閆 祎

(中國船舶重工集團公司第七六〇研究所，遼寧大連116013)

0 引言

水中目標特性研究是目標識別關(guān)鍵技術(shù)，也是聲吶領(lǐng)域中的研究難題。國外對水中目標識別技術(shù)十分重視，在理論和實驗方面均進行了長期不懈的研究。

從總體發(fā)展水平講，通過與國外海軍科研機構(gòu)的有關(guān)專家交流了解到，美國的聲吶目標識別采用專家系統(tǒng)和模版匹配的方式進行水中目標識別，且特征庫已建到個體，可以識別到具體的舷號。其識別技術(shù)已裝備于現(xiàn)役聲吶，如美國“海狼”級攻擊型核潛艇，“拉菲特”級、“俄亥俄”級彈道導(dǎo)彈核潛艇等分別裝備BQQ-SD綜合聲吶系統(tǒng)、BQQ-3目標性質(zhì)識別聲吶和AN/BQQ-6綜合聲吶系統(tǒng)，均具有目標識別能力。

從所采用技術(shù)手段分析，國外的研究可以歸納為以下幾點:

1)注重從物理機理的研究角度出發(fā)，研究目標特征，從而進行識別;

2)對傳感器端接收的信號進行分析，應(yīng)用信號處理手段獲取目標特征，對目標識別;

3)加強水中目標精細特征提取技術(shù)的研究;

4)注重多傳感器、多特征信息的融合應(yīng)用。

1 基于物理模型的特征提取方法

國外在分析目標特征形成機理的基礎(chǔ)上，以模型為基礎(chǔ)發(fā)展基于模型的特征提取研究，形成物理意義明確的特征提取方法。

為滿足時間敏感目標打擊作戰(zhàn)任務(wù)對目標自動識別的要求，美國防先進研究計劃署 (DARPA)制定運動與靜止目標獲取與識別研究 (Moving and Stationary Target Acquisition and Recognition，MSTAR)計劃。該計劃應(yīng)用模型基的技術(shù)，克服海量目標特征獲取的困難，以提高目標識別的魯棒性。俄羅斯也注重研究物理意義更為明確的特征提取技術(shù)。其把目標特征分成幾種主要類型，分別為:噪聲輻射頻譜特征、目標聲吶參數(shù)、目標噪聲輻射強度、接收信號的線譜結(jié)構(gòu)以及各類目標的機動特點。噪聲輻射頻譜特征主要包括LOFAR特征和DEMON特征，在這2種特征提取中主要考慮頻譜結(jié)構(gòu)的形狀和離散的線譜分量。目標噪聲的輻射程度主要針對潛艇和水面艦船的分類;水面艦船重點考慮推進效率和機動性，螺旋槳工作在空化狀態(tài)，其噪聲級要比安靜型潛艇輻射噪聲級高很多。各類目標的機動特點主要描述目標的運動特點，如魚雷目標的高速度以及位置變化率或方位變化率等。

美國通過利用入射信號和目標散射聲場的相位一幅度信息，建立了未知目標一階本征函數(shù)的方法提取聲軟目標的平面外形參量。仿真結(jié)果證明:可以通過測量水中目標的全孔徑散射場提取目標的三維幾何形狀。意大利通過目標散射場的表征實現(xiàn)了目標三維形狀重構(gòu)。北約SACLANT水下研究中心應(yīng)用共振散射理論對充氣圓柱殼體的外殼半徑、殼體厚度和殼體材料參數(shù)進行提取。國外總的發(fā)展趨勢是利用聲信號信息表征的目標屬性越來越豐富，提取的目標屬性參數(shù)準確度越來越高。

2 基于信號分析的特征提取方法

應(yīng)用信號分析方法從時、空、頻域以及各種變換域中進一步挖掘水中目標聲信號精細特征，為目標識別提供全面的特征提取方法。

在艦船輻射噪聲特征提取方面，20世紀90年代，美國有關(guān)研究人員基于小波時頻分析研究了水下哺乳動物的聲學分類問題。英國開發(fā)了一個被動聲吶分類系統(tǒng)，用來將2種比較感興趣的目標與其他類型的目標區(qū)分開來，且具有較低的虛警概率。特征提取采用了窄帶分析、寬帶分析、DEMON分析和瞬態(tài)分析方法。美國“水下作戰(zhàn)應(yīng)用研究” (Undersea Warfare Applied Research，UWAR)2001和2002年中，研究了使用“全譜”(Full Spectrum)處理方法進行柴油機潛艇和核潛艇的檢測與識別;2003年P(guān)aul Seekings等應(yīng)用小波多分辨率分析技術(shù)獲取目標噪聲的瞬態(tài)特征和平滑的包跡譜信息;Lakshm.A等人提取了不同類型船的雙譜特征。

