卜令冉 華 波 蔣佳佳 顏 晗 段發(fā)階 王憲全 李春月 孫中波

（1.天津大學(xué)精密測試技術(shù)及儀器國家重點(diǎn)實(shí)驗(yàn)室，天津，300072；2.中國船舶工業(yè)系統(tǒng)工程研究院，北京，100036）

引 言

聲波作為水下最有效的遠(yuǎn)距離傳播載體，在水下通信、水下主動(dòng)聲吶探測、水下無線組網(wǎng)等國防和軍事中發(fā)揮著至關(guān)重要的作用。為了實(shí)現(xiàn)通信或主動(dòng)聲吶探測，敵方的水下AUV、UUV、潛艇等都會(huì)不時(shí)地向水中發(fā)射聲波信號(hào)脈沖，如最常用的單頻(Continuous wave,CW)信號(hào)、線性調(diào)頻(Linear frequency modulation,LFM)信號(hào)或雙曲調(diào)頻(Hyperbolic frequency modulated,HFM)信號(hào)[1]。海洋環(huán)境復(fù)雜多樣，除了通信和主動(dòng)聲吶信號(hào)以外，海洋環(huán)境中通常還存在許多其他聲音，其中，由海洋中鯨類發(fā)出的叫聲是海洋環(huán)境中一類廣泛存在的聲音。美國[2]、澳大利亞[3]等國家以及歐洲的一些國家[4-5]都建成了較為成熟的海洋被動(dòng)聲學(xué)監(jiān)測網(wǎng)絡(luò)，對(duì)鯨聲等海洋哺乳動(dòng)物聲音進(jìn)行監(jiān)測研究。

由于鯨的分布廣、數(shù)量多，鯨類所發(fā)出的叫聲與主動(dòng)聲吶或通信信號(hào)同時(shí)出現(xiàn)的概率非常大[6]；此外，鯨類所發(fā)出叫聲的聲源級(jí)通常非常高，甚至比主動(dòng)聲吶和通信信號(hào)的聲源級(jí)還高。一方面，在對(duì)鯨聲進(jìn)行被動(dòng)聲學(xué)監(jiān)測時(shí)，如果無法將主動(dòng)聲吶信號(hào)和鯨聲信號(hào)有效區(qū)分，則可能會(huì)出現(xiàn)監(jiān)測網(wǎng)絡(luò)對(duì)監(jiān)測目標(biāo)誤報(bào)或者漏報(bào)的情況。而目前水下監(jiān)測網(wǎng)絡(luò)對(duì)水聲信號(hào)的識(shí)別與分類研究，多集中在船艦輻射噪聲等低頻、持續(xù)時(shí)間長的噪聲[7]或者海洋背景噪聲[8]等與目標(biāo)信號(hào)之間的識(shí)別與分類，對(duì)主動(dòng)聲吶或通信信號(hào)的識(shí)別與分類研究較少。另一方面，在進(jìn)行通信或主動(dòng)聲吶探測時(shí)，如果無法將強(qiáng)烈和持續(xù)的鯨聲脈沖信號(hào)有效識(shí)別與分類，則可能會(huì)影響水聲通信的可靠性和聲吶探測的準(zhǔn)確性。而目前主流的水下通信或主動(dòng)聲吶系統(tǒng)幾乎都是把海洋哺乳動(dòng)物所發(fā)出的叫聲歸類為海洋噪聲進(jìn)行處理[9-10]。然而，這些系統(tǒng)多是對(duì)接收信號(hào)去除海洋背景噪聲[10]，但鯨聲脈沖信號(hào)并未被有效濾除，鯨聲脈沖信號(hào)極易和主動(dòng)聲吶或通信信號(hào)混雜在一起，對(duì)系統(tǒng)產(chǎn)生干擾，影響系統(tǒng)正常工作。因此，有效識(shí)別與分類鯨聲脈沖信號(hào)與主動(dòng)聲吶或通信信號(hào)，對(duì)提高水下監(jiān)測網(wǎng)絡(luò)、主動(dòng)聲吶和水下通信系統(tǒng)的穩(wěn)定性和可靠性具有十分重要的作用。

