吳晏辰, 王英民

基于Gammatone頻率倒譜系數(shù)的艦船輻射噪聲分析

吳晏辰, 王英民

(西北工業(yè)大學(xué) 航海學(xué)院, 陜西 西安, 710072)

艦船輻射噪聲的聲學(xué)特征提取對目標(biāo)訓(xùn)練和識別有著重要影響。文中提出一種基于Gammatone頻率倒譜系數(shù)(GFCC)的特征分析方法: 以目標(biāo)特征提取方法——Mel頻率倒譜系數(shù)(MFCC)算法作為比照組, 針對小型低速船只、小型高速船只及大型船只三大類目標(biāo), 在2種不同水聲環(huán)境中提取的5122個樣本進(jìn)行了分類識別比對試驗。試驗結(jié)果表明, 2種算法的目標(biāo)識別率均大于80%, 且GFCC在海洋復(fù)雜聲環(huán)境中的識別率顯著高于MFCC, 并對高頻目標(biāo)更敏感。說明GFCC算法與標(biāo)準(zhǔn)的MFCC算法相比, 在海洋等強(qiáng)干擾環(huán)境下具有更好的抗噪性和更高的快速目標(biāo)識別率。

水下目標(biāo)識別; 艦船輻射噪聲; 特征提取; Gammatone頻率倒譜系數(shù); Mel頻率倒譜系數(shù)

0 引言

水下目標(biāo)識別是水聲工程領(lǐng)域的一個重要分支。按照信號生成方式劃分, 水下目標(biāo)識別通常被分為被動目標(biāo)輻射噪聲識別和主動目標(biāo)回波識別[1]。與主動聲吶相比, 被動聲吶具有隱蔽性強(qiáng)的優(yōu)點。由于輻射噪聲的組成主要由艦船機(jī)械噪聲、螺旋槳噪聲和水動力噪聲組成, 因此可以借由分析艦船輻射噪聲, 利用聲源的固有屬性來識別噪聲。但是, 由于水聲目標(biāo)復(fù)雜的發(fā)聲機(jī)理、水下復(fù)雜的聲信道環(huán)境等諸多因素, 基于被動聲吶的艦船輻射噪聲識別技術(shù)一直是聲吶領(lǐng)域中的研究重點與難點[2]。

隨著神經(jīng)網(wǎng)絡(luò)的不斷發(fā)展, 人工智能在水下目標(biāo)識別中的應(yīng)用越來越多。作為目標(biāo)識別主要組成部分之一的特征提取, 不但對傳統(tǒng)目標(biāo)識別結(jié)果起著關(guān)鍵作用, 也顯著影響著神經(jīng)網(wǎng)絡(luò)在水下目標(biāo)識別系統(tǒng)中的準(zhǔn)確性[3]。文中利用文獻(xiàn)檢索平臺, 以“水下目標(biāo)識別(underwater acoustic ta- rget recognition, UATR)”為關(guān)鍵詞, 統(tǒng)計了2015~ 2020年所有公開發(fā)表的中英文文獻(xiàn), 并將所有文獻(xiàn)關(guān)鍵詞制作成詞云[4], 如圖1所示。比對2014~ 2018年的數(shù)據(jù)表明, 自2018年以來, 國內(nèi)學(xué)者由多數(shù)采用支持向量機(jī)(support vector machine, SVM)轉(zhuǎn)向?qū)ι窠?jīng)網(wǎng)絡(luò)的深入發(fā)掘, 且大部分文獻(xiàn)的研究方向是以特征提取為基礎(chǔ)的, 其中較常見的是利用模擬人耳聽覺效應(yīng), 獲得諸如聽音感知特征和聲學(xué)參數(shù)特征等[5], 如梅爾頻率倒譜系數(shù)(Mel frequency cepstrum coefficient, MFCC)。