在回波特征提取方面，1991年美國海軍研究機構(gòu)的有關(guān)研究人員應(yīng)用Wigner-Ville分布變換方法獲取提取目標類別的Wigner分布特征，對隨機水下目標回聲信號分類。1995年，美國學者應(yīng)用雙譜非高斯處理方法分析了埋藏于地下的地雷回波信號，并用雙譜的不同切片抽取各類地雷和背景回波信號的特征，應(yīng)用神經(jīng)網(wǎng)絡(luò)進行測試，識別率平均在93%。1996年，美國海軍水下作戰(zhàn)中心有關(guān)人員應(yīng)用混沌動力系統(tǒng)的非線性方法研究了連續(xù)聲波信號經(jīng)過海洋信道后的時間序列，分析了該事件序列的嵌入特征。2002年得克薩斯州立大學有關(guān)學者提出用規(guī)范化相關(guān)分析法區(qū)分似水雷物體和非似水雷物體。近年來有信息披露，國外采用 FOBW(Frequency Occour Binary Words)方法、梅林變換方法和Walsh變換等方法提取回聲信息。

采用高分辨波束域波束形成算法，提高對水中目標回波和噪聲信號的空間分辨精度的思想早在1984年就被提出。其主要優(yōu)點是在應(yīng)用高分辨技術(shù)之前，先用波束形成器對陣元域數(shù)據(jù)進行預(yù)處理，以減少高分辨方法對陣元誤差的敏感性，同時它有助于降低有色噪聲對信號的影響，使得算法的穩(wěn)健性提高，從而在波束域能夠獲得更可靠、更精確的表征目標尺度等相關(guān)特征信息。

目前，波導(dǎo)不變量的應(yīng)用主要集中在被動聲吶處理中。華盛頓大學的有關(guān)學者研究了聲源與海水躍變層相對位置不同時，波導(dǎo)不變量的差別問題，用以區(qū)分水面、水下目標。美國海軍實驗室的有關(guān)研究人員從波導(dǎo)不變量中提取了發(fā)現(xiàn)快速移動目標的特征信息，海洋物理實驗室的有關(guān)研究人員從波導(dǎo)不變量中獲取了目標位置信息。

3 基于精細特征的識別能力

國外注重各種精細特征的提取技術(shù)研究，從而已具備了識別艦艇要害部位的能力。

印度研制了水下目標被動識別專家系統(tǒng)(RECTSENSOR)。該系統(tǒng)把目標艦船分為4類，從接收到的噪聲信號中提取9個特征:螺旋槳葉片數(shù)、螺旋槳轉(zhuǎn)數(shù)、動力裝置類型、目標殼體輻射低頻噪聲、活塞松動產(chǎn)生的頻音基頻、噴嘴噪聲、最大速度、槽板噪聲和傳動裝置類型，并對這些特征各賦1個精度因子，然后利用簡化的Dempster-Shafer理論組合不同證據(jù)，得到不同目標類型的置信度。后期，又把專家系統(tǒng)和統(tǒng)計模式識別、神經(jīng)網(wǎng)絡(luò)結(jié)合起來，進一步提高了RECTSENSOR系統(tǒng)的目標識別率。

澳大利亞研制了SONEX被動識別專家系統(tǒng)。該系統(tǒng)將目標分為水面航行的動力裝置類型為柴油機和電池的潛艇、潛望鏡深度的動力裝置類型為柴油機和電池的潛艇、水面航行的核潛艇，潛望鏡深度的核潛艇、潛艇鏡深度以下的核潛艇、反潛戰(zhàn)中反潛用的水面船、反潛戰(zhàn)中非反潛用的水面船、民用船、魚類、固定翼飛機、直升機、生物噪聲、其他不明目標等16類。主要提取了目標的空化、深水壓力空化、螺旋槳拍水聲、螺旋槳共振聲、機械摩擦聲、齒輪聲、單槳、多槳、柴油機增壓聲等精細特征。

4 多傳感器、多特征信息的融合應(yīng)用

國外注重多傳感器、多特征信息的融合應(yīng)用。美國的林肯試驗室是從事軍事武器裝備預(yù)先研究的重要機構(gòu)，在2001-2007年的研究計劃中，把多聲吶綜合信息系統(tǒng)、波束形成對信號特征的影響作為研究的重點。這表明美國也把獲取更豐富的目標特征信息，并對信息進行融合作為水中目標識別研究的一個重要發(fā)展方向。

俄羅斯的GMG516水下分類系統(tǒng)，也是利用綜合聲吶系統(tǒng)上的多信息綜合處理提取分類特征，其提取特征包括聲頻、聲源級和聲場分布特征等，其中聲場分布特征主要提取不同躍變層的聲特征，如果有潛艇存在，則不同躍變層的聲信號特征有變化，如果無潛艇存在，則躍變層特征無變化。由此可看出，俄羅斯在水中目標研究過程中也是利用多種豐富特征進行綜合判別，且其對特征的研究較為精細，找出了聲信號特征隨躍變層不同的變化規(guī)律。同時俄羅斯水下警戒系統(tǒng)中還利用矢量波導(dǎo)特征識別出水上、水下目標。

