田禹 田文峰 蘇宇辰 于新偉 王云飛

(天津工業(yè)大學(xué)電子與信息工程學(xué)院 天津 300387)

水下目標(biāo)的分類識(shí)別是利用聲學(xué)或光學(xué)手段，對(duì)水下物體進(jìn)行分類或識(shí)別，對(duì)國(guó)防建設(shè)和海洋資源開(kāi)發(fā)有重要意義。艦艇輻射噪聲是水下目標(biāo)分類識(shí)別的主要信息來(lái)源[1]，其包括多種噪聲源，由寬帶連續(xù)譜和一系列線譜構(gòu)成。如何從輻射噪聲中獲取目標(biāo)特征信息并進(jìn)行分類識(shí)別，是水下目標(biāo)分類識(shí)別領(lǐng)域的主要研究方向。

傳統(tǒng)的水下目標(biāo)分類識(shí)別是由人的聽(tīng)覺(jué)完成的，存在很大的局限性，不適應(yīng)現(xiàn)代信息化的水下作業(yè)場(chǎng)景。深度學(xué)習(xí)（Deep Learning）在計(jì)算機(jī)視覺(jué)、語(yǔ)音識(shí)別、自然語(yǔ)言處理等領(lǐng)域取得巨大成功，在很多方面接近或超過(guò)了人的智能水平。在這種技術(shù)浪潮下，聲吶研究人員也將深度學(xué)習(xí)技術(shù)引入水下目標(biāo)識(shí)別領(lǐng)域，取得了豐富的研究成果。

葛召華等人利用Wigner 高階譜方法提取水下信號(hào)的譜特征，用最小二乘支持向量機(jī)進(jìn)行目標(biāo)識(shí)別[2]。王升貴等人通過(guò)短時(shí)傅里葉變換得到LOFAR譜圖，使用深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類識(shí)別[3]。付同強(qiáng)等人使用遷移學(xué)習(xí)方法進(jìn)行水下目標(biāo)識(shí)別[4]。李琛等人利用多通道級(jí)聯(lián)特征的深度神經(jīng)網(wǎng)絡(luò)解決低信噪比條件下的水下目標(biāo)識(shí)別問(wèn)題[5]。張牧行等人提出一種水下目標(biāo)識(shí)別的最大信息系數(shù)特征選擇方法，可以使用更少的特征，提升分類正確率[6]。此外，吳晏辰等人基于MFCC 和GFCC 特征構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)和殘差神經(jīng)網(wǎng)絡(luò)，建立小樣本下的水下目標(biāo)識(shí)別系統(tǒng)[7]。陳凱峰等人設(shè)計(jì)了基于FPGA和CNN的水下目標(biāo)識(shí)別系統(tǒng)[8]。

本文在前人研究基礎(chǔ)上，對(duì)水下目標(biāo)輻射噪聲進(jìn)行建模，生成虛擬樣本，輔助真實(shí)樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。分析了水下目標(biāo)輻射噪聲DEMON 譜特征提取方法，生成DEMON 譜樣本。設(shè)計(jì)了深度神經(jīng)網(wǎng)絡(luò)對(duì)水下目標(biāo)DEMON 譜進(jìn)行分類識(shí)別，實(shí)驗(yàn)數(shù)據(jù)表明該網(wǎng)絡(luò)模型能較好地對(duì)水下目標(biāo)進(jìn)行分類識(shí)別，達(dá)到預(yù)期設(shè)計(jì)目標(biāo)。

1 水下目標(biāo)輻射噪聲建模

對(duì)水下目標(biāo)進(jìn)行分類識(shí)別時(shí)，由于水下目標(biāo)樣本采集代價(jià)大，造成數(shù)量和種類稀缺，不滿足深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練需求。通常情況下，需要對(duì)水下目標(biāo)輻射噪聲建模，生成不同種類和參數(shù)的樣本，輔助真實(shí)的樣本，對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和測(cè)試。

本文根據(jù)水下目標(biāo)輻射噪聲譜的特征，設(shè)計(jì)的仿真模型如圖1所示。

水下目標(biāo)輻射噪聲的建模過(guò)程可以表示為

式（1）中：s(t)為目標(biāo)輻射噪聲；vc(t)為空化噪聲信號(hào)；va(t)為海洋環(huán)境噪聲信號(hào)；ωs為輻射噪聲基頻；mi為基頻的i次諧波分量的調(diào)制幅度；θs(t)為i次諧波分量的調(diào)制相位；K為諧波次數(shù)。

