專利名稱：一種水下目標(biāo)輻射噪聲信號(hào)的特征提取方法
技術(shù)領(lǐng)域：
本發(fā)明涉及ー種水下目標(biāo)輻射噪聲信號(hào)的特征提取方法，
背景技術(shù)：
水下目標(biāo)的自動(dòng)識(shí)別是現(xiàn)代聲納與水聲對(duì)抗系統(tǒng)的重要組成部分。目標(biāo)識(shí)別中最為關(guān)鍵的技術(shù)是特征提取。特征參數(shù)是否有效，在于其中包含的類別信息是否足夠多，而干擾信息是否足夠少，如果不能采用有效的特征，即便有出色的分類器也無(wú)法得到理想的分類識(shí)別結(jié)果。幾十年來(lái)，已出現(xiàn)了一系列針對(duì)水下噪聲信號(hào)的特征提取方法，主要有以下幾種基于譜分析的特征提取、基于艦船噪聲的非線性特征提取、基于小波變換的特征提取 法、神經(jīng)網(wǎng)絡(luò)特征提取法以及基于人耳聽覺特征的特征提取方法。已有大量研究表明這些方法在實(shí)驗(yàn)室條件下具有良好的識(shí)別性能，但也都有一定的不足或受到ー些因素的限制。水下目標(biāo)識(shí)別技術(shù)分為主動(dòng)識(shí)別和被動(dòng)識(shí)別兩類。前者利用聲納發(fā)射脈沖聲信號(hào)，根據(jù)接收到的回波信號(hào)特征對(duì)目標(biāo)屬性作出判決，其優(yōu)點(diǎn)在于接收到的回波信號(hào)中攜帶著大量有利于分類識(shí)別，且反映目標(biāo)本質(zhì)特性的信息，但存在一個(gè)明顯缺點(diǎn)，即易于暴露，不利于自我保護(hù)。被動(dòng)目標(biāo)識(shí)別可以彌補(bǔ)這ー不足，它利用被動(dòng)聲納接收到的水下目標(biāo)輻射噪聲特性進(jìn)行分類判決，具有隱蔽性好的優(yōu)點(diǎn)，但是也存在接收信號(hào)信噪比低等不利于識(shí)別的問(wèn)題。特征提取是水下目標(biāo)識(shí)別中最為關(guān)鍵的技術(shù)之一，特征參數(shù)的種類及維數(shù)直接決定著分類識(shí)別的正確率。多年來(lái)已發(fā)展了大量的聲學(xué)特征提取方法，在一定條件下都具有較好的分類識(shí)別效果。但對(duì)于復(fù)雜環(huán)境，提高識(shí)別系統(tǒng)魯棒性仍是ー項(xiàng)難題，除了解決通道失配等問(wèn)題外，仍需要不斷探索新的穩(wěn)健特征提取方法。到目前為止，還沒(méi)有哪種特征參數(shù)能適用于不同環(huán)境下的水下目標(biāo)識(shí)別，因此針對(duì)水下噪聲信號(hào)的特征提取仍就是一個(gè)開放性的研究?jī)?nèi)容。本專利拓展了水下噪聲信號(hào)的特征提取方法。

發(fā)明內(nèi)容
要解決的技術(shù)問(wèn)題為了避免現(xiàn)有技術(shù)的不足之處，本發(fā)明提出ー種水下目標(biāo)輻射噪聲信號(hào)的特征提取方法，首先將聲信號(hào)轉(zhuǎn)化為圖像即可視化，然后提取其圖像特征。這主要是考慮到圖像是ニ維信號(hào)，相比于ー維時(shí)間序列可能包含更多潛在的特征信息，且圖像特征提取與識(shí)別已有大量成功的應(yīng)用。技術(shù)方案ー種水下目標(biāo)輻射噪聲信號(hào)的特征提取方法，其特征在于步驟如下步驟I :對(duì)水下目標(biāo)的離散時(shí)域采樣信號(hào)X(P)進(jìn)行分幀處理得到分幀處理后信號(hào)Xn(m),其中p為時(shí)域米樣點(diǎn)序號(hào)，p = 0,1,2, ···, P-I, P為信號(hào)長(zhǎng)度；n是中貞序號(hào)，m是中貞同步的時(shí)間序號(hào)，N為幀長(zhǎng)，m = 0，1，2，-,N-I ；
步驟2 :對(duì)分幀處理后信號(hào)Xn (m)進(jìn)行短時(shí)傅里葉變換X (n，eJw) = Σ xn (m) w (n_m) e_Jwm其中w (m)為窗序列；步驟3 :計(jì)算X(n，eJw)的短時(shí)幅度譜X(n, k) |，其中O彡k彡N_l，得到功率譜函數(shù) Y (n, k) = IX (n, k) 12 = (X (n, k)) X (con j (X (n, k)));步驟4 :以n為橫坐標(biāo)，以k為縱坐標(biāo)，將Y(n，k)的值以圖像表示得到聲譜圖；步驟5 :采用紋理特征提取方法和圖像中心矩特征提取方法對(duì)聲譜圖進(jìn)行圖像的特征提取，得到30維可視化特征參數(shù)；步驟6 :對(duì)得到的30維可視化特征參數(shù)，利用主成分分析PCA及線性判別分析LDA 的方法進(jìn)行特征的優(yōu)化選擇及降維處理，得到20維混合特征。