5 聲信號凈化、特征增強與恢復(fù)技術(shù)

在水中目標聲信號凈化、特征增強與恢復(fù)方面，國外也進行了大力研究。

該問題作為水聲信號處理領(lǐng)域內(nèi)尚未攻克的難題，國外已有很多人在進行研究。主要的研究技術(shù)途徑有:匹配場信號處理、自適應(yīng)噪聲抵消、超低旁瓣波束形成和各種現(xiàn)代信號處理的手段，如小波分析、時頻分析、盲信號處理和各種非線性處理技術(shù)等，使檢測性能有了一定的提高。匹配場處理器作為廣義波束形成，在陣元數(shù)較多時具有很大的潛力。自適應(yīng)噪聲抵消和超低旁瓣波束形成對噪聲和干擾的擬制也有很大潛力。20世紀90年代倍受關(guān)注的盲信號處理技術(shù)，在水聲基陣的陣形和陣源信號先驗信息缺乏的條件下，對信號檢測與信號波形的辨識有著巨大的開發(fā)潛力。

近年來洛克希德·馬丁公司有關(guān)人員提出了“全譜信號處理”的概念，檢測被動寬帶微弱水聲信號，為微弱信號的檢測提供了新的思路。2004年，UWAR研究了自適應(yīng)處理技術(shù)，以對抗非高斯的背景噪聲;在掌握了海底地質(zhì)結(jié)構(gòu)和聲反射特性的基礎(chǔ)上，研究將潛艇回波與海底回波相區(qū)別的技術(shù)。2005-2008年，完成了威脅目標散射特征數(shù)據(jù)庫的建設(shè)，評估了散射特征對環(huán)境畸變的寬容性，研究了使用隱Markov模型在主動聲吶系統(tǒng)中去環(huán)境干擾的方法。還有一些學者提出應(yīng)用主元逆和圖像處理等方法。主元逆的思路是要從一段主動聲吶數(shù)據(jù)中，分解出混響和目標回波，從而消除混響，突出目標回波。圖像處理的思想是將一維時間序列檢測問題轉(zhuǎn)化為二維圖像的識別分類問題，其關(guān)鍵技術(shù)是時頻變換和特征增強，使信號的微結(jié)構(gòu)特征得以凸現(xiàn)，為微弱信號檢測和特征提取提供了新的思路。

其他一些國家，如韓國、澳大利亞、荷蘭、波蘭等都在艦艇輻射噪聲預(yù)報、潛艇低頻聲學特征分析與控制以及目標特性等領(lǐng)域開展了研究工作。

總之，目前國外目標識別技術(shù)方面的發(fā)展趨勢是通過各種信號處理手段的研究，獲取更加精細、豐富、可靠的用于表征目標屬性的特征，并通過對多種特征的綜合應(yīng)用，甚至可以做到對目標個體進行識別。

［1］NIII H P，F(xiàn)EIGENBAUM E A，ANTON J J，et al.Signal-tosymbol transformation:the HASP/SIAP case study［J］.Artificial Intelligence Magazine，1982，3(2):23-35.

［2］MASKSYM J N，BONNER A J，DENT C A，et al.Machine analysis of acoustical signals［J］.Pattern Recognition，1985，16(7):475-483.

［3］HUGHES R C，MAKSYM J N.Acoustic signal interpretation，reasoning with nonspecific and uncertian information［J］.Pattern Recognition，1985，18(6):475-483.

［4］HASSAB J C，CHEN C H.On construction an expert system for contact localization and tracking［J］.Pattern Recogniton，1985，18(6):465-474.

［5］RAJAGOPAL R，SANKARANARAYANAN B.Target classification in a passive sonar-an expert system approach［A］.Proc.IEEE International Conference on Acounstics，Speech，and Siganal Processing，1990:2911-2914.

［6］BARAN R H，COUGHLIN J J.A neural network for passive acoustic discrimination between surface and submarine targets［A］.Proc.WNN-AIND，1991:323-332.

［7］SHEPPARD C P，GENT C R.A nerual network based sonar classification system［A］.Undersea Defence Technology:Conference and Exhibition，1992:628-633.

［8］MEISTER J.A neural network harmonic family classifier［J］.J.Acoustical Society of America，1993，93(3):1485-1495.

［9］MULIER F.Vapnik-chervonenkis(VC)learning theory and its applications［J］.IEEE Trans.on Neural Networks.1999，10(5):340-356.

［10］VAPNIK V.Nature of statistical learning theory［J］.John Wiley and Sons，Inc.，New York，in preparation.IEEE Trans.on Neural Networks.2001，12(8):210-258.