江均均，黃 敏，肖仲喆

(蘇州大學(xué) 光電科學(xué)與工程學(xué)院，江蘇 蘇州 215006)

艦船航行過程中產(chǎn)生的低頻聲音信號(hào)是對(duì)其進(jìn)行檢測(cè)和定位的重要信息來源.然而，水聲目標(biāo)的聲音信號(hào)通常由于所處的環(huán)境復(fù)雜多變而被能量遠(yuǎn)高于目標(biāo)信號(hào)的噪聲所淹沒，使得對(duì)于是否存在艦船等目標(biāo)的檢測(cè)變得十分困難.水聲目標(biāo)檢測(cè)是實(shí)現(xiàn)水下裝備系統(tǒng)智能化的重要支撐技術(shù)，其關(guān)鍵是從被強(qiáng)噪聲淹沒的信號(hào)中提取出表征水聲目標(biāo)特性的標(biāo)志性特征.標(biāo)志性特征一般應(yīng)具備以下4個(gè)方面的特性： 良好的類間可分性、有明確物理含義和較強(qiáng)的泛化能力、對(duì)目標(biāo)運(yùn)動(dòng)工況具有一定的不變性以及對(duì)水聲環(huán)境具有良好的寬容性等[1].國內(nèi)外學(xué)者們提出了多種水聲目標(biāo)檢測(cè)的方法，提取了各種形式的特征，如提取水聲目標(biāo)信號(hào)的經(jīng)典聽覺感知梅爾頻率倒譜系數(shù)(Mel Frequency Cepstrum Coefficients， MFCC)特征，包括1階差分MFCC和2階差分MFCC，并利用監(jiān)督學(xué)習(xí)方法進(jìn)行分類識(shí)別[2-3]；采用集成經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition， EEMD)和希爾伯特-黃變換提取目標(biāo)信號(hào)的最強(qiáng)本征模函數(shù)的中心頻率、高低頻之間的能量差和瞬時(shí)能量變化范圍[4]；根據(jù)卡爾曼濾波理論和最大似然估計(jì)法提取水聲目標(biāo)輻射噪聲的基頻和各階諧波的特征[5]；利用深度神經(jīng)網(wǎng)絡(luò)直接提取目標(biāo)信號(hào)的深度特征[6-7]；提取水聲目標(biāo)信號(hào)的近似熵、模糊熵和樣本熵這3種非線性特征，輸入到機(jī)器學(xué)習(xí)模型中進(jìn)行識(shí)別[8].雖然基于這些特征的方法在相應(yīng)測(cè)試數(shù)據(jù)上有不錯(cuò)的表現(xiàn)，但由于實(shí)驗(yàn)數(shù)據(jù)少，泛化能力不強(qiáng)，其中部分方法依賴于仿真數(shù)據(jù)，并非一定適用于真實(shí)數(shù)據(jù)，且其抗干擾能力弱.

針對(duì)以上問題，本文以某研究所采集的湖泊環(huán)境下的水聲目標(biāo)信號(hào)實(shí)測(cè)數(shù)據(jù)為基礎(chǔ)，對(duì)水聲目標(biāo)信號(hào)的特性進(jìn)行了分析，提取了若干能夠表征水聲目標(biāo)特性的標(biāo)志性特征，并通過機(jī)器學(xué)習(xí)方法對(duì)這些標(biāo)志性特征的性能進(jìn)行了驗(yàn)證.

