寬帶信號(hào)用于小目標(biāo)的探測(cè)和識(shí)別

1、寬帶信號(hào)在水下目標(biāo)探測(cè)和識(shí)別中的應(yīng)用1. 寬帶信號(hào)寬帶信號(hào)的概念其實(shí)是從雷達(dá)信號(hào)理論中產(chǎn)生出散射中對(duì)寬帶信號(hào)特來(lái)的。因此，可以借鑒雷達(dá)中對(duì)寬帶信號(hào)特性和信號(hào)處理方法上的研究對(duì)比水聲中寬帶信號(hào)目標(biāo)識(shí)別模式。利用信號(hào)帶寬的概念，對(duì)寬帶信號(hào)的可以根據(jù)信號(hào)的頻帶寬度相對(duì)于中心頻率的比來(lái)描述：為信號(hào)的上限頻率，為信號(hào)的下限頻率。通過(guò)定義相對(duì)帶寬的值，當(dāng)實(shí)際信號(hào)的相對(duì)帶寬大于定義的相對(duì)帶寬的值時(shí)，該信號(hào)定義為寬帶信號(hào)。2. 典型寬帶信號(hào)的時(shí)頻特性2.1線性調(diào)頻信號(hào)線性調(diào)頻信號(hào)本身是檢驗(yàn)時(shí)頻分布處理方法聚焦性的特殊信號(hào)，而且具有頻譜寬，頻帶內(nèi)能量集中，頻帶外能量衰減迅速的特點(diǎn)，在雷達(dá)和航空領(lǐng)域應(yīng)用廣泛，在水

2、聲中也是應(yīng)用比較多的一種寬帶信號(hào)。其時(shí)域表達(dá)式為其中，為幅度，為脈沖寬度，為載頻，為頻率的變化率，為帶寬，為矩形函數(shù)，其表達(dá)式為：3. 研究背景主動(dòng)聲吶目標(biāo)識(shí)別是由主動(dòng)聲吶發(fā)射脈沖聲信號(hào)，然后對(duì)接收到的經(jīng)目標(biāo)反射會(huì)開(kāi)的回波信號(hào)進(jìn)行分析，依據(jù)回波信號(hào)具有的特征來(lái)判斷目標(biāo)的類別經(jīng)目標(biāo)反射的回波是關(guān)于目標(biāo)的類型、目標(biāo)和聲吶設(shè)備之間的距離以及目標(biāo)的方位等的函數(shù)，通過(guò)對(duì)函數(shù)進(jìn)行分析可以得出許多表征目標(biāo)特征的信息，比如回波展寬、幅度、相位、目標(biāo)尺度、反射系數(shù)、能譜等；通過(guò)激勵(lì)信號(hào)激發(fā)出的目標(biāo)本身的散射特性識(shí)別目標(biāo)時(shí)有效的目標(biāo)識(shí)別手段，然而只有獲得目標(biāo)在足夠?qū)挼念l段內(nèi)的散射相應(yīng)才有可能對(duì)目標(biāo)進(jìn)行識(shí)別和判斷，

3、因此，進(jìn)一步研究寬帶回波的目標(biāo)特性具有重要的實(shí)際意義。目前，隨著計(jì)算機(jī)技術(shù)和信號(hào)處理技術(shù)的發(fā)展，基于寬帶信號(hào)激勵(lì)下的目標(biāo)回波特性的研究日益受到重視，并且正在應(yīng)用于水聲理論和設(shè)備研究的各個(gè)方面，從主動(dòng)聲納到小目標(biāo)自導(dǎo)，從潛艇的目標(biāo)探測(cè)到反潛武器的研究，目標(biāo)寬帶散射的應(yīng)用會(huì)逐漸擴(kuò)大。各國(guó)的理論和實(shí)驗(yàn)研究逐漸重視目標(biāo)本身的寬頻段相應(yīng)特性。這是基于目標(biāo)散射特性進(jìn)行目標(biāo)識(shí)別的理論基礎(chǔ)。目前國(guó)內(nèi)水聲領(lǐng)域?qū)δ繕?biāo)的識(shí)別多采用單頻窄帶脈沖信號(hào)，而對(duì)于寬帶信號(hào)引起的目標(biāo)本身的物理特性的研究很少。相對(duì)于單頻信號(hào)存在的頻率寬度不夠的特點(diǎn)，寬帶信號(hào)具有攜帶目標(biāo)信息量大，背景相關(guān)性弱的特點(diǎn)。對(duì)于聲納研制中采用寬帶信號(hào)目的