圖1 文獻(xiàn)關(guān)鍵詞詞云

作為目標(biāo)應(yīng)用最廣泛的特征, MFCC在針對無干擾環(huán)境下的目標(biāo)識別中具有很好的應(yīng)用效果, 但隨著環(huán)境噪聲提高, 識別效果急劇下降。而Gammatone濾波器組可以通過模擬人耳的頻譜分析與頻率選擇特性, 獲得很強(qiáng)的抗噪性, 在強(qiáng)干擾環(huán)境下也能保持較好的識別效果[6-8]?；诖? 文中提出基于Gammatone頻率倒譜系數(shù)(Ga- mmatone frequency cepstrum coefficient, GFCC)的目標(biāo)特征提取分析方法, 利用GFCC代替MFCC, 使用K近鄰(K-nearest neighbor, KNN) 算法作為分類器, 提取目標(biāo)的40階GFCC特征, 并以同一目標(biāo)的40階MFCC特征作為對照組, 對小型低速船只、小型高速船只及大型船只三類目標(biāo)在低噪聲的水庫樣本及高噪聲的近海樣本進(jìn)行分類[9]。結(jié)果表明, GFCC特征較MFCC特征在高噪聲環(huán)境下具有更好的抗干擾能力。

1 艦船輻射噪聲特征提取

1.1 MFCC特征提取

由于輻射噪聲的時變特性, 需要對信號作短時分析[10], 因此需要利用分幀來提取信號的幀特征參數(shù), 同時, 為了保證每一幀之間的信號連續(xù)性, 利用幀移使每幀互有交疊, 并在最后將若干幀合并組成樣本的特征向量。每幀長度取30 ms, 幀移50%幀間長度。

利用快速傅里葉變換(fast Fourier transform, FFT)對幀信號進(jìn)行處理, 得到信號能量譜

式(4)~式(6)共同構(gòu)成幀特征向量

圖2為MFCC特征提取的主要流程。

圖2 MFCC特征提取流程

1.2 GFCC特征提取

式中,為信號采樣點數(shù)。

由于Gammatone濾波器組具有無限長單位脈沖響應(yīng)特性, 因此Gammatone濾波系數(shù)

從水聲信號中提取特征時, 將人耳聽覺特征的臨界值作為每個濾波器的帶寬, 可表示為

將式(8)~(9)聯(lián)立取對數(shù)得信號的Gammatone能量譜

利用DCT, 得到Gammatone系數(shù)

求式(13)的最大值、最小值、中值、平均值及標(biāo)準(zhǔn)差等5種統(tǒng)計參數(shù), 可得GFCC特征向量。 GFCC特征提取的主要流程圖見圖3。

2 艦船輻射噪聲樣本采集

表1給出了目標(biāo)在水庫和近海試驗所得的艦船輻射噪聲音頻信息。將樣本分為3類: 甲種小型低速船只、乙種小型高速船只以及大型船只。所有樣本均由西北工業(yè)大學(xué)航海學(xué)院聲學(xué)工程與檢測技術(shù)國家專業(yè)實驗室收集制作, 圖4為水庫試驗照片。

表1 艦船輻射噪聲樣本信息

3 分類識別和特征分析

文中采用KNN算法[11]作為樣本分類器, 具體步驟如下: 1) 將樣本目標(biāo)得分初始化為0, 對訓(xùn)練用樣本與未知樣本間的距離進(jìn)行計算; 2) 對所有計算所得樣本進(jìn)行排序, 得到個最小距離; 3) 統(tǒng)計所有樣本, 對距離訓(xùn)練樣本小于最小距離的待測樣本所在的類別分值加1; 4) 統(tǒng)計每類目標(biāo)得分, 將得分最大類作為未知樣本類。

圖4 水庫試驗現(xiàn)場照片

將采集的樣本目標(biāo)分別采用MFCC特征和GFCC特征進(jìn)行訓(xùn)練, 并使用KNN進(jìn)行目標(biāo)分類, 分類結(jié)果見表2和表3。