國外一些學(xué)者對(duì)此做了相關(guān)的研究，但這些研究都集中在從海洋噪聲（海洋背景噪聲或海洋船舶輻射噪聲）中提取檢測海洋生物脈沖信號(hào)。如，Bertilone等[6]提出了一種基于非高斯檢測理論和非線性濾波技術(shù)的脈沖噪聲檢測和抑制方法，用于抑制脈沖噪聲，在一定程度上提高了主動(dòng)聲吶系統(tǒng)對(duì)生物脈沖噪聲的抗干擾能力。Ijsselmuide等[10]提出了一種可以應(yīng)用于低頻主動(dòng)聲吶陣列系統(tǒng)的海洋哺乳動(dòng)物聲音的檢測方法，基于冪法則（power-law）和Page’s test算法，設(shè)計(jì)了海豚和鯨魚等海洋哺乳動(dòng)物的低頻瞬態(tài)信號(hào)檢測器，但方法實(shí)現(xiàn)較為復(fù)雜。André等[8]對(duì)海洋被動(dòng)聲學(xué)監(jiān)測網(wǎng)中鯨和海豚的Click叫聲脈沖檢測方法進(jìn)行了研究，并提出了Click叫聲脈沖和輪船輻射噪聲等人為噪聲的檢測分類算法。這些研究給出了從海洋噪聲中提取檢測海洋生物脈沖信號(hào)的方法，并取得了良好的檢測效果。然而，在海洋生物脈沖信號(hào)與主動(dòng)聲吶或通信信號(hào)混雜在一起的條件下，正確識(shí)別與分類這兩類信號(hào)，即從混合信號(hào)中提取檢測海洋生物脈沖信號(hào)，同樣具有十分重要的意義，但國內(nèi)外對(duì)此領(lǐng)域的研究較少?；谝陨戏治?，本文提出了一種海洋生物脈沖信號(hào)與主動(dòng)聲吶或通信信號(hào)的識(shí)別分類方法。

考慮到絕大多數(shù)的鯨和海豚都能發(fā)出Click叫聲脈沖，且抹香鯨所發(fā)出的Click叫聲在持續(xù)時(shí)間長度、頻率分布范圍、聲源級(jí)和時(shí)頻分布等方面都具有一定的代表性，所以本文對(duì)抹香鯨所發(fā)出的Click以及傳統(tǒng)3類具有代表性的聲吶信號(hào)(CW,LFM,HFM)的分類方法進(jìn)行了研究，提出了一種基于時(shí)頻特征的抹香鯨Click與傳統(tǒng)聲吶信號(hào)的分類方法。利用濾波和小波去噪技術(shù)對(duì)水聽器接收到的水聲信號(hào)進(jìn)行降噪；通過端點(diǎn)檢測方法，提取出4類信號(hào)的信號(hào)脈沖；對(duì)被提取出的信號(hào)脈沖進(jìn)行短時(shí)傅里葉變換(Short-time Fourier transform,STFT)計(jì)算；并基于STFT時(shí)頻圖，利用所提出的時(shí)頻輪廓提取方法提取每個(gè)脈沖信號(hào)對(duì)應(yīng)的時(shí)頻輪廓圖；利用多項(xiàng)式對(duì)提取出的時(shí)頻輪廓圖進(jìn)行曲線擬合，并將多項(xiàng)式的系數(shù)作為時(shí)頻圖特征；最后，利用時(shí)頻圖特征訓(xùn)練反向傳播(Back propagation，BP)神經(jīng)網(wǎng)絡(luò)分類器和支持向量機(jī)(Support vector machine,SVM)分類器，并利用被訓(xùn)練的分類器去實(shí)現(xiàn)4類信號(hào)的分類與識(shí)別。

1 時(shí)頻特征分析

當(dāng)進(jìn)行捕食、交流和導(dǎo)航時(shí)，抹香鯨會(huì)不停地發(fā)出Click叫聲脈沖。一般地，Click都是寬帶脈沖信號(hào)，持續(xù)時(shí)間一般在0.1～30 ms，頻率主要分布在100 Hz～30 kHz，且主要能量集中在100 Hz～12 kHz[11]。圖1給出了一段抹香鯨叫聲的波形圖和對(duì)應(yīng)的時(shí)頻圖，可以看出，它們的寬帶很寬，且在各個(gè)頻率內(nèi)都具有可觀的能量。然而傳統(tǒng)的聲吶信號(hào)脈沖(也就是CW，LFM和HFM脈沖)都具有各種獨(dú)特的特征。進(jìn)一步地，CW，LFM和HFM信號(hào)脈沖的包絡(luò)均為矩形，CW信號(hào)脈沖的頻率為單頻，LFM信號(hào)脈沖的頻率呈線性變化，而HFM信號(hào)脈沖的頻率呈現(xiàn)雙曲線形式變化[1,12]。為了直觀表示，圖2給出了3類傳統(tǒng)聲吶信號(hào)脈沖時(shí)頻圖的一個(gè)例子。

