楊宏暉，徐光輝，李俊豪，申 昇，姚曉輝

（西北工業(yè)大學(xué)航海學(xué)院，西安 710072）

1 引 言

“凡物動而有聲，聲變而有音”。在海洋中航行的艦船不可避免地向周圍海洋環(huán)境輻射噪聲。被動聲吶能安靜地監(jiān)聽水下目標(biāo)輻射噪聲，在發(fā)現(xiàn)目標(biāo)的同時不易被目標(biāo)察覺，具有很好的作戰(zhàn)優(yōu)勢。艦船輻射噪聲主要由機(jī)械噪聲、螺旋槳噪聲和水動力噪聲共同組成。利用被動聲吶接收的艦船輻射噪聲，分析聲源屬性，提取目標(biāo)的固有屬性，識別水下目標(biāo)，是水聲信號處理領(lǐng)域的研究焦點(diǎn)。一直以來，各國被動聲吶系統(tǒng)主要利用訓(xùn)練有素的聲吶員來識別目標(biāo)，但聲吶員判斷的準(zhǔn)確性受到聲吶員自身的經(jīng)驗(yàn)、身體狀況、心理因素等影響較大。因此，各國一直致力于發(fā)展被動聲吶系統(tǒng)的水下目標(biāo)自動識別技術(shù)，協(xié)助并最終代替聲吶員完成繁重的識別任務(wù)。本文在介紹基于機(jī)器學(xué)習(xí)的水下目標(biāo)識別（Underwater Acoustic Target Recognition，UATR）技術(shù)的基礎(chǔ)上，重點(diǎn)分析與總結(jié)了水下目標(biāo)特征提取、特征融合、分類器設(shè)計等方面的研究現(xiàn)狀，闡述了在人工智能技術(shù)快速發(fā)展背景下的UATR技術(shù)發(fā)展的現(xiàn)狀，最后論述了UATR智能化發(fā)展中依然存在的問題及未來發(fā)展趨勢。

2 基于機(jī)器學(xué)習(xí)的UATR

2.1 UATR系統(tǒng)的工作原理

以機(jī)器學(xué)習(xí)理論為核心的UATR系統(tǒng)的工作原理如圖1所示。系統(tǒng)工作過程分為兩個部分：學(xué)習(xí)過程和測試過程。學(xué)習(xí)過程主要包括：信號獲取及預(yù)處理、特征提取、特征選擇、樣本選擇及識別模型設(shè)計；測試過程主要包括：信號獲取及預(yù)處理、特征提取及識別決策。

2.2 艦船輻射噪聲的特征提取

在艦船輻射噪聲特征提取方面，國內(nèi)研究人員從不同的角度對艦船輻射噪聲信號進(jìn)行了分析和研究，提取了水中目標(biāo)的多域特征。

2.2.1 時域波形結(jié)構(gòu)特征提取

文獻(xiàn)［1-3］從艦船輻射噪聲原始信號中提取了過零點(diǎn)分布、峰間幅值分布、波長差分布及波列面積分布等波形結(jié)構(gòu)特征。時域波形結(jié)構(gòu)特征提取原理簡單，易于實(shí)現(xiàn)，但需要先驗(yàn)知識來設(shè)定其中的參數(shù)，而固定的參數(shù)會使這類特征在復(fù)雜海洋環(huán)境條件下的識別泛化性較弱。

2.2.2 頻域譜特征提取

研究人員對艦船噪聲的頻域譜特性分析方法進(jìn)行了深入的研究。給出了艦船的螺旋槳、軸頻、輕重節(jié)奏及氣缸對艦船噪聲調(diào)制的數(shù)學(xué)模型，計算出不同情況下艦船噪聲調(diào)制包絡(luò)的功率譜密度和自相關(guān)函數(shù)，提取了艦船的螺旋槳轉(zhuǎn)速、螺旋槳葉片數(shù)、葉片間不均勻性、螺旋槳軸的加工和安裝情況、主機(jī)類型以及艦船的形狀等特征，并利用ECS型噪聲的理論模型對艦船輻射噪聲的自相關(guān)函數(shù)和平均功率譜的形狀進(jìn)行了描述，提取了平均功率譜的最大值位置和歸一化平均功率譜級的二階中心矩作為識別特征，采用分段線性分類器對兩種不同型號的艦船目標(biāo)進(jìn)行了分類［4］。研究人員還對艦船噪聲和振動譜中的線譜提取方法進(jìn)行了研究，提出了線譜特征的分析及計算方法［5］。