1 水聲目標(biāo)信號(hào)的接收與標(biāo)志性特征的提取

艦船在水面或水下運(yùn)行時(shí)，會(huì)產(chǎn)生若干個(gè)近似于單頻音的低頻聲音信號(hào)，其在不同方向發(fā)出的聲音的頻率響應(yīng)相同，不過受船身的遮蔽效應(yīng)影響，不同方向?qū)嶋H接收到的聲音信號(hào)會(huì)略有差異.對(duì)這類信號(hào)的自動(dòng)檢測(cè)能夠及時(shí)發(fā)現(xiàn)附近水域是否出現(xiàn)運(yùn)動(dòng)中的艦船等目標(biāo)，從而可以對(duì)艦船的距離、類型等進(jìn)行判別.然而，由于風(fēng)浪等引起的水體自身震蕩，來往其他船只的干擾等因素，水聲目標(biāo)信號(hào)通常都伴隨有各種形式的噪聲和干擾，且這些干擾因素往往隨著時(shí)間會(huì)發(fā)生顯著的變化，給水聲目標(biāo)的自動(dòng)檢測(cè)造成了極大的困難.本文提取能夠表征水聲目標(biāo)特性的若干標(biāo)志性特征，并通過機(jī)器學(xué)習(xí)算法對(duì)這些標(biāo)志性特征的性能進(jìn)行驗(yàn)證的基本流程如圖1所示.

圖1 水聲目標(biāo)信號(hào)的標(biāo)志性特征提取與 基于機(jī)器學(xué)習(xí)的驗(yàn)證流程Fig.1 Process chart of signature feature extraction of underwater acoustic target signal and verification by machine learning

1.1 數(shù)據(jù)樣本描述與預(yù)處理

本文實(shí)驗(yàn)中采用的水聲目標(biāo)數(shù)據(jù)樣本來源于某研究所在某湖泊試驗(yàn)場(chǎng)采集的數(shù)據(jù)，使用兩條不同方向的航道，主航道上水深50m以上，試驗(yàn)場(chǎng)中的主要干擾源包括： 1) 基地處實(shí)驗(yàn)干擾(來自基地處其他實(shí)驗(yàn)團(tuán)隊(duì)所做實(shí)驗(yàn))；2) 來往船只干擾；3) 環(huán)境噪聲.實(shí)驗(yàn)的目標(biāo)是檢測(cè)任意1種艦船等水聲目標(biāo)，因此本文使用主動(dòng)聲源模擬了多種水聲目標(biāo)所發(fā)出的運(yùn)行低頻聲，通過對(duì)主動(dòng)聲源信號(hào)檢測(cè)的研究來實(shí)現(xiàn)對(duì)任意1種水聲目標(biāo)的檢測(cè).主動(dòng)聲源共設(shè)定5種不同的模式，代表5種不同的目標(biāo)(A、B、C、D、E)，每種目標(biāo)設(shè)定5個(gè)頻率的低頻線譜，線譜頻率分布在100Hz到530Hz之間，其中，目標(biāo)A、B、C兩兩之間有2條相同線譜，目標(biāo)C、D、E的所有線譜各不相同.主動(dòng)聲源模擬的信號(hào)和真實(shí)信號(hào)都是線譜，都有若干個(gè)，頻率也都在100Hz到600Hz之間，兩者的區(qū)別主要為真實(shí)信號(hào)在艦船減速時(shí)頻率會(huì)漸變，不會(huì)中斷幾秒，在同樣的距離上，真實(shí)信號(hào)較模擬信號(hào)略弱，因此使用主動(dòng)聲源模擬的5個(gè)單頻音可以較真實(shí)地還原真實(shí)艦船發(fā)出的水聲信號(hào).為保證實(shí)驗(yàn)設(shè)備在實(shí)驗(yàn)過程中保持良好工況，信號(hào)的占空比設(shè)置為0.625，發(fā)射信號(hào)具體形式為發(fā)5s，停3s，5類線譜輪流發(fā)射，1個(gè)周期的信號(hào)長(zhǎng)度為40s.水聲目標(biāo)的輻射信號(hào)的頻率最高為幾千赫茲，由于數(shù)據(jù)采集設(shè)備的限制，我們選擇17067Hz的采樣頻率，可以滿足采樣要求.