圖1 一段抹香鯨叫聲的波形圖和對(duì)應(yīng)的時(shí)頻圖Fig.1 Waveform and corresponding time-frequency spectrogram ofthe sperm whale sound segment

圖24類信號(hào)脈沖的時(shí)頻圖Fig.2 Time-frequency spectrograms of four signal

2 信號(hào)脈沖的時(shí)頻特征提取與分類

根據(jù)上述4類信號(hào)脈沖的時(shí)頻特征分析結(jié)果，本文提出了如圖3所示的信號(hào)脈沖時(shí)頻特征提取與分類方法：利用濾波和小波去噪技術(shù)對(duì)水聽器接收到的水聲信號(hào)進(jìn)行降噪；通過端點(diǎn)檢測方法，提取出4類信號(hào)的信號(hào)脈沖；對(duì)被提取出的信號(hào)脈沖進(jìn)行STFT計(jì)算；基于STFT時(shí)頻圖，利用所提出的時(shí)頻輪廓提取方法提取每個(gè)脈沖信號(hào)對(duì)應(yīng)的時(shí)頻輪廓圖；利用多項(xiàng)式對(duì)提取出的時(shí)頻輪廓圖進(jìn)行曲線擬合，并將多項(xiàng)式的系數(shù)作為時(shí)頻圖特征；最后，利用時(shí)頻圖特征訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)和SVM，實(shí)現(xiàn)4類信號(hào)的分類與識(shí)別。

圖3 信號(hào)脈沖時(shí)頻特征提取與分類方法Fig.3 Signal pulse time-frequency feature extraction and classification method

2.1 去噪和端點(diǎn)檢測

鑒于水聲信號(hào)通常為非平穩(wěn)信號(hào)，首先通過低通和高通濾波器濾除帶外噪聲，然后，通過小波去噪技術(shù)去除疊加在信號(hào)中的噪聲。由于小波去噪技術(shù)很成熟，本文不再詳述，具體方法可參見文獻(xiàn)[13]。通常情況下，聲吶信號(hào)和Click均由間隔的脈沖序列組成，因此，在進(jìn)行STFT之前，首先利用端點(diǎn)檢測方法從去噪后的信號(hào)序列里提取出所有聲吶信號(hào)脈沖。其中，端點(diǎn)檢測方法可使用傳統(tǒng)的語音信號(hào)短時(shí)能量端點(diǎn)檢測算法[14]。

2.2 短時(shí)傅里葉變換

式中：x(n)為提取出的脈沖信號(hào)；w(n)為窗函數(shù)，窗函數(shù)的移動(dòng)距離由m確定；f代表頻率?？紤]到短時(shí)傅里葉變換的時(shí)間分辨率和頻率分辨率，本文選取漢明(Hamming)窗對(duì)信號(hào)進(jìn)行處理，窗寬為60個(gè)采樣點(diǎn)，步長為10個(gè)采樣點(diǎn)，F(xiàn)FT點(diǎn)數(shù)為1024（信號(hào)采樣率fs=44.1 kHz）。每一個(gè)信號(hào)經(jīng)過短時(shí)傅里葉變換，得到相應(yīng)的短時(shí)傅里葉變換譜F(m,f)。按照式(2)對(duì)F(m,f)進(jìn)行對(duì)數(shù)變換后得到STFT時(shí)頻圖。4類信號(hào)時(shí)頻變換的一個(gè)實(shí)例見圖2。

根據(jù)離散時(shí)間短時(shí)傅里葉變換對(duì)提取出的信號(hào)脈沖進(jìn)行變換處理，即

2.3 時(shí)頻輪廓提取

基于短時(shí)傅立葉變換時(shí)頻圖能清晰地反映出信號(hào)在不同時(shí)刻的頻率變化信息，本文提出了一種基于短時(shí)傅里葉變換譜的信號(hào)時(shí)頻變化輪廓提取方法。該方法分為以下3個(gè)步驟：