圖1 UATR系統(tǒng)的工作原理Fig.1 The working principle of UATR system

2.2.3 時頻分析特征提取

在頻域分析中，任一頻率分量都是對信號在整個定義時間區(qū)間上的積分，無法有效地反應(yīng)信號在窄時間區(qū)間上的突變情況。故采用時頻分析的方法對艦船輻射噪聲進(jìn)行局部時間區(qū)間上的頻率分析。文獻(xiàn)［6-8］提取時頻分析特征的方法主要有小波變換、短時傅立葉變換、高階統(tǒng)計量、低頻分析與記錄譜（Low Frequency Analysis Recording，LOFAR）、噪聲包絡(luò)信號檢測譜（Detection of Envelope Modulation On Noise，DEMON）、倍頻程譜分析、倒譜、Wigner-Ville分布和Gabor展開等。文獻(xiàn)［9-10］將小波變換用于艦船輻射噪聲的特征分析，提取了各級小波的譜特征和波形結(jié)構(gòu)特征，然后將所提取的特征與原始信號的特征輸入同一類型的神經(jīng)網(wǎng)絡(luò)分類器，進(jìn)行分類比較。結(jié)果表明，小波變換使信號的譜類別特征和波形結(jié)構(gòu)特征有了明顯的增強(qiáng)，且能壓縮特征空間的維數(shù)。文獻(xiàn)［11］利用小波變換方法討論了四種基于小波變換的特征提取方法：基于小波變換的模極大值特征、基于小波分解的能量特征、基于小波包分解的熵特征以及基于自適應(yīng)小波網(wǎng)絡(luò)的特征提取方法，并闡述了各方法的基本原理及實(shí)現(xiàn)過程，以及將其用于水聲信號的特征提取。通過分類結(jié)果比較，分析了各種方法的特點(diǎn)及適用性。文獻(xiàn)［12-13］將子波分析用于水下目標(biāo)的被動識別中，提出了艦船輻射噪聲譜子波特征提取和高斯加權(quán)特征提取兩種特征提取方法，并對子波神經(jīng)網(wǎng)絡(luò)分類器的模型進(jìn)行了研究。文獻(xiàn)［14］研究了基于小波分析的被動聲納信號寬帶噪聲包絡(luò)調(diào)制分析方法。功率譜和相關(guān)函數(shù)具有二階統(tǒng)計特性，在隨機(jī)過程是正態(tài)分布時，它們能完全代表過程的特性。但實(shí)際的水聲信號或噪聲往往不是理想的高斯分布，用二階統(tǒng)計特性不能全面描述信號特性，高階譜具有對非高斯、非平穩(wěn)信號進(jìn)行有效處理的能力，加之可以抑制高斯和非高斯的有色噪聲，因此可以用來實(shí)現(xiàn)對艦船噪聲信號的特征提取。高階統(tǒng)計量一般有高階累積量、高階矩和高階譜，其都具有抑制加性噪聲的能力，并保留了相位信息。文獻(xiàn)［15］使用高階譜方法提取了艦船目標(biāo)的高階譜特征，對兩類信號分別進(jìn)行了雙譜分析和三譜分析，提取了四個高階譜特征，并使用反向傳播（Back Propagation，BP）網(wǎng)絡(luò)進(jìn)行了分類，取得了較好的分類效果。LOFAR譜可反映信號的非平穩(wěn)特性，進(jìn)而可提取信號中的寬帶線譜分布特征。但軸頻及其倍頻卻因?yàn)榛旧隙佳蜎]在低頻寬帶噪聲中而無法直接獲取，而艦船寬帶噪聲高頻端存在調(diào)制現(xiàn)象，DEMON分析通過對接收的寬帶信號進(jìn)行解調(diào)以獲得低頻的包絡(luò)譜，從而獲得了諸如目標(biāo)軸頻、葉頻等低頻端較強(qiáng)的物理特征。文獻(xiàn)［16］用LOFAR和DEMON的方法對艦船輻射噪聲的譜和頻率特性進(jìn)行分析，通過LOFAR譜分析從時域和頻域兩個角度提取艦船輻射噪聲的特征，通過DEMON譜分析提取艦船輻射噪聲的周期調(diào)制譜，確定螺旋槳的軸頻和葉頻，進(jìn)而確定螺旋槳的葉數(shù)。