聲源所發(fā)射的線譜信號(hào)通過16元潛標(biāo)垂直陣進(jìn)行接收，接收器垂直陣懸掛于固定位置的測(cè)量基地.本文實(shí)驗(yàn)選用了聲源發(fā)射器與信號(hào)接收器之間的兩種不同位置的信號(hào)作為數(shù)據(jù)樣本.情況1： 聲源發(fā)射器也懸掛于測(cè)量基地，采集聲源在靜止時(shí)候的信號(hào).情況2： 聲源發(fā)射器以某一固定深度懸掛于某船只下方，船只在航道內(nèi)進(jìn)行航行，采集聲源在移動(dòng)時(shí)候的信號(hào).

由于各種干擾因素的存在，接收器采集到的數(shù)據(jù)會(huì)被干擾信號(hào)所淹沒.在船只航行狀態(tài)下實(shí)際采集的數(shù)據(jù)中1段20s長(zhǎng)的單一通道的數(shù)據(jù)片段如圖2所示.

圖2 接收信號(hào)的樣本Fig.2 Sample of received signal灰色虛線為線譜發(fā)射間隙時(shí)的信號(hào)，黑色實(shí)線為線譜發(fā)射過程中的信號(hào).

圖2(a)為原始信號(hào)的時(shí)域波形，可見由于強(qiáng)干擾信號(hào)的存在，時(shí)域波形表現(xiàn)為類似于噪聲的特性，沒有明顯規(guī)律.圖2(b)為原始信號(hào)的短時(shí)頻譜，其中： 灰色虛線為線譜發(fā)射間隙的信號(hào)情況(標(biāo)注為無信號(hào))，黑色實(shí)線為線譜發(fā)射期間的信號(hào)情況(標(biāo)注為有信號(hào)).盡管在這一頻譜對(duì)比圖中，能夠發(fā)現(xiàn)線譜發(fā)射時(shí)的若干個(gè)線譜譜峰，但數(shù)據(jù)中明顯存在低頻(低于100Hz)的噪聲，且幅度顯著高于各線譜.為了去除這一背景噪聲，我們采用高通濾波信號(hào)預(yù)處理以減少低頻噪聲的干擾，具體濾波過程選用3階橢圓濾波器，高通截止頻率設(shè)為100Hz.濾波后的時(shí)域波形如圖2(c)所示，可見濾波后的幅度在線譜發(fā)射時(shí)和發(fā)射間隙之間出現(xiàn)了明顯的幅度對(duì)比.濾波后的信號(hào)短時(shí)頻譜如圖2(d)所示，標(biāo)注同圖2(b)，可見無論有無線譜發(fā)射，信號(hào)頻譜都具有類似的背景走向，而當(dāng)有線譜發(fā)射時(shí)，頻譜中會(huì)根據(jù)所在時(shí)刻發(fā)射的線譜模式出現(xiàn)明顯的譜峰.

圖3 高通濾波后的長(zhǎng)時(shí)間信號(hào)的時(shí)域波形Fig.3 Time domain waveform of high-pass filtered signal on long time scale

然而，由于干擾會(huì)隨著時(shí)間推移發(fā)生顯著變化，利用圖2所示的時(shí)域信號(hào)幅度差異或者時(shí)域幅度突變信息并不足以作為自動(dòng)判斷是否處于線譜發(fā)射期間的依據(jù).圖3所示為從1段連續(xù)信號(hào)中截取的自2300s 至3000s的持續(xù)時(shí)長(zhǎng)為700s的長(zhǎng)片段.由圖示信號(hào)可見，2300s至2400s之間信號(hào)整體具有較低幅度，而后信號(hào)幅度明顯增強(qiáng)，2800s 之后的線譜間隙幅度甚至高于2300s時(shí)有線譜發(fā)射的幅度，而有/無線譜發(fā)射時(shí)幅度差異也隨著時(shí)間呈現(xiàn)顯著變化，沒有表現(xiàn)出明確規(guī)律.