4、集中水下運(yùn)動(dòng)目標(biāo)的探測(cè)，主要提高信噪比，提高探測(cè)距離和探測(cè)精度，著眼于加強(qiáng)目標(biāo)的幾何亮點(diǎn)回波，這種情況下，目標(biāo)的寬帶信號(hào)回波具有信息量大，背景相關(guān)弱，有利于目標(biāo)探測(cè)、參量估計(jì)和目標(biāo)特征提取等特點(diǎn)，可實(shí)現(xiàn)目標(biāo)的精確測(cè)距和測(cè)速以及目標(biāo)識(shí)別。4. 基于寬帶信號(hào)的小目標(biāo)識(shí)別研究現(xiàn)狀寬帶信號(hào)的頻率一般在100kHz-220kHz之間，相對(duì)于簡(jiǎn)單的窄帶信號(hào)，目標(biāo)的寬帶回波信號(hào)可以獲得更豐富的時(shí)域響應(yīng)和頻域響應(yīng)信息。Rogers等人用統(tǒng)計(jì)頻譜的方法，使用遺傳神經(jīng)網(wǎng)絡(luò)分類器對(duì)鯡小目標(biāo)、胡瓜小目標(biāo)和白鮭小目標(biāo)的個(gè)體進(jìn)行了識(shí)別 E. Rogers, G. Fleischer, P. Simposn, et al.

5、 Broadband fish identification of Laurentian Great Lakes fishesC. International Geoscience and Remote Sensing Symposium, 2004, 2: 1430-1434.。Kulinchenko等人使用繩系法對(duì)太平洋大比目小目標(biāo)和巖小目標(biāo)進(jìn)行了實(shí)驗(yàn)，并利用回波包絡(luò)和統(tǒng)計(jì)頻譜特征兩種方法成功對(duì)大比目小目標(biāo)、巖小目標(biāo)、海底進(jìn)行了分類 A. Kulinchenko, P. Simpson, G. Denny. Tethered Fish Data Collection and Species

6、 Classification: Prince William Sound Bottom fishC. International Geoscience and Remote Sensing Symposium, 2004, 2:1439-1443.。Brundage等人利用寬帶信號(hào)對(duì)單體的短鼻鱘小目標(biāo)和其他三種小目標(biāo)以及湖底進(jìn)行探測(cè)，利用回波信號(hào)的統(tǒng)計(jì)頻譜作為特征量，并用BP神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行分類，成功對(duì)短鼻鱘小目標(biāo)進(jìn)行了識(shí)別 H. Brundage III, J. Jung. Experiments with Broadband Sonar for the Detection and Id

7、entification of Endangered Shortnose Sturgeon J. Marine Technology Society Journal.2009,43(3):78-82.。文獻(xiàn) Bo Lundgren, J.Rasmus Nielsen. Amethod for the possible species discrimination of juvenile gadoids by broad-bandwidth backscattering spectra vs. angle of incidenceJ.ICES Journal of Marine Science.

8、2008,65(4):581-593.利用寬帶信號(hào)和窄帶信號(hào)同時(shí)對(duì)單體小目標(biāo)進(jìn)行照射.文獻(xiàn) Olsen K K, Antonsen G. Broadband echo signals used for fish species identificationC.ICES Scientific Conference.2004.利用統(tǒng)計(jì)頻率的方法，選用模糊神經(jīng)網(wǎng)絡(luò)分類器，成功對(duì)鱈小目標(biāo)、青鱈和鯡小目標(biāo)的個(gè)體進(jìn)行了識(shí)別。文獻(xiàn) Conti S G, Demer D A. Wide-bandwidth acoustical characterization of anchovy and sardine f