2.2.4 聽覺感知特征提取

一直以來，研究人員都力圖借鑒人聽覺感知機(jī)理來構(gòu)建被動UATR方法，提出了基于聽覺模型的水下目標(biāo)輻射噪聲特征提取方法。聽覺模型可以用于提取艦船輻射噪聲瞬態(tài)信號的音色等特征，結(jié)合近鄰分類器識別水下目標(biāo)［17］。文獻(xiàn)［18］討論了在被動聲吶目標(biāo)識別任務(wù)中應(yīng)用聽覺感知模型的可能性，同時，結(jié)合聲吶目標(biāo)識別的特點(diǎn)，對聽覺感知模型的適用性建模研究提出了建議。文獻(xiàn)［19］提出了基于感知線性預(yù)測（PLP）的模仿人耳聽覺特性來提取水聲信號魯棒特征的方法。運(yùn)用聽覺心理學(xué)中臨界帶譜分析、等響度曲線、強(qiáng)度響度聽覺冪率的概念，形成估計聽覺譜的方法，獲得一個12階全極點(diǎn)模型的魯棒特征矢量。文獻(xiàn)［20］深入研究了響度類特征和音調(diào)特征的物理含義和計算方法，發(fā)現(xiàn)聲音的沉雜性、起伏性、快變性、尖銳性和規(guī)律性在水聲目標(biāo)主觀識別中起著較為重要的作用，并針對聲學(xué)目標(biāo)，尤其是UATR進(jìn)行了改進(jìn)。文獻(xiàn)［21］利用Gammatone濾波器構(gòu)建人耳聽覺模型，提取聽覺時頻特征和聽覺譜特征。文獻(xiàn)［22］提出了利用短時能量分析與人的主觀聽覺相結(jié)合的方法進(jìn)行船舶輻射噪聲特征提取。文獻(xiàn)［23］利用耳蝸分頻、聽覺掩蔽等特性，提出了聽覺譜特征計算模型，設(shè)計了支持向量機(jī)（Support Vector Machine，SVM）集成算法進(jìn)行水下目標(biāo)分類識別。文獻(xiàn)［24］運(yùn)用聽覺心理學(xué)的研究成果，模仿人耳的感知辨識機(jī)理，提出了基于聽覺模型的水下目標(biāo)特征提取方法。文獻(xiàn)［25］提取了艦船輻射噪聲的Moore響度和音色特征，并利用海試數(shù)據(jù)驗(yàn)證了所提出方法的有效性。文獻(xiàn)［26-27］采用模擬人耳聽覺的梅爾頻率倒譜系數(shù)方法提取出有效的特征參數(shù)進(jìn)行水下目標(biāo)的識別。上述研究工作主要集中在聽覺外周模型，很少涉及到聽覺中樞系統(tǒng)。

2.3 從艦船輻射噪聲的特征選擇

艦船輻射噪聲的特征選擇是水聲目標(biāo)識別系統(tǒng)中很重要的組成部分。特征選擇的目的是優(yōu)化學(xué)習(xí)算法的分類性能。設(shè)X為訓(xùn)練樣本集：

式中，d是樣本的特征數(shù)目，Y是有限的類標(biāo)集合。

特征選擇可以定義為：給定m≤d，從d個原始特征中選出m個特征，使得分類器的分類錯誤率最低；給定錯誤分類率，從d個原始特征中選擇出滿足預(yù)先設(shè)定的最小錯誤分類率的最少的m個特征。