為更清晰地顯示線譜模式，圖4(a)中顯示了圖2(a)的20s數(shù)據(jù)的聲譜圖，這段數(shù)據(jù)所受的干擾較小，由圖中可見，在線譜發(fā)射期間能看到5條水平條紋，在線譜發(fā)射間隙則不存在對(duì)應(yīng)的線譜條紋，而條紋位置與所發(fā)射的線譜模式對(duì)應(yīng).圖4(b)為濾波后的信號(hào)的聲譜圖，線譜條紋比濾波前的原始信號(hào)更加清晰.當(dāng)環(huán)境發(fā)生變化時(shí)，較強(qiáng)的干擾會(huì)使線譜條紋的清晰程度嚴(yán)重下降，如圖4(c)所示，線譜發(fā)射期間的條紋與背景間的對(duì)比很弱，且在某些頻率位置出現(xiàn)了較持續(xù)的干擾條紋(例如圖中110Hz附近、210Hz附近)，而干擾條紋是否存在，干擾條紋數(shù)量、頻率、持續(xù)時(shí)間等均隨機(jī).

圖4 接收信號(hào)的聲譜圖Fig.4 Spectrogram of received signal

在這種情況下，提取能夠有效地表征線譜是否存在的水聲目標(biāo)信號(hào)的特征則成為了能夠以較小的計(jì)算復(fù)雜度實(shí)現(xiàn)對(duì)水聲目標(biāo)信號(hào)檢測(cè)的關(guān)鍵問題之一.

1.2 提取標(biāo)志性特征

我們的目標(biāo)是使用數(shù)量很少、計(jì)算復(fù)雜度低的特征實(shí)現(xiàn)對(duì)水聲目標(biāo)的檢測(cè).無論是艦船行駛自然形成的水聲信號(hào)，還是所采集的線譜聲源，均表現(xiàn)為若干條頻率為幾百赫茲的線譜.頻譜特性將成為區(qū)分線譜是否存在的重要表征.我們選取了表征頻譜特性的5個(gè)基本特性進(jìn)行研究.線譜發(fā)射期間與線譜發(fā)射間隙信號(hào)的短時(shí)頻譜如圖5所示.

圖5 信號(hào)的短時(shí)頻譜Fig.5 Short time spectrum of signal

1.2.1 頻譜全局分析

圖5(a)與(c)分別為線譜聲源發(fā)射間隙與發(fā)射期間的短時(shí)頻譜，圖中的點(diǎn)劃線為頻譜幅度均值.兩者均體現(xiàn)出幅度不同的若干個(gè)譜峰.比較兩圖可知： 在線譜發(fā)射間隙，即線譜不存在時(shí)，頻譜幅度較高的情況大多集中在頻率低于200Hz的頻段；在線譜發(fā)射期間，即線譜存在時(shí)，由于存在若干條線譜，頻率較低處的背景幅度相對(duì)于線譜而言明顯較低，而在高于200Hz部分也會(huì)存在若干條譜線.針對(duì)聲源發(fā)射的信號(hào)在線譜發(fā)射期間包含5個(gè)線譜頻率的情況，我們對(duì)信號(hào)頻譜選取其最高的5個(gè)譜峰，譜峰頻率記為fp(i),i=1，2，…，5，對(duì)應(yīng)的各譜峰幅度記為Ap(i),i=1，2，…，5.定義譜峰重心為

(1)

譜峰重心即為表征頻譜特性的基本特性1(B1).

由圖5(a)，(c)中的頻譜均值線可見，由于線譜數(shù)量不多且譜線很窄，線譜的存在對(duì)于頻譜幅度均值的影響較小，然而線譜幅度相對(duì)于頻譜背景幅度顯著增高，因此，線譜存在時(shí)，頻譜最大值與頻譜均值的比值會(huì)顯著高于線譜不存在時(shí)的情況.這一比值作為表征頻譜特性的基本特性2(B2)，如下所示：

(2)

其中mF為頻譜均值.基本特性1，2可視為頻譜的全局特性.