9、rom reverberation measurements in an echoic tankJ.ICES Journal of Marine Science,2003,60(3):617-624.對(duì)沙丁小目標(biāo)和鳳尾小目標(biāo)進(jìn)行寬帶探測(cè)，發(fā)現(xiàn)兩種小目標(biāo)在不同頻率下的目標(biāo)強(qiáng)度有非常明顯的差異，與基爾霍夫射線模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，當(dāng)頻率低于25kHz時(shí)，模型預(yù)測(cè)結(jié)果與試驗(yàn)結(jié)果不符。文獻(xiàn) Jung J B，Jacobs J H, Dowding G A,et al. Initial species discrimination experiments with riverine salmonids

10、C.Proceeding of the International Joint Conference. 2003,2:1295-1300.對(duì)兩種不同的大馬哈小目標(biāo)進(jìn)行寬帶探測(cè)，并利用統(tǒng)計(jì)頻譜特征，選用概率神經(jīng)網(wǎng)絡(luò)分類器成功進(jìn)行了分類。中科院聲學(xué)所基于頻域離散小波變換對(duì)小目標(biāo)群進(jìn)行了識(shí)別，通過(guò)分析不同小目標(biāo)群的寬帶回波信號(hào)，提取小目標(biāo)群回波的彈性亮點(diǎn)和幾何亮點(diǎn)，選用頻域離散小波變換和常數(shù)Q濾波子帶能量作為識(shí)別特征量區(qū)分不同的小目標(biāo)群，達(dá)到小目標(biāo)群自動(dòng)分類識(shí)別的目的 張喬，魚(yú)類的回波特性與識(shí)別技術(shù)研究D. 中國(guó)科學(xué)院大學(xué).2015.。寬帶信號(hào)小目標(biāo)識(shí)別的算法流程如下所示：圖 1 目標(biāo)識(shí)別算法流程其

11、中，預(yù)處理主要包括信號(hào)濾波，信號(hào)的濾波采用寬帶信號(hào)處理方法。5 寬帶信號(hào)特征提取的技術(shù)難點(diǎn)特征提取和選擇：信號(hào)特征提取是指獲取信號(hào)中的有效信息，主要是經(jīng)特征形成、變換或選擇到最終形成有效特征的過(guò)程。這一過(guò)程包括的處理工作有：特征的形成、特征的提取，特征的選擇。特征形成是根據(jù)被識(shí)別的對(duì)象產(chǎn)生出一些基本特征值來(lái)表示被識(shí)別的對(duì)象，這組基本特征成為原始特征，可以通過(guò)直接測(cè)量或計(jì)算獲得。特征提取在廣義上是指一種變換，原始特征一般都存在信息冗余、區(qū)分性不高以及維數(shù)過(guò)高等問(wèn)題，為了更有效的表征信號(hào)的本質(zhì)，利用數(shù)學(xué)變換的方法對(duì)維數(shù)較高的原始特征數(shù)據(jù)進(jìn)行變換，得到高維的原始特征的某種組合，對(duì)原始特征的維數(shù)進(jìn)行了

12、壓縮，從而形成低維的特征量。特征選擇是指為了降低特征空間的維數(shù)，從得到的基本特征中選用對(duì)分類識(shí)別最有效的特征，去除基本特征中那些對(duì)分類作用不大的特征。5.1 特征提取準(zhǔn)確的提取目標(biāo)特征是目標(biāo)識(shí)別分類過(guò)程中最關(guān)鍵的一環(huán)。主動(dòng)目標(biāo)識(shí)別中，特征提取算法的有效性取決于特征反應(yīng)目標(biāo)物理本質(zhì)信息的準(zhǔn)確性。同時(shí)目標(biāo)特征還受到環(huán)境如：傳輸信道、混響、環(huán)境噪聲等因素的影響，故而目標(biāo)特征的選擇通常需要反復(fù)驗(yàn)證。特征提取算法需要具備以下兩方面能力：一是去除冗余目標(biāo)信息，簡(jiǎn)化運(yùn)算過(guò)程便于識(shí)別分類；二是提取的特征要充分，以保證識(shí)別成功率。目標(biāo)回波主要由目標(biāo)的散射聲波、混響和環(huán)境噪聲等疊加構(gòu)成，相同環(huán)境下目標(biāo)的波形結(jié)果主