(1)對(duì)每一個(gè)信號(hào)的STFT譜F(m,f)取絕對(duì)值，得到信號(hào)的STFT絕對(duì)值矩陣X(m,f)，即

(2)對(duì)于每一個(gè)被窗函數(shù)w(n-m)截?cái)嗟男盘?hào)切片，都可相應(yīng)地從X(m,f)中獲得當(dāng)前信號(hào)切片內(nèi)的頻譜信息xi(f)，即xi(f)=X(mi,f)，其中i表示當(dāng)前信號(hào)切片的索引值。求取每個(gè)xi(f)在頻率f上的最大值mi(f)，并計(jì)算xi(f)的半功率幅值如圖4所示，確定f-xi(f)曲線中mi(f)左右兩邊的半功率頻率點(diǎn)的頻率坐標(biāo)fli和fri，其中fli和fri滿足

定義fli和fri的平均值為當(dāng)前信號(hào)切片的瞬時(shí)頻率fei,fei=1/2×(fli+fri)估計(jì)值(圖4)，則所有切片信號(hào)的fei就構(gòu)成了一個(gè)當(dāng)前信號(hào)瞬時(shí)頻率的序列Fe。

圖4 fe的估計(jì)原理示意圖Fig.4 Schematic diagram of the estimation pri-nciple of fe

(3)對(duì)每一個(gè)信號(hào)的瞬時(shí)頻率序列Fe，使用移動(dòng)平均濾波器對(duì)其進(jìn)行平滑濾波，得到平滑信號(hào)的時(shí)頻變化輪廓Se，可根據(jù)信號(hào)的瞬時(shí)頻率序列Fe的長度來確定移動(dòng)平均濾波的長度L。

通過上述方法，便可得到每一個(gè)信號(hào)的瞬時(shí)頻率估計(jì)值以及時(shí)頻變化輪廓。圖5所示為一個(gè)HFM信號(hào)的時(shí)頻譜，通過上述時(shí)頻輪廓提取方法可提取到圖中藍(lán)色線條所示的時(shí)頻變化輪廓曲線。從圖中可以看出，提取出的時(shí)頻變化輪廓與時(shí)頻圖中能量最大的脊（紅色區(qū)域）重合，即通過該方法得到的時(shí)頻變化輪廓可以準(zhǔn)確地反映信號(hào)的時(shí)頻變化特征。

圖5 HFM信號(hào)的時(shí)頻譜和提取出的時(shí)頻變化輪廓曲線Fig.5 Time-frequency spectrogram and extracted time-frequency variation contour of HFM signal

2.4 時(shí)頻曲線擬合與特征提取

基于最小二乘法，使用n階的多項(xiàng)式p(t)對(duì)Ce進(jìn)行擬合，即

式中：Se(i)表示時(shí)頻變化輪廓Se中第i個(gè)信號(hào)切片所對(duì)應(yīng)的值，即平滑濾波后瞬時(shí)頻率值；ti表示第i個(gè)信號(hào)切片的中心在原信號(hào)中的位；E代表殘差。根據(jù)最小二乘法，求取式(5)中的系數(shù)a0,a1,…,an-1,an,使式(6)表達(dá)的殘差E達(dá)到最小。同時(shí)，考慮信號(hào)起始段和終止段因頻譜泄露等原因而導(dǎo)致Se(i)存在異常值，在處理過程中可根據(jù)實(shí)際信號(hào)的切片個(gè)數(shù)舍去時(shí)頻變換輪廓Se左右兩端的若干Se(i)值，之后再進(jìn)行多項(xiàng)式擬合。

上述擬合過程將離散的時(shí)頻變化輪廓特征轉(zhuǎn)化為連續(xù)的時(shí)頻變化曲線p(t)。圖5所示黑色線條為通過上述方法處理后得到的擬合曲線，可以看出，p(t)和信號(hào)的時(shí)頻變化輪廓吻合度非常高。

該信號(hào)處理過程將4類信號(hào)脈沖的時(shí)頻圖映射成了相應(yīng)的時(shí)頻變化擬合曲線p(t)，而p(t)的各階多項(xiàng)式系數(shù)a0,a1,…,an-1,an包含了信號(hào)的時(shí)頻變化特征。利用由多項(xiàng)式系數(shù)a0,a1,…,an-1,an組成的特征向量A=[a0,a1,…,an-1,an]對(duì)分類器進(jìn)行訓(xùn)練，然后，使用經(jīng)訓(xùn)練的分類器對(duì)4類信號(hào)進(jìn)行分類與識(shí)別。