表2 MFCC特征提取后樣本識別統(tǒng)計結(jié)果

表3 GFCC特征提取后樣本識別統(tǒng)計結(jié)果

對于水庫測試的樣本, 無論使用MFCC或是GFCC, 識別率都達(dá)到了較高的水平, 但是對于海洋測試樣本, 其識別率產(chǎn)生了一定的差距, 圖5給出了3類目標(biāo)40階MFCC (藍(lán)色)與GFCC(紅色)特征值均值比較, 試驗結(jié)果表明: 1) 復(fù)雜聲環(huán)境對于基于特征提取的水下目標(biāo)識別系統(tǒng)具有顯著影響; 2) 與MFCC特征提取相比, 在復(fù)雜聲環(huán)境下, GFCC特征提取可有效提高水下目標(biāo)識別系統(tǒng)的識別能力, 其抗噪能力更好; 3) 對于海洋樣本測得的3類船只, MFCC幅值普遍低于GFCC幅值。

圖5 海洋艦船輻射噪聲樣本目標(biāo)MFCC與GFCC特征值比較

可以看到, 隨著濾波器階數(shù)的提高, 在3類船只目標(biāo)1~40階范圍內(nèi), GFCC都顯示出明顯的優(yōu)勢。由于民用船只通常是高速航行狀態(tài), 其高頻輻射噪聲中有很大一部分由螺旋槳的空化噪聲組成, GFCC在高頻區(qū)域?qū)τ诳焖俅坏姆凳諗克俣让黠@小于MFCC, 因此更適合用來排查小型艦艇。

4 結(jié)束語

文中分別采集了3類艦船目標(biāo)在低噪聲水庫中和復(fù)雜海洋環(huán)境下的輻射噪聲, 結(jié)合對大數(shù)據(jù)平臺關(guān)于水下目標(biāo)識別的中英文文獻(xiàn)的數(shù)據(jù)分析, 分別采用MFCC和GFCC 2種方法對目標(biāo)進(jìn)行了特征提取, 再利用KNN對采集的3類艦船輻射噪聲進(jìn)行了分類識別與比較。結(jié)果表明: 在水下復(fù)雜聲場環(huán)境中, GFCC較MFCC具有更優(yōu)良的抗噪能力, 對快速目標(biāo)的識別能力也更強(qiáng)。后續(xù), 將利用卷積神經(jīng)網(wǎng)絡(luò)替代KNN進(jìn)行更加深入的研究。

[1] 徐及, 黃兆瓊, 李琛, 等．深度學(xué)習(xí)在水下目標(biāo)被動識別中的應(yīng)用進(jìn)展[J]．信號處理, 2019, 35(9): 1460-1475．

Xu Ji, Huang Zhao-qiong, Li Chen, et al. Advances in Underwater Target Passive Recognition Using Deep Learning[J]. Journal of Signal Processing, 2019, 35(9): 1460-1475．

[2] 方世良, 杜栓平, 羅昕煒, 等. 水聲目標(biāo)特征分析與識別技術(shù)[J]. 中國科學(xué)院院刊, 2019, 34(3): 297-305.

Fang Shi-liang, Du Shuan-ping, Luo Xin-wei, et al. Development of Underwater Acoustic Target Feature Analysis and Recognition Technology[J]. Bulletin of the Chinese Academy of Sciences, 2019, 34(3): 297-305.

[3] 杜雪, 廖泓舟, 張勛. 基于深度卷積特征的水下目標(biāo)智能識別方法[J]. 水下無人系統(tǒng)學(xué)報, 2019, 27(3): 260-265.

Du Xue, Liao Hong-zhou, Zhang Xun. Underwater Target Recognition Method Based on Deep Convolution Feature[J]. Journal of Unmanned Undersea Systems, 2019, 27(3): 260- 265.

[5] 程錦盛, 杜選民, 周勝增, 等. 基于目標(biāo)MFCC特征的監(jiān)督學(xué)習(xí)方法在被動聲吶目標(biāo)識別中的應(yīng)用研究[J]. 艦船科學(xué)技術(shù), 2018, 40(9): 116-121.

Cheng Jin-sheng, Du Xuan-min, Zhou Sheng-zeng, et al. Application of the MFCC Feature Based Supervised Le- arning Method in Passive Sonar Target Recognition[J]. Ship Science and Technology, 2018, 40(9): 116-121.