1.2.2 頻譜局部特性分析

基本特性3，4，5為頻譜的局部特性，用于描述局部某個(gè)單一譜峰的局部特性.如圖5(b)，(d)所示，分別為無線譜與有線譜時(shí)的某譜峰的局部頻譜.圖中各標(biāo)示兩條虛線縱線，左側(cè)虛線為譜峰位置，右側(cè)虛線為從譜峰位置提升某一固定頻率的位置，圖示頻移為12.5Hz.當(dāng)譜峰如圖5(b)所示較寬時(shí)，兩個(gè)頻率點(diǎn)處的幅度比值較小，而當(dāng)譜峰如圖5(d)所示較窄時(shí)，兩個(gè)頻率點(diǎn)處的幅度比值較大，定義其為峰側(cè)比：

(3)

其中： Δf為從譜峰位置的頻率提升值；F(fp(i)+Δf)為第i個(gè)譜峰頻率提升Δf處的頻譜幅度.當(dāng)線譜存在時(shí)，全局分析時(shí)所提取的5個(gè)最高譜峰均為線譜處的窄峰，因此，5個(gè)峰值處的峰側(cè)比均為較大數(shù)值，且5個(gè)值較為均衡；當(dāng)線譜不存在時(shí)，5個(gè)最高譜峰有可能寬窄不一，因此其中會(huì)出現(xiàn)較小數(shù)值，且5個(gè)峰值處的峰側(cè)比數(shù)值會(huì)出現(xiàn)明顯差異.基本特性3(B3)，4(B4)，5(B5)分別定義為5個(gè)峰側(cè)比的均值、最小值、方差.

1.2.3 標(biāo)志性特征

在水聲目標(biāo)檢測(cè)任務(wù)中，我們定義單一樣本為持續(xù)時(shí)間為1s的數(shù)據(jù)，共計(jì)16個(gè)通道.針對(duì)水聲目標(biāo)信號(hào)中線譜頻率較低的情況，設(shè)定短時(shí)頻譜計(jì)算使用的幀長(zhǎng)為100ms，幀移為50ms，則1s樣本中包含19幀.對(duì)任1樣本的任1基本特性Bi，可獲得1個(gè)19×16的矩陣Ci：

(4)

對(duì)第i個(gè)基本特征Bi構(gòu)成的矩陣Ci，定義3個(gè)統(tǒng)計(jì)特征用于檢測(cè)水聲目標(biāo)線譜是否處于發(fā)射期間，即矩陣Ci的全局均值，通道間標(biāo)準(zhǔn)差以及幀間標(biāo)準(zhǔn)差.

全局均值定義為

(5)

通道間標(biāo)準(zhǔn)差定義為

(6)

幀間標(biāo)準(zhǔn)差定義為

(7)

從5個(gè)基本特性Bi中共提取出15個(gè)特征用于機(jī)器學(xué)習(xí)算法，這些特征對(duì)于水聲目標(biāo)信號(hào)是否存在具有明顯的區(qū)分能力.圖6為其中特征1與特征11構(gòu)成的散點(diǎn)圖.圖中，黑色星號(hào)為線譜發(fā)射期間的特征值，灰色圓圈代表線譜發(fā)射間隙的特征值，可見在這兩種情況下，所選取的兩個(gè)特征的分布具有明顯的不交叉區(qū)域.配合其他特征以及適宜的機(jī)器學(xué)習(xí)算法，能夠?qū)€譜聲源是否在發(fā)射期間進(jìn)行準(zhǔn)確地自動(dòng)檢測(cè).

2 標(biāo)志性特征用于水聲目標(biāo)檢測(cè)的實(shí)驗(yàn)與結(jié)果分析

圖6 特征1與特征11構(gòu)成的散點(diǎn)圖Fig.6 Scatter diagram composed of feature 1 and 11

利用前節(jié)所提取的15個(gè)水聲目標(biāo)的標(biāo)志性特征，本節(jié)使用機(jī)器學(xué)習(xí)的方式對(duì)水聲目標(biāo)線譜是否存在進(jìn)行了自動(dòng)識(shí)別實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明： 在僅有15個(gè)特征的情況下，利用傳統(tǒng)機(jī)器學(xué)習(xí)方法即可有效地對(duì)水聲目標(biāo)線譜進(jìn)行檢出，避免了深度學(xué)習(xí)方法的極高運(yùn)算量，能夠達(dá)到快速檢測(cè)的效果.