13、要取決于目標(biāo)的材料特性、幾何尺寸和結(jié)構(gòu)等。不同種類的個(gè)體小目標(biāo)其解剖結(jié)構(gòu)、尺寸等均有所不同，其各個(gè)部分對(duì)回波的貢獻(xiàn)不同，因此回波結(jié)構(gòu)有一定的差異。通過(guò)相應(yīng)的信號(hào)處理方法分析提取小目標(biāo)回波信號(hào)結(jié)構(gòu)信息，將高維的數(shù)據(jù)空間轉(zhuǎn)化為較低維的特征空間，達(dá)到識(shí)別分類的目的。下圖是幾種寬帶回波信號(hào)圖圖1 幾種不同魚(yú)類個(gè)體以及海底的寬帶回波頻譜5.2 特征提取關(guān)鍵技術(shù)分析和處理小目標(biāo)的回聲數(shù)據(jù)，分析小目標(biāo)寬帶回波信號(hào)的特性，提取識(shí)別特征量?；趯拵盘?hào)的特征量的提取的關(guān)鍵是分析寬帶聲學(xué)回波結(jié)構(gòu)的分布、頻譜結(jié)構(gòu)、回波強(qiáng)度、時(shí)間展寬、波形起伏、空間分布特征量，同時(shí)由于各種特征量之間存在著相關(guān)性，即各種特征量之間并不

14、是相互獨(dú)立的，這樣就存在著“冗余”信息，而冗余特征的存在將降低分類器性能。因此，如何使用特定的變換算法實(shí)現(xiàn)原始信號(hào)到特定空間的投影實(shí)現(xiàn)，從而更加準(zhǔn)確地描述信號(hào)，是目標(biāo)識(shí)別技術(shù)的關(guān)鍵。目前利用統(tǒng)計(jì)頻譜的寬帶信號(hào)特征提取方法在小目標(biāo)識(shí)別中應(yīng)用較多。解決途徑：建立主要海洋生物體的聲學(xué)散射模型,通過(guò)建模仿真和試驗(yàn)數(shù)據(jù)分析獲得影響小目標(biāo)聲學(xué)特性的因素，用寬帶聲學(xué)探測(cè)技術(shù)獲得全頻譜的聲學(xué)數(shù)據(jù)，利用小目標(biāo)的不同解剖結(jié)構(gòu)對(duì)不同頻率聲學(xué)信號(hào)散射的貢獻(xiàn)差異，分析小目標(biāo)目標(biāo)散射的全頻譜信號(hào)結(jié)構(gòu)，從時(shí)域和頻域兩個(gè)方面來(lái)分析回波信號(hào)的結(jié)構(gòu)和特征；采用多元信息融合技術(shù)，提高目標(biāo)探測(cè)和識(shí)別能力，提升系統(tǒng)的魯棒性能力。6 寬

15、帶信號(hào)分類技術(shù)難點(diǎn)6.1 目標(biāo)分類關(guān)鍵技術(shù)對(duì)小目標(biāo)進(jìn)行識(shí)別，一個(gè)重要的問(wèn)題就是分類器的設(shè)計(jì)。設(shè)計(jì)分類器的目標(biāo)是在通過(guò)學(xué)習(xí)后，可以自動(dòng)的對(duì)小目標(biāo)的種類進(jìn)行分類。分類器性能的好壞直接影響著識(shí)別效果。另一方面，通過(guò)設(shè)計(jì)相應(yīng)的分類器也可以檢驗(yàn)所提取特征的可行性和有效性。目前主要的分類器設(shè)計(jì)包含BP神經(jīng)網(wǎng)絡(luò)分類器和支持向量機(jī)的分類器的設(shè)計(jì)。6.1.1 BP神經(jīng)網(wǎng)絡(luò)分類器設(shè)計(jì)以三層BP神經(jīng)網(wǎng)絡(luò)為例，設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)分類器。圖2 三層BP神經(jīng)網(wǎng)絡(luò)示意圖按照?qǐng)D2 的三層BP網(wǎng)絡(luò)算法的執(zhí)行步驟，設(shè)輸入向量為,隱含層輸出為,則隱含層第個(gè)節(jié)點(diǎn)輸出為： 其中， 為輸入第個(gè)節(jié)點(diǎn)與隱含層第個(gè)節(jié)點(diǎn)的連接權(quán)值，為隱含層第個(gè)節(jié)