2.5 信號(hào)分類與識(shí)別

鑒于BP神經(jīng)網(wǎng)絡(luò)和SVM都是在目標(biāo)分類領(lǐng)域被廣泛使用的經(jīng)典分類方法[15]，本文分別使用BP神經(jīng)網(wǎng)絡(luò)和SVM作為分類器對(duì)4類脈沖信號(hào)進(jìn)行分類和識(shí)別。

BP神經(jīng)網(wǎng)絡(luò)的輸入層有n+1個(gè)輸入層單元，對(duì)應(yīng)輸入特征向量中的n+1項(xiàng)多項(xiàng)式系數(shù)；輸出層有4個(gè)輸出單元，分別對(duì)應(yīng)Click，CW，LFM和HFM4個(gè)信號(hào)類別。輸入層與隱含層，隱含層與輸出層之間使用Log-Sigmoid作為激活函數(shù)，輸出層到輸出結(jié)果使用Tan-Sigmoid函數(shù)作為激活函數(shù)。其中，Tan-Sigmoid函數(shù)將輸出單元輸出限定在(0,1)區(qū)間內(nèi)，輸出值大小反映了輸入特征可以被分類為當(dāng)前信號(hào)類型的置信程度。通過比較4個(gè)輸出單元輸出值大小，將輸入特征分類至其相應(yīng)的信號(hào)類型中。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖6所示，神經(jīng)網(wǎng)絡(luò)的詳細(xì)參數(shù)設(shè)置如表1所示。

表1 BP神經(jīng)網(wǎng)絡(luò)相關(guān)參數(shù)Tab.1 Related parameters of BP neural network

SVM是一種定義在輸入特征空間上的間隔最大分類器，它能較好地解決小樣本、非線性、高維數(shù)和局部極小點(diǎn)等問題，是求解特征識(shí)別分類問題的有效工具。本文使用基于核方法的非線性SVM，通過使用核函數(shù)將原空間的分類數(shù)據(jù)映射到新空間，從而在新空間里用線性分類學(xué)習(xí)方法從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)分類模型。為解決任意維數(shù)的特征矩陣問題，選用徑向基函數(shù)（Radial basis function，RBF）作為核函數(shù)。由于SVM一般針對(duì)二分類任務(wù)，而本文中有4種待分類信號(hào)，因此通過“一對(duì)一”(one vs one,ovo)方法設(shè)計(jì)多分類SVM。該方法通過在每兩個(gè)目標(biāo)類別之間訓(xùn)練一個(gè)分類器來獲取分類器的權(quán)值和偏置系數(shù)；因此對(duì)于四分類問題，需要設(shè)計(jì)6個(gè)二分類器。當(dāng)對(duì)輸入特征進(jìn)行分類時(shí)，每個(gè)分類器都對(duì)其類別進(jìn)行判斷，然后在決策階段采用“投票法”判斷輸入特征的實(shí)際所屬類別。所用SVM詳細(xì)參數(shù)如表2所示。

圖6 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.6 Schematic diagram of BP neural network structure

表2 SVM相關(guān)參數(shù)Tab.2 Related parameters of SVM

式中：Ns為送入兩個(gè)分類器特征向量的數(shù)量，Nc為被兩個(gè)分類器正確分類的特征向量的數(shù)量。

使用分類正確率τ評(píng)價(jià)以上兩個(gè)分類器的分類效果，其定義如下

3 實(shí)驗(yàn)結(jié)果及分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

Click：使用一段通過浮標(biāo)采集的、時(shí)長為7m54s的高質(zhì)量抹香鯨叫聲脈沖信號(hào)，信號(hào)采樣頻率為44.1KHz。首先通過高通、低通和小波閾值去噪方法對(duì)原始的抹香鯨聲音進(jìn)行去噪，然后，通過基于短時(shí)能量的端點(diǎn)檢測算法提取出所有Click叫聲脈沖，最后從中隨機(jī)選取800個(gè)叫聲脈沖用于分類實(shí)驗(yàn)。

