,50)的物理意义表征舰船辐射噪声调制谱分 量在0-100Hz频带内的精测分布情况。 进一步的，在步骤九中，具体为： 根据步骤二、步骤四、步骤六和步骤八中获得的4组特征向量，将4组特征向量首尾 相连得到一个192维特征向量Zw： Zw＝(Z1 ,1,Z1 ,2,...,Z1 ,40,Z2,1 ,Z2,2,...,Z2,82,Z3 ,1 ,Z3 ,2,...,Z3 ,20,Z4 ,1 ,Z4 ,2,..., Z4,50)    (18)。 在步骤十中，具体为： 根据步骤九中研究的192维特征向量，构成了一个w＝192维随机向量为Z＝(Z1 , Z2,...,Zw) '，设随机向量Z的均值为μ，协方差矩阵为∑，对Z进行线性变换，进而可以形成新 的由Z线性组合而成的综合变量，用Q表示，即满足下式： 且线性变换约束要满足如下的原则： 第一原则：μi'μi＝1，即 第二原则：Qi与Qj不相关，(i≠j；i,j＝1,2,,w)； 第三原则：Q1是Z1 ,Z2,,Zw的所有满足第一原则的线性组合当中方差最大的一个： 首先Q2是与Q1不相关的，其次Q2是Z1,Z2,,Zw的所有线性组合中方差第二大的一个；…；Qw是 与Q1,Q2,,Qw都不相关的，并且Qw是Z1,Z2,,Zw的所有线性组合中方差最小的一个， 根据上述三条原则来产生而出的综合变量Q1,Q2,,Qw，每个综合变量在总方差当中 所占的比重是按照循序依次递减，因此选取前m＝100个变量作为分类器识别的综合特征向 11 CN 111553207 A 说　明　书 6/15 页 量。 本发明的主要优点是： (1)本发明能够给出舰船辐射噪声中线谱在频域的分布情况和舰船辐射噪声中的 调制信息，综合地对舰船辐射噪声样本进行表征，并且识别效果明显高于单一谱分析特征 提取方法，特别是样本数目越多识别正确率越高。 (2)本发明能够提高舰船辐射噪声特征提取的鲁棒性，从多角度对特征进行分析， 能够有效地解决在未知、复杂环境下舰船特征不明显的问题，降低目标错误识别概率。 (3)本发明针对水声目标识别中舰船辐射噪声特征提取的特点，将线谱特征和调 制谱特征的频域统计分布应用于舰船辐射噪声特征重组，不仅提高综合特征的识别效率并 且算法模型也较为简单。 附图说明 图1为本发明的一种基于统计分布的舰船辐射噪声特征重组方法的方法流程图； 图2为特征重组过程示例图； 图3为两类舰船辐射噪声样本频域功率谱图，其中，图3(a)为样本1功率谱图；图3 (b)为样本2功率谱图； 图4为样本2的特征提取结果，其中，图4(a)为功率谱的11/2维谱分析结果；图4(b) 为LOFAR谱分析结果；图4(c)为DEMON谱分析结果；图4(d)为DEMON谱的11/2维谱分析结果； 图5为对样本2的线谱和调制谱频域概率分布特征的量化，其中，图5(a)为粗测的 线谱概率分布；图5(b)为精测的线谱概率分布；图5(c)为粗测的调制谱概率分布；图5(d)为 精测的调制谱概率分布； 图6为两类样本的综合特征提取结果，其中，图6(a)为样本1的综合特征；图6(b)为 样本2综合特征； 图7为以支持向量机作为分类器对两类样本的分类结果，其中，图7(a)为对已训练 样本的识别混淆矩阵；图7(b)为对测试样本的识别混淆矩阵。