16、點(diǎn)的閾值。輸出層的輸出為（為輸出神經(jīng)元節(jié)點(diǎn)數(shù)，通常為分類類別數(shù)目），第k個(gè)節(jié)點(diǎn)的輸出為 其中，為隱含層第個(gè)節(jié)點(diǎn)與輸出層第個(gè)節(jié)點(diǎn)的連接權(quán)值，為輸出層第個(gè)節(jié)點(diǎn)的閾值。BP神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練步驟為：（1）初始化為連接權(quán)值、閾值初始化，賦值為（-1,1）之間的隨機(jī)值，初始化學(xué)習(xí)速率和學(xué)習(xí)次數(shù)；（2）為神經(jīng)網(wǎng)絡(luò)提供訓(xùn)練樣本隨機(jī)選擇輸入樣本和目標(biāo)樣本；（3） 根據(jù)式和從前向后計(jì)算各層節(jié)點(diǎn)單元的輸入輸出；（4）計(jì)算輸出層的各節(jié)點(diǎn)的敏感系數(shù)；d （5）從后向前計(jì)算各隱層的敏感系數(shù)；d （6）計(jì)算并保存各層單元節(jié)點(diǎn)的權(quán)值修正量；D（7）根據(jù)式誤差修正權(quán)值系數(shù)；（8）選擇下一次學(xué)習(xí)樣本向量并輸入，返回步驟（3），

17、直到所有訓(xùn)練樣本訓(xùn)練完畢；（9）計(jì)算全局誤差，若滿足設(shè)定的極小值，即網(wǎng)絡(luò)收斂，則學(xué)習(xí)結(jié)束；若學(xué)習(xí)次數(shù)大于設(shè)置的，則認(rèn)為無(wú)法收斂，學(xué)習(xí)結(jié)束，否則返回步驟（3）繼續(xù)學(xué)習(xí)；（10）學(xué)習(xí)結(jié)束。分類器設(shè)計(jì)主要是根據(jù)任務(wù)要求設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和學(xué)習(xí)算法，通過(guò)模式空間維數(shù)和分類目標(biāo)確定神經(jīng)網(wǎng)絡(luò)的層數(shù)、各層節(jié)點(diǎn)數(shù)、各層之間和神經(jīng)元之間的連接方式、激活函數(shù)等。根據(jù)目標(biāo)識(shí)別任務(wù)，采用三層BP神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)設(shè)計(jì)如下：（1） 輸入層與輸出層設(shè)計(jì)輸入層節(jié)點(diǎn)數(shù)由模式樣本的維數(shù)決定，即分類目標(biāo)的特征維數(shù)；輸出層節(jié)點(diǎn)數(shù)由分類目標(biāo)的種類數(shù)決定。（2） 隱含層設(shè)計(jì)多個(gè)隱含層的神經(jīng)網(wǎng)絡(luò)容錯(cuò)性更好，但是層數(shù)增多，靠近輸入層的反向傳

18、遞誤差變得不可靠，這樣修正的權(quán)值系數(shù)也變得不可靠。對(duì)于BP神經(jīng)網(wǎng)絡(luò)，任意區(qū)間內(nèi)的一個(gè)連續(xù)函數(shù)都可以用單隱層的BP神經(jīng)網(wǎng)絡(luò)逼近，任意一個(gè)三層BP神經(jīng)網(wǎng)絡(luò)可以完成任意維到為的映射。隱含層單元數(shù)的選擇，目前沒(méi)有準(zhǔn)確的解析形式，與問(wèn)題的要求、輸入輸出單元數(shù)都有直接的關(guān)系。隱含層單元數(shù)目越多其學(xué)習(xí)能力越強(qiáng)，同時(shí)會(huì)導(dǎo)致學(xué)習(xí)時(shí)間過(guò)長(zhǎng)，推廣能力下降。（3）激活函數(shù)設(shè)計(jì)隱含層單元的激活函數(shù)選擇Sigmoid函數(shù) 輸出層選擇線性激活函數(shù)。（4）學(xué)習(xí)參數(shù)選擇學(xué)習(xí)速率控制了每一次迭代過(guò)程中權(quán)值系數(shù)的調(diào)整程度。較大的學(xué)習(xí)速率可以較快得到較快的收斂，但是也同意導(dǎo)致最優(yōu)解附近劇烈震蕩，甚至引起發(fā)散；反之，較小的學(xué)習(xí)速率，收