特征選擇是解決樣本數(shù)目有限而特征數(shù)目高導(dǎo)致分類系統(tǒng)分類性能下降的小樣本識別問題的重要方法。西北工業(yè)大學(xué)楊宏暉［28］、海軍大連潛艇學(xué)院章新華、中船重工760研究所彭圓等研究了水下目標(biāo)特征選擇的方法?，F(xiàn)有的研究方法有人工免疫算法［29-30］、遺傳算法［31］、向前向后搜索算法、最大梯度選擇算法［32］、粗集理論［33］、動態(tài)規(guī)劃［34］以及特征選擇和支持向量機(jī)集成（Support Vector Machine Ensemble，SVME）融合算法［35］等。在水聲目標(biāo)特征選擇方法中，人工免疫算法和遺傳算法從理論上可以搜索全局最優(yōu)解，但運(yùn)算量大，人工免疫算法相比遺傳算法可利用先驗(yàn)知識及免疫算子提高運(yùn)行速度和收斂速度。粗集理論、向前向后搜索算法及動態(tài)規(guī)劃本質(zhì)上是順序搜索算法，不一定得到最優(yōu)解。最大梯度算法原理簡單但會丟失信息。特征選擇和SVME融合算法將分類器設(shè)計和特征選擇融合在一個框架之中，在大幅減少特征數(shù)目同時，提高了正確識別率。

2.4 用于艦船輻射噪聲識別的分類器設(shè)計

在艦船輻射噪聲分類決策方法研究工作中，主要的方法有：基于統(tǒng)計分析的方法、神經(jīng)網(wǎng)絡(luò)方法和專家系統(tǒng)方法。基于統(tǒng)計分析的方法主要有貝葉斯模式分類方法、聚類分析方法、SVM、決策樹、近鄰法、隱馬爾可夫模型等。文獻(xiàn)［36］通過K均值與SVM結(jié)合的方法對水下目標(biāo)進(jìn)行分類識別。常見的神經(jīng)網(wǎng)絡(luò)方法有感知機(jī)、BP神經(jīng)網(wǎng)絡(luò)、自編碼網(wǎng)絡(luò)等。專家系統(tǒng)識別方法是基于領(lǐng)域?qū)＜业慕?jīng)驗(yàn)知識建立的推理識別系統(tǒng)［37-38］。在這種識別系統(tǒng)中，傳感器數(shù)據(jù)經(jīng)過特征提取得到的目標(biāo)特征送入推理機(jī)中，推理機(jī)按照人的思維進(jìn)行分析并與知識庫中的條件進(jìn)行對比從而得出識別結(jié)果。

2.5 基于深度學(xué)習(xí)的艦船輻射噪聲識別

隨著逐層貪婪非監(jiān)督預(yù)訓(xùn)練算法的提出，困擾深度網(wǎng)絡(luò)的訓(xùn)練問題得以解決，深度學(xué)習(xí)迅速成為機(jī)器學(xué)習(xí)領(lǐng)域的熱點(diǎn)。近幾年，國外研究人員深入研究了深度學(xué)習(xí)在各領(lǐng)域的應(yīng)用，在計算機(jī)視覺、語音識別、聲信號處理、字符識別、回歸分析等領(lǐng)域取得了初步但令人矚目的成果。相比深度學(xué)習(xí)在語音識別、圖像識別等領(lǐng)域的研究，在水聲目標(biāo)識別領(lǐng)域國外的研究成果報道較少，但國內(nèi)相關(guān)學(xué)者已經(jīng)開展了有關(guān)主動聲納目標(biāo)識別和海洋生物識別的研究。目前，國外仍然在深入研究深度學(xué)習(xí)，并針對具體應(yīng)用問題，進(jìn)一步完善深度學(xué)習(xí)的理論框架和網(wǎng)絡(luò)框架。