根據(jù)該模型，生成5類目標(biāo)，用于深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練、評(píng)估和測(cè)試。不同目標(biāo)的本質(zhì)區(qū)別在于輻射噪聲基頻ωs是不同的，特征譜線的數(shù)量即諧波次數(shù)K是不同的。每個(gè)諧波的調(diào)制幅度mi在0.5～1之間隨機(jī)分布。通過(guò)調(diào)整海洋環(huán)境噪聲va(t)的強(qiáng)度，來(lái)改變水下目標(biāo)輻射噪聲的信噪比。

2 水下聲信號(hào)特征提取

水下目標(biāo)輻射噪聲經(jīng)過(guò)遠(yuǎn)距離傳播，到達(dá)聲吶接收端時(shí)功率非常微弱，完全淹沒(méi)在環(huán)境噪聲中。目前，有多種方法可以從環(huán)境噪聲中提取水下目標(biāo)輻射噪聲特征，如LOFAR譜、DEMON譜、梅爾倒譜系數(shù)、高階統(tǒng)計(jì)量等。本文使用DEMON 譜進(jìn)行水下目標(biāo)的分類識(shí)別，DEMON譜可以提取水下目標(biāo)輻射噪聲的低頻線譜和連續(xù)譜，包含了艦船螺旋槳的軸頻和葉頻信息，廣泛用于水下目標(biāo)檢測(cè)、分類和識(shí)別。

水下目標(biāo)輻射噪聲DEMON 譜的提取過(guò)程如圖2所示。艦船輻射噪聲經(jīng)過(guò)多個(gè)不同頻帶的帶通濾波器，多通道數(shù)據(jù)分別進(jìn)行絕對(duì)值檢波、低通濾波和降采樣處理后，進(jìn)行傅里葉變換，得到的譜圖為多通道的DEMON譜。為了降低深度神經(jīng)網(wǎng)絡(luò)的計(jì)算量，多通道DEMON譜取最大值，保留一個(gè)通道作為最終目標(biāo)識(shí)別的樣本。

圖2 DEMON譜的提取過(guò)程

本文傅里葉變換的長(zhǎng)度為4 096，取前一半譜線作為DEMON譜的樣本，即每個(gè)樣本的維度為1×2 048。

3 深度神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)

深度神經(jīng)網(wǎng)絡(luò)是一種利用非線性映射函數(shù)的方式建立的數(shù)學(xué)模型，廣泛用于機(jī)器學(xué)習(xí)領(lǐng)域。神經(jīng)網(wǎng)絡(luò)由大量的神經(jīng)元構(gòu)成，解決不同問(wèn)題時(shí)，需要專門進(jìn)行網(wǎng)絡(luò)設(shè)計(jì)和訓(xùn)練，確定各神經(jīng)元之間的連接關(guān)系和權(quán)重值。通過(guò)大規(guī)模的數(shù)據(jù)訓(xùn)練，實(shí)現(xiàn)網(wǎng)絡(luò)模型的自主學(xué)習(xí)。

本文設(shè)計(jì)深度神經(jīng)網(wǎng)絡(luò)，并進(jìn)行訓(xùn)練，實(shí)現(xiàn)對(duì)5個(gè)不同種類的水下目標(biāo)進(jìn)行識(shí)別，并可對(duì)深度神經(jīng)網(wǎng)絡(luò)的Dense層的層數(shù)、各Dense層的神經(jīng)單元數(shù)等網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行精細(xì)篩選調(diào)優(yōu)。網(wǎng)絡(luò)模型訓(xùn)練時(shí)，采用Glorot初始化方式、調(diào)整訓(xùn)練批次Batch 大小，損失函數(shù)選擇交叉熵?fù)p失，優(yōu)化器選用Adam。為了防止神經(jīng)網(wǎng)絡(luò)出現(xiàn)過(guò)擬合現(xiàn)象，在隱蔽層之間設(shè)計(jì)Dropout 層，丟棄率設(shè)置為0.2，隨機(jī)減小隱蔽層之間連接。

本文經(jīng)過(guò)優(yōu)化設(shè)計(jì)額深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示。網(wǎng)絡(luò)模型除了輸入層和輸出層外，包含3 個(gè)Dense層和一個(gè)Dropout層。