傳統(tǒng)聲吶信號(hào)脈沖：根據(jù)已知的數(shù)學(xué)表達(dá)式，采用軟件產(chǎn)生CW，LFM和HFM這3類傳統(tǒng)聲吶信號(hào)脈沖。根據(jù)工程實(shí)際中低、中、高頻聲吶所使用的CW，LFM和HFM聲吶信號(hào)脈沖的頻帶范圍、脈沖寬度等時(shí)頻參數(shù)，通過MATLAB軟件隨機(jī)生成CW，LFM和HFM類信號(hào)樣本各800個(gè)。隨機(jī)生成的3類信號(hào)的時(shí)頻參數(shù)如表3所示，信號(hào)的頻率范圍按照實(shí)際使用的低頻（1～5 kHz）、中頻（5～15 kHz）和高頻（15～20 kHz）聲吶的頻帶范圍確定。表3中B表示實(shí)際生成信號(hào)的帶寬，在生成信號(hào)的過程中，首先確定信號(hào)的起始頻率，再確定其持續(xù)時(shí)間，同時(shí)根據(jù)調(diào)頻斜率或曲率的參數(shù)要求，確定信號(hào)的終止頻率，最后生成的信號(hào)需滿足表中所列頻率范圍，否則生成的信號(hào)將被舍去。

表3 CW，LFM和HFM信號(hào)參數(shù)Tab.3 Signal parameters of CW，LFM and HFM

3.2 實(shí)驗(yàn)過程

按照圖3所述流程，Click，CW，LFM和HFM水聲信號(hào)的識(shí)別與分類過程如下：

(1)分別對(duì)這4類水聲信號(hào)進(jìn)行短時(shí)傅里葉變換，窗函數(shù)取Hamming窗，窗寬為60個(gè)采樣點(diǎn)，步長為50個(gè)采樣點(diǎn)，F(xiàn)FT長度為1024。

(2)在估計(jì)每個(gè)實(shí)驗(yàn)信號(hào)樣本的時(shí)頻變化輪廓Se時(shí)，移動(dòng)平均濾波的長度設(shè)置為L=10。

(3)設(shè)置擬合多項(xiàng)式階數(shù)n=5。為減小時(shí)頻變化輪廓異常值對(duì)擬合精度的影響，僅使用Se中間4/5的長度進(jìn)行擬合（將左右兩端各1/10長度的Se(i)舍去），得到時(shí)頻變化特征向量A=[a0,a1,…,an-1,an]。

(4)使用k-折交叉驗(yàn)證法評(píng)估BP神經(jīng)網(wǎng)絡(luò)和SVM的分類性能。具體過程如下：首先，將每一類水聲信號(hào)中的800個(gè)特征向量隨機(jī)切分為10個(gè)互不相交且大小相同的子集（即k=10），使每一個(gè)子集都包含80個(gè)數(shù)據(jù)樣本。然后，每一次使用4類水聲信號(hào)中的9個(gè)子集的并集作為BP神經(jīng)網(wǎng)絡(luò)和SVM的訓(xùn)練集(即4×9×80共2880個(gè)訓(xùn)練樣本)，余下的4類水聲信號(hào)子集的并集作為BP神經(jīng)網(wǎng)絡(luò)和SVM的測試集(即4×(10-9)×80共320個(gè)特征向量樣本)。進(jìn)行10次訓(xùn)練和測試，保證每個(gè)子集都有一次機(jī)會(huì)作為測試集，其余作為訓(xùn)練集。用訓(xùn)練好的模型在相應(yīng)的測試集上測試，計(jì)算并保存模型的評(píng)估結(jié)果。最后，將10組測試集上分類正確率的平均值作為分類器的分類成功概率。

3.3 忽略水聲信道影響下的分類結(jié)果

表4和表5分別列出了BP神經(jīng)網(wǎng)絡(luò)交叉驗(yàn)證實(shí)驗(yàn)和SVM交叉驗(yàn)證實(shí)驗(yàn)混淆矩陣(Confusion matrix)的平均值和平均分類正確率。對(duì)比表4和表5的結(jié)果，可以發(fā)現(xiàn)在相同訓(xùn)練集和測試集條件下，BP神經(jīng)網(wǎng)絡(luò)對(duì)Click，LFM和HFM信號(hào)的識(shí)別和分類能力優(yōu)于SVM，兩者的CW分類正確率相差不大，但SVM對(duì)LFM和HFM的分類能力較差，分類正確率遠(yuǎn)低于BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)對(duì)4類信號(hào)的分類正確率均高于90%。

表4 BP神經(jīng)網(wǎng)絡(luò)分類結(jié)果Tab.4 Classification results of BP neural network

從表5還可以看出，SVM對(duì)LFM和HFM分類準(zhǔn)確率較低，主要表現(xiàn)在SVM將較多的LFM測試樣本(30.75%)錯(cuò)誤地分類到HFM，同時(shí)也將較多的HFM測試樣本(32%)錯(cuò)誤地分類到LFM。這表明，相比其他兩類信號(hào)，LFM和HFM的時(shí)頻變化趨勢更為相似，兩者時(shí)頻特征向量在SVM的輸入特征空間有較多重合區(qū)域，同時(shí)SVM的核函數(shù)無法將兩者的時(shí)頻特征向量有效映射到線性可分空間內(nèi)，最終導(dǎo)致SVM將較多的LFM和HFM特征向量錯(cuò)誤分類。