19、斂速度過(guò)慢。通常情況下學(xué)習(xí)速率選擇小于0.5。6.1.2 支持向量機(jī)的分類器設(shè)計(jì)支持向量機(jī)(Support Vector Machine，SVM)是一種機(jī)器學(xué)習(xí)方法，它是在結(jié)構(gòu)風(fēng)險(xiǎn)最小化(SRM)原則的基礎(chǔ)上發(fā)展起來(lái)的。SVM 通過(guò)引入核函數(shù)，將樣本向量映射到高維特征空間，然后在高維空間中構(gòu)造最優(yōu)分類面，獲得最優(yōu)決策函數(shù)。采用支持向量機(jī)求解分類識(shí)別問(wèn)題的關(guān)鍵是核函數(shù)的選擇，核函數(shù)代替了高維特征空間中的內(nèi)積運(yùn)算，避免了復(fù)雜的高維運(yùn)算。樣本在原空間線性可分情況下支持向量機(jī)分類器設(shè)計(jì)設(shè)訓(xùn)練樣本輸入為，對(duì)應(yīng)的期望輸出為，其中1和-1 分別代表兩類的類別標(biāo)識(shí)。樣本集可以得到分類超平面H：。式中為超平面的

20、法向量，也為分類器的權(quán)向量；為偏置量。樣本集完全分開(kāi)為如下兩類 分類超平面H的分類間隔為 為了使分類的錯(cuò)誤率最小，分類器超平面的分類間隔M 應(yīng)該最大，等價(jià)于使或或最小?？梢远x以下拉格朗日函數(shù) 其中，為拉格朗日系數(shù)。問(wèn)題轉(zhuǎn)化為關(guān)于和求的最小值。對(duì)式求偏導(dǎo)，并令結(jié)果為零，可得到問(wèn)題的約束條件極其對(duì)偶形式 這是一個(gè)受不等式約束的凸二次優(yōu)化問(wèn)題，存在唯一解，其中 這個(gè)優(yōu)化問(wèn)題的解須滿足 因此，在所有中，只有一部分（通常很少一部分）不為零，這些樣本被稱為支持向量，也就是距離最優(yōu)分類超平面最近的點(diǎn),其中，m為支持向量的個(gè)數(shù)。求解后，得到訓(xùn)練集的最優(yōu)分類判別函數(shù)可以表示為 分類閾值b的一種求解方法為 其中表示屬于第一個(gè)類別的任意一個(gè)支持向量，表示屬于第二個(gè)類別的任意一個(gè)支持向量。另外一種求解方法如下，比上面方法更加可靠，但計(jì)算量略有增加 （2）樣本在原空間非線性可分情況的支持向量機(jī)分類器設(shè)計(jì)為解決非線性可分問(wèn)題，首先將原空間樣本通過(guò)非線性映射Y映射到一個(gè)高維特征空間，考慮映射后仍存在部分樣本錯(cuò)分的一般情況，引入松弛變量，映射后特征空間樣本的約束條件變?yōu)椋?則優(yōu)化目標(biāo)轉(zhuǎn)化為： 其中，c稱作懲罰因子，用于控制錯(cuò)分樣本懲罰度，實(shí)現(xiàn)錯(cuò)分樣本數(shù)量與分類器泛化能力之間的折中。此時(shí)拉格朗日函數(shù)變?yōu)椋?其中，是拉格朗日乘子。對(duì)式中求偏導(dǎo)，得到的如下關(guān)系： 因?yàn)槔窭嗜粘俗佣即笥诹?/p>