圖3 網(wǎng)絡(luò)模型結(jié)構(gòu)

網(wǎng)絡(luò)模型參數(shù)如表1所示。

表1 深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)

4 實(shí)驗(yàn)與分析

4.1 樣本生成

根據(jù)式（1）所述的模型，生成不同種類的目標(biāo)輻射噪聲，按照?qǐng)D2 所示的DEMON 譜處理過(guò)程，生成目標(biāo)的樣本，任取4個(gè)樣本，圖形如圖4所示。

圖4 典型目標(biāo)樣本

由圖4 中可以看出，不同種類目標(biāo)的特征譜線有明顯差異。

4.2 網(wǎng)絡(luò)的優(yōu)化

深度神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)，需要對(duì)多個(gè)參數(shù)進(jìn)行篩選優(yōu)化。本文以Dense層數(shù)為例，說(shuō)明網(wǎng)絡(luò)優(yōu)化過(guò)程。

深度神經(jīng)網(wǎng)絡(luò)對(duì)水下目標(biāo)識(shí)別的性能容易受到水下目標(biāo)運(yùn)動(dòng)狀態(tài)和工作狀態(tài)影響，如多普勒頻偏。評(píng)估網(wǎng)絡(luò)模型性能時(shí)，需要重點(diǎn)考察多普勒頻偏對(duì)網(wǎng)絡(luò)模型性能的影響。

進(jìn)行網(wǎng)絡(luò)模型設(shè)計(jì)時(shí)，研究不同的Dense 層數(shù)量時(shí)，水下目標(biāo)輻射噪聲多普勒頻偏對(duì)網(wǎng)絡(luò)模型性能的影響，結(jié)果見(jiàn)圖5。圖中，橫坐標(biāo)為相對(duì)多普勒頻偏，縱軸為識(shí)別精度，不同的曲線表示不同的Dense層時(shí)，識(shí)別精度隨多普勒頻偏的變換。從圖5 中可以看出，相對(duì)多普勒頻偏增大時(shí)，識(shí)別精度均有不同程度的下降，但是Dense 層為3 層時(shí)，識(shí)別精度隨多普勒頻偏增大時(shí)下降得最慢。由此可知，Dense 層為3 時(shí)，網(wǎng)絡(luò)模型對(duì)水下目標(biāo)多普勒頻偏具有更好的包容性。

圖5 多普勒頻偏對(duì)網(wǎng)絡(luò)性能的影響

按照類似的研究方法，本文對(duì)網(wǎng)絡(luò)模型的各個(gè)參數(shù)進(jìn)行優(yōu)化，得到表1所示的優(yōu)化后的網(wǎng)絡(luò)模型。

4.3 分類識(shí)別結(jié)果

測(cè)試數(shù)據(jù)集包含5 類不同種類的目標(biāo)樣本，標(biāo)記為A～E，每類目標(biāo)樣本數(shù)為500，樣本的多普勒頻偏是隨機(jī)生成的。使用測(cè)試數(shù)據(jù)集對(duì)本文提出的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行性能測(cè)試，分類識(shí)別結(jié)果的混淆矩陣如圖6所示。

圖6 混淆矩陣

由圖6 可知，5 類目標(biāo)最低識(shí)別率為90.0%，最高識(shí)別率為93.2%，平均識(shí)別率為91.6%，達(dá)到了預(yù)期的研究目標(biāo)。

5 結(jié)語(yǔ)

本文對(duì)水下目標(biāo)輻射噪聲建模，生成虛擬目標(biāo)樣本，輔助真實(shí)數(shù)據(jù)，實(shí)現(xiàn)對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測(cè)試，并對(duì)輻射噪聲進(jìn)行DEMON 譜處理，提取目標(biāo)特征。設(shè)計(jì)深度神經(jīng)網(wǎng)絡(luò)，給出網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，用于水下目標(biāo)分類識(shí)別。實(shí)驗(yàn)數(shù)據(jù)表明：提出的網(wǎng)絡(luò)模型能夠準(zhǔn)確地對(duì)目標(biāo)進(jìn)行分類識(shí)別，達(dá)到預(yù)期效果。研究下一步工作是完善數(shù)據(jù)集，補(bǔ)充更多的目標(biāo)樣本，對(duì)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)，進(jìn)一步提升分類識(shí)別性能。