表5 SVM分類結(jié)果Tab.5 Classification results of SVM

3.4 水聲信道影響下的分類結(jié)果

在水聲信號(hào)實(shí)際傳播過程中，受海洋水聲信道頻率選擇性、時(shí)變、多途效應(yīng)等的影響，4類信號(hào)在傳播過程中會(huì)產(chǎn)生不同程度的信號(hào)畸變[16]，但在3.3節(jié)中這一現(xiàn)象未被考慮在內(nèi)。因此使用Bellhop模型對(duì)海洋聲信道傳播特性進(jìn)行建模仿真，獲取信道沖激響應(yīng)[17]，考察在水聲信道影響下4類信號(hào)的分類效果。Bellhop模型建模仿真參數(shù)如表6所示。

表6 Bellhop模型仿真參數(shù)Tab.6 Simulation parameters of the Bellhop model

對(duì)3200個(gè)經(jīng)過水聲信道后的接收信號(hào)按照圖3所述實(shí)驗(yàn)過程再次進(jìn)行實(shí)驗(yàn)。表7和表8分別列出了BP神經(jīng)網(wǎng)絡(luò)和SVM分類器混淆矩陣的平均值和平均分類正確率。從表中看出，BP神經(jīng)網(wǎng)絡(luò)和SVM對(duì)Click和CW的分類效果沒有大幅變化，但對(duì)LFM和HFM的分類效果明顯下降。BP神經(jīng)網(wǎng)絡(luò)幾乎是對(duì)經(jīng)水聲信道后的LFM和HFM信號(hào)進(jìn)行了隨機(jī)分類。這主要是由于受信道影響后，LFM和HFM信號(hào)出現(xiàn)嚴(yán)重的時(shí)間擴(kuò)展，產(chǎn)生了鋸齒狀的信號(hào)重疊現(xiàn)象，影響時(shí)頻特征提取算法對(duì)信號(hào)瞬時(shí)頻率的估計(jì)，導(dǎo)致算法無法準(zhǔn)確提取原信號(hào)時(shí)頻脊的斜率或曲率細(xì)節(jié)變化等特征，但這種影響僅體現(xiàn)在這兩類信號(hào)之間。除此之外，BP神經(jīng)網(wǎng)絡(luò)仍能準(zhǔn)確分類Click和CW信號(hào)，平均分類正確率分別達(dá)到96.88%和92.65%。這是由于同LFM和HFM信號(hào)相比，Click和CW信號(hào)頻率變化更平穩(wěn)，信道對(duì)其時(shí)頻變化影響較小。

SVM相比BP神經(jīng)網(wǎng)絡(luò)分類效果較差。和原始信號(hào)分類結(jié)果相比，SVM對(duì)4類信號(hào)的分類正確率均有所下降。SVM除不能準(zhǔn)確分類經(jīng)水聲信道后的LFM和HFM信號(hào)外，還將28.38%的LFM信號(hào)和31.38%的HFM信號(hào)錯(cuò)誤分類為Click信號(hào)，這同樣說明三者的時(shí)頻特征在SVM的輸入特征空間存在重合區(qū)域且核函數(shù)不能將三者正確映射到線性可分空間。

表7 BP神經(jīng)網(wǎng)絡(luò)對(duì)經(jīng)水聲信道后信號(hào)的分類結(jié)果Tab.7 Classification results of BP neural network on signals after the simulated underwater acoustic channel

表8 SVM對(duì)經(jīng)水聲信道后信號(hào)的分類結(jié)果Tab.8 Classification results of SVM on signals after the simulated underwater acoustic channel