深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)是目前最為成功的類腦計算模型，近幾年，國內(nèi)外相關(guān)學(xué)者研究了基于深度學(xué)習(xí)［39-40］的UATR方法。文獻(xiàn)［41］提出基于深度置信網(wǎng)絡(luò)的水下目標(biāo)多層深度特征提取與識別方法，并利用實(shí)測數(shù)據(jù)進(jìn)行識別實(shí)驗(yàn)驗(yàn)證。文獻(xiàn)［42］構(gòu)建了一個基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)識別系統(tǒng)，識別五種海洋哺乳動物的叫聲，實(shí)驗(yàn)結(jié)果表明深度特征的識別性能明顯好于梅爾頻率倒譜系數(shù)特征。西北工業(yè)大學(xué)、中船重工760研究所、中船系統(tǒng)工程研究院等科研單位開展了基于深度學(xué)習(xí)的UATR理論和方法的研究工作。文獻(xiàn)［43］研究了將深度自編碼網(wǎng)絡(luò)（Stacked Auto-Encoder，SAE）用于UATR方法，實(shí)驗(yàn)結(jié)果表明SAE的識別性能明顯好于SVM和概率神經(jīng)網(wǎng)絡(luò)。文獻(xiàn)［44］研究了基于深度置信網(wǎng)絡(luò)（Deep Belief Network，DBN）的水下目標(biāo)深度特征提取與識別方法，利用互信息實(shí)現(xiàn)深度網(wǎng)絡(luò)隱含單元的分組，利用組稀疏懲罰機(jī)制優(yōu)化網(wǎng)絡(luò)，提取分類性能強(qiáng)的深度特征。文獻(xiàn)［45］提出了混合正則化深度置信網(wǎng)絡(luò)，利用最大互信息組正則化方法和大量無類標(biāo)訓(xùn)練樣本正則化方法優(yōu)化深度置信網(wǎng)絡(luò)，實(shí)驗(yàn)結(jié)果表明優(yōu)化后的深度特征的識別性能有所提高。文獻(xiàn)［28］專門論述了用于UATR的深度學(xué)習(xí)網(wǎng)絡(luò)學(xué)習(xí)過程監(jiān)測、調(diào)整、可視化以及優(yōu)化的基本理論和方法。深度學(xué)習(xí)理論在UATR領(lǐng)域中取得了初步的成果，但是其復(fù)雜龐大的參數(shù)優(yōu)化問題、需要大量訓(xùn)練樣本、深度特征的物理意義解釋性弱等問題還有待于解決。

2.6 基于類腦智能的UATR

類腦智能是指受大腦神經(jīng)機(jī)制和認(rèn)知機(jī)制啟發(fā)，以計算機(jī)建模為手段，通過軟硬件協(xié)同實(shí)現(xiàn)的機(jī)器智能。類腦智能是一種面向人工神經(jīng)網(wǎng)絡(luò)對低功耗、弱監(jiān)督、可解釋等學(xué)習(xí)需求，將生物機(jī)制與數(shù)學(xué)原理融合的新型網(wǎng)絡(luò)模型和學(xué)習(xí)方法。美國、歐盟、日本等國先后提出了“腦計劃”來推動腦科學(xué)以及類腦科學(xué)相關(guān)領(lǐng)域的科學(xué)研究。中國也于2018年啟動“腦計劃”。

有關(guān)類腦智能及應(yīng)用的研究在中國也得到了水聲領(lǐng)域科研工作者的重視。在深度網(wǎng)絡(luò)的可解釋性方面、小樣本識別任務(wù)方面、精細(xì)特征提取方面，類腦智能具有一定優(yōu)勢。文獻(xiàn)［46-48］研究了大腦聽覺系統(tǒng)的信息處理神經(jīng)機(jī)制，如可塑性機(jī)制、時域信號分解機(jī)制等，提出了受腦聽覺啟發(fā)的深度神經(jīng)網(wǎng)絡(luò)，并用實(shí)測數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證。針對小樣本的識別問題，將遷移學(xué)習(xí)技術(shù)融入受腦聽覺啟發(fā)的深度網(wǎng)絡(luò)，進(jìn)一步提升了網(wǎng)絡(luò)在小樣本識別任務(wù)中的性能?，F(xiàn)階段類腦智能還處于發(fā)展的萌芽階段，但隨著人類對大腦的認(rèn)識的深入和提高，類腦智能的水聲目標(biāo)的建模與識別算法將有顯著提高。

3 未來研究方向與展望

目前，人工智能已經(jīng)成為引領(lǐng)未來的戰(zhàn)略性技術(shù)之一,世界海洋軍事強(qiáng)國已逐步形成以加速發(fā)展智能化武器裝備為核心的競爭態(tài)勢。在UATR領(lǐng)域，利用艦船輻射噪聲識別水下目標(biāo)依然面臨著諸多困難和挑戰(zhàn)。如何將腦科學(xué)、類腦智能、深度學(xué)習(xí)、大數(shù)據(jù)、超級計算等新理論新方法有針對性地應(yīng)用到UATR中，構(gòu)建蘊(yùn)含新興人工智能技術(shù)的UATR系統(tǒng)，是未來的發(fā)展趨勢，需要更多的研究和實(shí)踐。