摘 要：船舶輻射噪聲的目標(biāo)識(shí)別是水下目標(biāo)識(shí)別領(lǐng)域的關(guān)鍵。然而，目前缺乏能夠準(zhǔn)確反映真實(shí)水聲條件的多目標(biāo)船舶數(shù)據(jù)庫(kù)。為了解決這一問(wèn)題，我們進(jìn)行實(shí)驗(yàn)數(shù)據(jù)采集，構(gòu)建綜合水聲多目標(biāo)數(shù)據(jù)庫(kù)。為驗(yàn)證數(shù)據(jù)庫(kù)可用性進(jìn)行了兩個(gè)實(shí)驗(yàn)任務(wù)。任務(wù)一是評(píng)估船舶輻射噪聲的存在性，任務(wù)二是識(shí)別多目標(biāo)場(chǎng)景中特定船舶。實(shí)驗(yàn)結(jié)果表明，在超過(guò)99%的情況下，可以成功從背景噪聲中辨識(shí)船舶輻射噪聲?；谘芯拷Y(jié)果提出了選擇合適特征和深度學(xué)習(xí)網(wǎng)絡(luò)的建議。

關(guān)鍵詞：水下聲學(xué)數(shù)據(jù)庫(kù)；水下目標(biāo)識(shí)別；水下聲學(xué)；深度學(xué)習(xí)

引言

首先，通過(guò)實(shí)驗(yàn)收集并構(gòu)建了觀山湖湖區(qū)高質(zhì)量水聲數(shù)據(jù)庫(kù)。該數(shù)據(jù)庫(kù)模擬真實(shí)識(shí)別環(huán)境，為研究人員綜合評(píng)估和改進(jìn)其水下聲目標(biāo)識(shí)別算法提供寶貴資源。其次，本文利用觀山湖湖區(qū)數(shù)據(jù)庫(kù)，區(qū)分船舶信號(hào)和背景噪聲信號(hào)，并成功識(shí)別出三種特定類型的船舶信號(hào)，證明了數(shù)據(jù)庫(kù)的實(shí)用性。最后，通過(guò)提取三個(gè)頻譜特征，簡(jiǎn)化了對(duì)多目標(biāo)船舶信號(hào)中特定船舶信號(hào)的識(shí)別。這些特征使用三種流行的深度學(xué)習(xí)分類器進(jìn)行測(cè)試，為研究人員提供算法評(píng)估的基準(zhǔn)，并提供選擇合適特征和深度學(xué)習(xí)網(wǎng)絡(luò)的建議。

一、研究背景

自1913年美國(guó)費(fèi)森登發(fā)明聲納以來(lái)，水下輻射噪聲作為重要信息來(lái)源已有百年歷史。因此，水聲技術(shù)逐步應(yīng)用于各種目標(biāo)類型的探測(cè)，并使環(huán)境信號(hào)的分析成為可能。值得注意的是，由于其增強(qiáng)了隱蔽性和安全性，研究重點(diǎn)已轉(zhuǎn)向船舶輻射噪聲。然而，用于水聲目標(biāo)研究的公開(kāi)數(shù)據(jù)庫(kù)非常稀缺，常用的數(shù)據(jù)庫(kù)如ShipsEar和DeepShip主要包含單目標(biāo)船舶數(shù)據(jù)，缺乏多目標(biāo)場(chǎng)景的復(fù)雜性。為解決這一問(wèn)題，采集了觀山湖湖區(qū)數(shù)據(jù)庫(kù)，包含21小時(shí)58分鐘的背景噪聲和9小時(shí)28分鐘的多目標(biāo)船舶噪聲數(shù)據(jù)。數(shù)據(jù)庫(kù)于2023年6月在本溪觀山湖風(fēng)景區(qū)的水聲環(huán)境中采集，使用數(shù)碼SR-1自電容水聽(tīng)器確保高質(zhì)量的船舶噪聲記錄。水下聲學(xué)目標(biāo)識(shí)別重點(diǎn)在于從背景噪聲中辨識(shí)船舶輻射噪聲，并通過(guò)二元分類確定船舶目標(biāo)是否存在，將接收到的信號(hào)分類為船舶輻射信號(hào)或背景信號(hào)[1]，此外DEMON頻譜特征能更好地對(duì)船舶螺旋槳葉片數(shù)量等信息有響應(yīng)[2]，這種初步分類簡(jiǎn)化了后續(xù)任務(wù)。