2.1 實(shí)驗(yàn)設(shè)定

本文工作的實(shí)驗(yàn)部分選用4種不同的機(jī)器學(xué)習(xí)算法，分別為： 多層感知機(jī)(Multilayer Perception， MLP)，支持向量機(jī)(Support Vector Machine， SVM)，隨機(jī)森林(Random Forest， RF)以及邏輯回歸(Logistics Regression， LR).實(shí)驗(yàn)中將水聲目標(biāo)數(shù)據(jù)集的20%作為開發(fā)集進(jìn)行模型參數(shù)的調(diào)節(jié)，通過多次的參數(shù)調(diào)節(jié)，確定模型參數(shù)如下： 多層感知機(jī)的輸入神經(jīng)元15個(gè)，隱藏層為1層，隱藏神經(jīng)元25個(gè)，激活函數(shù)為S型傳輸函數(shù)，輸出神經(jīng)元1個(gè)；支持向量機(jī)使用線性核函數(shù)；隨機(jī)森林使用100棵決策樹，每棵樹隨機(jī)使用4個(gè)特征.為了驗(yàn)證所提取的標(biāo)志性特征的效果，所有實(shí)驗(yàn)均使用10折交叉驗(yàn)證，實(shí)驗(yàn)使用的同一情況下的聲源樣本數(shù)據(jù)來源于不同日期，其面對(duì)的背景干擾情況不同.同時(shí)，對(duì)這些來源于不同日期的聲源樣本數(shù)據(jù)的訓(xùn)練測(cè)試可以解決數(shù)據(jù)的場(chǎng)景依賴性問題，能很好地證明所提出特征的魯棒性.

實(shí)驗(yàn)內(nèi)容分為兩部分： 靜止目標(biāo)檢測(cè)與移動(dòng)目標(biāo)檢測(cè).在靜止目標(biāo)檢測(cè)中，發(fā)聲聲源與16元接收器均懸掛于試驗(yàn)基地水下，聲源深度具有3種不同深度，所有深度下的數(shù)據(jù)統(tǒng)一使用，且數(shù)據(jù)均為夜晚采集，周邊過往船只較少，環(huán)境噪聲影響較弱.在移動(dòng)目標(biāo)檢測(cè)中，16元接收器懸掛于試驗(yàn)基地水下，發(fā)聲聲源以固定長(zhǎng)度纜繩懸掛于航行中的船只下方，數(shù)據(jù)采集于白天，受周邊過往船只等影響較多，如圖4(c)所示情況.

2.2 實(shí)驗(yàn)結(jié)果與分析

2.2.1 靜止目標(biāo)檢測(cè)

靜止目標(biāo)情況下，共使用水聲目標(biāo)數(shù)據(jù)36848s，每1s的數(shù)據(jù)作為1個(gè)樣本，利用上述4種算法進(jìn)行10折交叉驗(yàn)證，實(shí)驗(yàn)結(jié)果如表1所示.

由實(shí)驗(yàn)結(jié)果可見，在僅提取15個(gè)特征且使用傳統(tǒng)機(jī)器學(xué)習(xí)方法的情況下，各種方法對(duì)靜止目標(biāo)均能實(shí)現(xiàn)高于98%的識(shí)別準(zhǔn)確率，且均表現(xiàn)出非常接近于1的AUC(Area Under Curve)面積，證明了本文提取的特征對(duì)于水聲目標(biāo)是否存在具有高度的標(biāo)志性.