[6] 吳姚振, 楊益新, 田豐, 等．基于Gammatone頻率離散小波系數(shù)的水下目標(biāo)魯棒識別[J]．西北工業(yè)大學(xué)學(xué)報, 2014, 32(6): 906-911.

Wu Yao-zhen, Yang Yi-xin, Tian Feng, et al. Robust Underwater Target Recognition Based on Gammatone Frequency Discrete Wavelet Coefficients(GFDWC)[J]. Journal of Northwestern Polytechnical University, 2014, 32(6): 906-911.

[7] 周萍, 沈昊, 鄭凱鵬．基于MFCC與GFCC混合特征參數(shù)的說話人識別[J]. 應(yīng)用科學(xué)學(xué)報, 2019, 37(1): 24-32．

Zhou Ping, Shen Hao, Zheng Kai-peng. Speaker Recognition Based on Combination of MFCC and GFCC Feature Parameters[J]. Journal of Applied Sciences, 2019, 37(1): 24-32．

[8] 劉雨柔, 張雪英, 陳桂軍, 等. VMD改進(jìn)GFCC的情感語音特征提取[J]. 計算機(jī)工程與設(shè)計, 2020, 41(8): 2265-2270.

Liu Yu-rou, Zhang Xue-ying, Chen Gui-jun, et al. Feature Extraction of Emotional Speech Based on Improved GFCC with VMD[J]. Computer Engineering and Design, 2020, 41(8): 2265-2270.

[9] Jiang J, Shi T, Huang M, et al. Multi-Scale Spectral Feature Extraction for Underwater Acoustic Target Recognition[J]. Measurement, 2020, 166: 108227.

[10] 張少康, 田德艷. 水下聲目標(biāo)的梅爾倒譜系數(shù)智能分類方法[J]. 應(yīng)用聲學(xué), 2019, 38(2): 267-272.

Zhang Shao-kang, Tian De-yan. Intelligent Classification Method of Mel Frequency Cepstrum Coefficient for Underwater Acoustic Targets[J]. Applied Acoustics, 2019, 38(2): 267-272.

[11] 曾向陽. 水下智能目標(biāo)識別[M]. 北京: 國防工業(yè)出版社, 2016: 8-15.

Ship-Radiated Noise Analysis Based on the Gammatone Frequency Cepstrum Coefficient

WU Yan-chen, WANG Ying-min

(School of Marine Science and Technology, Northwestern Polytechnical University, Xi’ an 710072, China)

Acoustic feature extraction of ship-radiated noise has a major effect on target training and recognition. This research proposes a feature analysis method based on the gammatone frequency cepstrum coefficient(GFCC). The method uses the typical target feature extraction method——Mel frequency cepstrum coefficient(MFCC) algorithm for comparison and uses 5 122 samples with three types of targets, namely, small low-speed, small high-speed, and large vessels. The samples are extracted in two different underwater acoustic environments to generate a classification identification comparison test. Results show that the recognition rate of the two algorithms is greater than 80%. However, the recognition rate of GFCC in an ocean complex acoustic environment is found to be significantly higher than that of MFCC and is more sensitive to high-frequency targets. These results show that the GFCC algorithm has better noise resistance and a higher recognition rate for fast targets in oceanic and other strong interference environments as compared with the standard MFCC algorithm.

underwater target identification; ship-radiated noise; feature extraction; gammatone frequency cepstrum coefficient(GFCC); Mel frequency cepstrum coefficient

TJ630.34; TB53

A

2096-3920(2021)01-0060-05

10.11993/j.issn.2096-3920.2021.01.009

吳晏辰, 王英民. 基于Gammatone頻率倒譜系數(shù)的艦船輻射噪聲分析[J]. 水下無人系統(tǒng)學(xué)報, 2021, 29(1): 60-64.

2020-10-15;

2020-11-30.

吳晏辰(1989-), 男, 在讀博士, 主要研究方向為神經(jīng)網(wǎng)絡(luò)和水下聲信號.

(責(zé)任編輯: 楊力軍)