所述步驟5中的紋理特征提取方法和圖像中心矩特征提取方法的先后次序不受限制。所述紋理特征提取方法為基于灰度共生矩陣的紋理特征提取或基于灰度-梯度共生矩陣的紋理特征提取。有益效果本發(fā)明提出的ー種水下目標(biāo)輻射噪聲信號(hào)的特征提取方法，首先對(duì)聲信號(hào)的可視化方法進(jìn)行了研究，得到了時(shí)頻可視化圖像。接著，以時(shí)頻可視化圖像中聲譜圖為研究對(duì)象，對(duì)其進(jìn)行可視化特征提取方法研究，包括基于圖像紋理特征提取和圖像中心矩特征提取。在此基礎(chǔ)上，分別利用PCA和LDA算法對(duì)上述方法得到的可視化特征進(jìn)行了優(yōu)化選擇和降維，最后將其應(yīng)用于水下目標(biāo)識(shí)別的仿真中，實(shí)驗(yàn)結(jié)果表明，該混合特征下三類水下噪聲信號(hào)的平均識(shí)別率可達(dá)91. 97%。經(jīng)過(guò)選擇后的可視化特征參數(shù)的識(shí)別率與傳統(tǒng)方法提取的特征參數(shù)相比，有了顯著的提高。


圖I :A類中兩個(gè)聲樣本的聲譜圖；圖2 :B類中兩個(gè)聲樣本的聲譜圖；圖3 :C類中兩個(gè)聲樣本的聲譜圖；圖4 :三種方式不同維度下的總平均識(shí)別率；圖5 :本發(fā)明方法的流程圖。
具體實(shí)施例方式現(xiàn)結(jié)合實(shí)施例、附圖對(duì)本發(fā)明作進(jìn)ー步描述在本實(shí)施例中的步驟中步驟I :對(duì)水下目標(biāo)的離散時(shí)域采樣信號(hào)X(P)進(jìn)行分幀處理得到分幀處理后信號(hào)xn(m),其中p為時(shí)域米樣點(diǎn)序號(hào)，p = 0,1,2, ···, P-I, P為信號(hào)長(zhǎng)度；n是中貞序號(hào)，m是中貞同步的時(shí)間序號(hào)，N為幀長(zhǎng)，m = 0，1，2，-,N-I ；步驟2 :對(duì)分幀處理后信號(hào)Xn (m)進(jìn)行短時(shí)傅里葉變換 X (n，eJw) = Σ xn (m) w (n_m) e_Jwm其中w (m)為窗序列；
步驟3 :計(jì)算X(n，eJw)的短時(shí)幅度譜|X(n，k) |，其中O彡k彡N_l，得到功率譜函數(shù) Y (n, k) = IX (n, k) 12 = (X (n, k)) X (con j (X (n, k)));步驟4 :以n為橫坐標(biāo)，以k為縱坐標(biāo)，將Y (n, k)的值以圖像表示得到聲譜圖；步驟5 :采用紋理特征提取方法和圖像中心矩特征提取方法對(duì)聲譜圖進(jìn)行圖像的特征提取，得到30維可視化特征參數(shù)；步驟6 :對(duì)得到的30維可視化特征參數(shù)，利用主成分分析PCA及線性判別分析LDA的方法進(jìn)行特征的優(yōu)化選擇及降維處理，得到20維混合特征。所述基于灰度共生矩陣的紋理特征提取方法是在圖像灰度共生矩陣的基礎(chǔ)上提取出能反映圖像關(guān)于方向、相鄰間隔、變化幅度的綜合信息的8維特征參數(shù)，具體如下設(shè)圖像的水平方向的像素總數(shù)為Nx，垂直方向的像素總數(shù)為Ny，為了降低計(jì)算量， 將圖像灰度作歸ー化，令其最高灰度級(jí)為Ng，記Lx = {1,2,…，Nx}，Ly = {1，2，...，Ny}(4)G= {1,2, -,NJ(5) 可以把待分析的圖像理解為從LxX Ly到G的ー個(gè)映射，即LxX Ly中的每個(gè)點(diǎn)，對(duì)應(yīng)屬于G中的ー個(gè)灰度?；叶裙采仃嚸枋龅氖窃讦ǚ较蛏希喔鬱像元距離的ー對(duì)像元，分別具有灰度層i和j出現(xiàn)的概率，其元素可記為P(i，j，山Θ)，通常Θ取0° ,45° ,90° ,135°。易知灰度共生矩陣是ー個(gè)對(duì)稱矩陣，其階數(shù)是由圖像中的灰度層數(shù)來(lái)決定。這個(gè)矩陣是距離和方向的函數(shù)，在規(guī)定的計(jì)算窗ロ或圖像區(qū)域內(nèi)統(tǒng)計(jì)符合條件的像元對(duì)數(shù)。四個(gè)方向的灰度共生矩陣的定義如下P(i，j，0。，d) = #{[k, I), (m, η) ] e (LxXLy) X (LxXLy),(6)k-m = 0，11-η | = d, f (k, I) = i, f (m, η) = j}P(i, j,45° , d) = #{[(k, I), (m, n) ] e (LxXLy)X(LxXLy),