2.2.2 移動(dòng)目標(biāo)檢測(cè)

移動(dòng)目標(biāo)情況下，共使用水聲目標(biāo)數(shù)據(jù)12560s，每1s數(shù)據(jù)作為1個(gè)樣本，利用上述4種算法進(jìn)行10折交叉驗(yàn)證，實(shí)驗(yàn)結(jié)果如表2所示.

由實(shí)驗(yàn)結(jié)果可見，移動(dòng)目標(biāo)檢測(cè)的準(zhǔn)確率能夠達(dá)到90%左右，AUC在部分算法中能夠達(dá)到0.95以上.

將移動(dòng)目標(biāo)檢測(cè)和靜止目標(biāo)檢測(cè)的結(jié)果進(jìn)行對(duì)比，移動(dòng)目標(biāo)檢測(cè)的準(zhǔn)確率略低于靜止目標(biāo)檢測(cè)，其AUC也低于靜止目標(biāo)檢測(cè)，主要是由于移動(dòng)目標(biāo)信號(hào)在采集過程中受多種因素的干擾，比如附近過往船只輻射噪聲的干擾、水體自身震蕩的影響等，最關(guān)鍵的是由于目標(biāo)在移動(dòng)過程中與接收器的距離發(fā)生變化，產(chǎn)生傳播時(shí)間的差異，其信號(hào)在被接收器接收到之前會(huì)進(jìn)行疊加，導(dǎo)致接收到的信號(hào)與聲源發(fā)射的原始信號(hào)有所不同.而靜止目標(biāo)信號(hào)采集于晚上，周邊過往船只較少，環(huán)境噪聲影響較弱.這兩個(gè)實(shí)驗(yàn)說明我們提取的水聲目標(biāo)的標(biāo)志性特征具有良好的抗干擾能力與泛化能力，能夠在不依賴于深度學(xué)習(xí)方法的情況下，以很低的計(jì)算復(fù)雜度實(shí)現(xiàn)對(duì)水聲目標(biāo)的實(shí)時(shí)檢測(cè).

表1 靜止目標(biāo)檢測(cè)的實(shí)驗(yàn)結(jié)果Tab.1 Results on fixed target detection

表2 移動(dòng)目標(biāo)檢測(cè)的實(shí)驗(yàn)結(jié)果Tab.2 Results on moving target detection

3 結(jié) 語

本文利用某研究所提供的湖泊環(huán)境下的水聲目標(biāo)信號(hào)實(shí)測(cè)數(shù)據(jù)，對(duì)水聲目標(biāo)信號(hào)的特性進(jìn)行分析，確定了5個(gè)能夠明確表征其頻譜特性的基本特性，并從中提取了15個(gè)統(tǒng)計(jì)值作為特征，用于基于機(jī)器學(xué)習(xí)的水聲目標(biāo)的自動(dòng)檢測(cè).實(shí)驗(yàn)結(jié)果表明： 在僅有15個(gè)特征的情況下，利用傳統(tǒng)機(jī)器學(xué)習(xí)方法即可有效地對(duì)水聲目標(biāo)線譜進(jìn)行檢出，避免了深度學(xué)習(xí)方法的極高運(yùn)算量，能夠達(dá)到快速檢測(cè)的效果，且提取的水聲目標(biāo)的標(biāo)志性特征具有良好的抗干擾能力與泛化能力，以很低的計(jì)算復(fù)雜度實(shí)現(xiàn)對(duì)水聲目標(biāo)的實(shí)時(shí)檢測(cè).

在實(shí)現(xiàn)了對(duì)水聲目標(biāo)信號(hào)的實(shí)時(shí)檢測(cè)的基礎(chǔ)上，下一步的研究目標(biāo)將是進(jìn)一步挖掘水聲目標(biāo)信號(hào)所攜帶的細(xì)節(jié)信息，用于對(duì)目標(biāo)信號(hào)的位置和在水下的深度進(jìn)行準(zhǔn)確定位，實(shí)現(xiàn)全方位的水聲目標(biāo)檢測(cè)與位置識(shí)別.