3.5 水聲信道影響被補(bǔ)償后的分類結(jié)果

在本部分，通過虛擬時(shí)間反轉(zhuǎn)鏡技術(shù)對(duì)水聲信道的影響進(jìn)行了補(bǔ)償[16]。經(jīng)過虛擬時(shí)間反轉(zhuǎn)鏡補(bǔ)償后的4類水聲信號(hào)按照圖3所述實(shí)驗(yàn)過程再次進(jìn)行實(shí)驗(yàn)。其中，在估計(jì)每一個(gè)實(shí)驗(yàn)信號(hào)樣本時(shí)頻變化輪廓Se過程中，由于信號(hào)在時(shí)間上被壓縮聚焦，左右兩端信號(hào)幅值明顯減小，為減小兩端低幅值信號(hào)對(duì)擬合效果的影響，將低于信號(hào)最大幅值1/5的兩端信號(hào)對(duì)應(yīng)的Se(i)值舍去，只保留中間時(shí)間段內(nèi)對(duì)應(yīng)幅值較大的Se(i)進(jìn)行時(shí)頻曲線擬合。表9和表10分別列出了BP神經(jīng)網(wǎng)絡(luò)和SVM分類器混淆矩陣的平均值和平均分類正確率。

和補(bǔ)償前相比，BP神經(jīng)網(wǎng)絡(luò)對(duì)補(bǔ)償后的Click，CW，LFM和HFM信號(hào)的平均分類正確率分別達(dá)到95.5%，94.25%，82.87%和86%，其中對(duì)LFM和HFM信號(hào)的分類正確率分別提高了38.9%和43.9%，分類效果明顯改善。SVM對(duì)于補(bǔ)償后Click，CW，LFM和HFM信號(hào)的分類效果仍然比較差，平均分類正確率分別為85.75%，92.38%，37.9%和44.75%，和未補(bǔ)償信號(hào)的分類正確率相當(dāng)，均低于BP神經(jīng)網(wǎng)絡(luò)分類正確率。從混淆矩陣看，和補(bǔ)償前相比，SVM將補(bǔ)償后LFM和HFM信號(hào)錯(cuò)誤分類到Click的比例明顯減少，LFM錯(cuò)分到Click的比例由原來的28.38%下降到16.25%，HFM錯(cuò)分到Click的比例由原來的31.38%下降到11.38%。

對(duì)比3組實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)比SVM分類器具有更好的適應(yīng)性和分類效果。

表9 BP神經(jīng)網(wǎng)絡(luò)對(duì)水聲信道補(bǔ)償后信號(hào)的分類結(jié)果Tab.9 Classification results of BP neural network after compensation for underwater acoustic channel

表10 SVM對(duì)水聲信道補(bǔ)償后信號(hào)的分類結(jié)果Tab.10 Classification results of SVM after compensation for underwater acoustic channel

4 結(jié)束語

本文提出了一種基于短時(shí)傅里葉變換的Click，CW，LFM和HFM水聲信號(hào)時(shí)頻特征提取和分類算法。本算法基于短時(shí)傅里葉變換譜，對(duì)信號(hào)瞬時(shí)頻率進(jìn)行估計(jì)，進(jìn)而提取信號(hào)的時(shí)頻變化輪廓，通過對(duì)時(shí)頻變化輪廓進(jìn)行多項(xiàng)式擬合，將離散的時(shí)頻變化輪廓轉(zhuǎn)化為連續(xù)的時(shí)頻特征曲線，最終計(jì)算得到時(shí)頻特征向量。進(jìn)一步地，基于特征向量，利用BP神經(jīng)網(wǎng)絡(luò)和SVM分類器對(duì)4類信號(hào)進(jìn)行分類。分別在理想情況下、在水聲信道對(duì)信號(hào)產(chǎn)生影響的情況下和在水聲信道的影響被校正的情況下，進(jìn)行了分類實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，所提出的時(shí)頻特征識(shí)別分類算法可以準(zhǔn)確提取4類水聲信號(hào)的時(shí)頻變化特征并將其正確分類。BP神經(jīng)網(wǎng)絡(luò)分類器比SVM分類具有更好的適應(yīng)性和分類正確率。從實(shí)驗(yàn)結(jié)果可以看出，在3種實(shí)驗(yàn)條件下，僅使用小規(guī)模數(shù)據(jù)（每一類信號(hào)800個(gè)數(shù)據(jù)樣本）對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練即可使分類器對(duì)Click信號(hào)的分類正確率達(dá)到95%以上。本文提出的時(shí)頻特征分類和識(shí)別算法模型結(jié)構(gòu)簡單，運(yùn)算量小，可搭載于小型或微型嵌入式系統(tǒng)，可應(yīng)用在被動(dòng)聲學(xué)監(jiān)測、主動(dòng)聲吶探測以及水聲通信等場景下的多類信號(hào)的分類與識(shí)別，以及水下軍事預(yù)警等領(lǐng)域。