(7)I k_m| = d, | l_n | = d，f (k，I) = i, f (m, n) = j}P(i, j,90° , d) = #{[(k, I), (m, n) ] e (LxXLy)X(LxXLy),
(8)I k-m = d, l_n = 0, f (k, I) = i, f (m, n) = j}P(i, j, 135° , d) = #{[(k, I), (m, n) ] e (LxXLy) X (LxXLy), k-m = d,I - n = - d 或 k_m = - d , I - n = d ,(9)f (k, I) = i, f (m, n) = j}一般來(lái)講較小的距離d會(huì)取得較好的效果，這里取d為I。為了方便地的對(duì)共生矩陣的統(tǒng)計(jì)量進(jìn)行描述，首先對(duì)共生矩陣進(jìn)行正規(guī)化處理P(i, j) = P(i, j)/R(10)這里R代表正規(guī)化常數(shù)，當(dāng)Θ = 0°或90。時(shí)，R = 2Ny(Nx_l)，當(dāng)Θ =45。或135。時(shí)，R = 2 (Ny-I) (Nx-I)。記
權(quán)利要求
1.一種水下目標(biāo)輻射噪聲信號(hào)的特征提取方法，其特征在于步驟如下 步驟I :對(duì)水下目標(biāo)的離散時(shí)域采樣信號(hào)X(P)進(jìn)行分幀處理得到分幀處理后信號(hào)Xn(m),其中p為時(shí)域米樣點(diǎn)序號(hào)，P = O, 1,2, ···, P-I, P為信號(hào)長(zhǎng)度；n是中貞序號(hào)，m是中貞同步的時(shí)間序號(hào)，N為幀長(zhǎng)，m = 0，1，2，-,N-I ； 步驟2 :對(duì)分幀處理后信號(hào)Xn (m)進(jìn)行短時(shí)傅里葉變換 X(n, ejw) =Σ xn(m)w(n-m)e-JWD1其中w(m)為窗序列； 步驟3 :計(jì)算X(n，e>)的短時(shí)幅度譜|X(n，k) |，其中O彡k彡N-1，得到功率譜函數(shù)Y(n，k) = IX (n, k) 12 = (X (n, k)) X (conj (X (n, k))); 步驟4 :以n為橫坐標(biāo)，以k為縱坐標(biāo)，將Y(n，k)的值以圖像表示得到聲譜圖； 步驟5 :采用紋理特征提取方法和圖像中心矩特征提取方法對(duì)聲譜圖進(jìn)行圖像的特征提取，得到30維可視化特征參數(shù)； 步驟6 :對(duì)得到的30維可視化特征參數(shù)，利用主成分分析PCA及線性判別分析LDA的方法進(jìn)行特征的優(yōu)化選擇及降維處理，得到20維混合特征。
2.根據(jù)權(quán)利要求I所述水下目標(biāo)輻射噪聲信號(hào)的特征提取方法，其特征在于所述步驟5中的紋理特征提取方法和圖像中心矩特征提取方法的先后次序不受限制。
3.根據(jù)權(quán)利要求I或2所述水下目標(biāo)輻射噪聲信號(hào)的特征提取方法，其特征在于所述紋理特征提取方法為基于灰度共生矩陣的紋理特征提取或基于灰度-梯度共生矩陣的紋理特征提取。
全文摘要
本發(fā)明提出的一種水下目標(biāo)輻射噪聲信號(hào)的特征提取方法，首先對(duì)聲信號(hào)的可視化方法進(jìn)行了研究，得到了時(shí)頻可視化圖像。接著，以時(shí)頻可視化圖像中聲譜圖為研究對(duì)象，對(duì)其進(jìn)行可視化特征提取方法研究，包括基于圖像紋理特征提取和圖像中心矩特征提取。在此基礎(chǔ)上，分別利用PCA和LDA算法對(duì)上述方法得到的可視化特征進(jìn)行了優(yōu)化選擇和降維，最后將其應(yīng)用于水下目標(biāo)識(shí)別的仿真中，實(shí)驗(yàn)結(jié)果表明，該混合特征下三類水下噪聲信號(hào)的平均識(shí)別率可達(dá)91.97％。經(jīng)過(guò)選擇后的可視化特征參數(shù)的識(shí)別率與傳統(tǒng)方法提取的特征參數(shù)相比，有了顯著的提高。
文檔編號(hào)G01S7/527GK102662167SQ20121010617
公開日2012年9月12日 申請(qǐng)日期2012年4月11日 優(yōu)先權(quán)日2012年4月11日
發(fā)明者何佳若, 曾向陽(yáng) 申請(qǐng)人:西北工業(yè)大學(xué)