二、數(shù)據(jù)庫(kù)介紹

（一）記錄系統(tǒng)和記錄方法

數(shù)據(jù)收集于2023年6月24日至28日，地點(diǎn)在本溪關(guān)山湖旅游風(fēng)景區(qū)，利用y2cqYsA1A42sAekzQvnuZM7ruZj/fx1pqqfhxKVupbM=兩個(gè)主要部署地點(diǎn)，在部署區(qū)域的中心使用配重和浮標(biāo)系統(tǒng)固定安裝一個(gè)水聽(tīng)器。水深約30米～50米，水聽(tīng)器的定位深度為10米～15米。另外安裝一個(gè)專用的水聽(tīng)器用于收集數(shù)據(jù)，位于航行通道附近的獨(dú)立裝置，以捕獲更廣泛的船舶輻射噪聲。所使用的水聽(tīng)器型號(hào)是HydSR-1，其關(guān)鍵規(guī)格為采樣頻率52734Hz，采樣分辨率為16位，可用的聲學(xué)頻帶為1kHz～25.8kHz，接收靈敏度為-162.2dB re 1V/μPa～-126.1dB re 1V/μPa，輸入聲壓級(jí)范圍為46.3dB re 1μPa ～172.5dB re 1μPa。操作深度可達(dá)100米，由塑鋼建造，重量約0.77kg，在溫度范圍0～40℃內(nèi)工作。該設(shè)備由一個(gè)可充電的鋰離子電池供電，可以連續(xù)收集長(zhǎng)達(dá)12小時(shí)的數(shù)據(jù)。聲學(xué)數(shù)據(jù)以WAV格式存儲(chǔ)在一個(gè)可移動(dòng)的存儲(chǔ)卡上，保留所有配置參數(shù)以便后續(xù)數(shù)據(jù)分析。

首先，從收集的水聲數(shù)據(jù)中識(shí)別船舶輻射噪聲和背景噪聲。提取了三個(gè)一維特征（頻譜、功率譜密度、DEMON頻譜）和兩個(gè)二維特征（LOFAR頻譜、Log Mel頻譜）用于多目標(biāo)船舶識(shí)別。其次，采用不同的深度神經(jīng)網(wǎng)絡(luò)，包括CNN（卷積神經(jīng)網(wǎng)絡(luò)）、CRNN（卷積循環(huán)神經(jīng)網(wǎng)絡(luò)）和BiLSTM（雙向長(zhǎng)短期記憶網(wǎng)絡(luò)）進(jìn)行分類。最后，成功從多目標(biāo)船舶信號(hào)中識(shí)別出三類特定船舶信號(hào)：快艇、觀光客船和無(wú)人潛航器。此外，筆者還探討了數(shù)據(jù)庫(kù)的標(biāo)記和格式化細(xì)節(jié)。

（二）數(shù)據(jù)庫(kù)結(jié)構(gòu)

為了在水聽(tīng)器部署之后觀察船只通過(guò)湖區(qū)航行，記錄了一艘船接近大約1公里外的水聽(tīng)器的時(shí)間，以及這些時(shí)刻的船號(hào)和名稱。后續(xù)的數(shù)據(jù)對(duì)齊包括識(shí)別波形峰值處的時(shí)刻，并將其與相應(yīng)的船號(hào)相關(guān)聯(lián)，從而將該特定節(jié)段的標(biāo)簽和數(shù)據(jù)關(guān)聯(lián)起來(lái)。實(shí)驗(yàn)周期與旅游季節(jié)正好吻合，導(dǎo)致有記錄的船只輻射噪聲主要來(lái)自觀光船和快艇。由于水聽(tīng)器靠近航道，通過(guò)的船只，包括觀光船、快艇和其他船只，會(huì)造成復(fù)合輻射噪聲。其他目標(biāo)包括大型旅游船、衛(wèi)生船、小船、研究船和環(huán)境噪聲。根據(jù)實(shí)驗(yàn)記錄的文檔信息、信號(hào)振幅和頻譜特征，可以確定每個(gè)音頻段的開(kāi)始和結(jié)束時(shí)間節(jié)點(diǎn)。根據(jù)聽(tīng)覺(jué)、距離和標(biāo)記數(shù)據(jù)對(duì)每個(gè)數(shù)據(jù)塊進(jìn)行標(biāo)記，并將信息記錄在一個(gè)文本文檔中。在此過(guò)程中，數(shù)據(jù)被分割成3秒的間隔，以方便后續(xù)處理。最終的數(shù)據(jù)庫(kù)由10，611條WAV格式的記錄組成，總計(jì)9小時(shí)28分鐘13秒的船舶輻射噪聲數(shù)據(jù)。每個(gè)音頻文件及其相應(yīng)的數(shù)據(jù)在觀山湖湖區(qū)數(shù)據(jù)中形成一個(gè)記錄?；跇?biāo)簽的一致性，共確定143個(gè)包含單個(gè)和多個(gè)船舶目標(biāo)的錄音。這些數(shù)據(jù)主要包括7類船舶目標(biāo)，通過(guò)選擇沒(méi)有船舶目標(biāo)和其他干擾的時(shí)間片構(gòu)成背景噪聲數(shù)據(jù)做對(duì)比，最終共獲得了21小時(shí)58分鐘，包括25，900條背景噪聲數(shù)據(jù)記錄，每條記錄的持續(xù)時(shí)間為3秒。

三、船舶噪聲檢測(cè)實(shí)驗(yàn)任務(wù)及結(jié)果分析

水下聲學(xué)目標(biāo)檢測(cè)的重點(diǎn)是識(shí)別目標(biāo)的存在，并將接收信號(hào)分類為水下目標(biāo)輻射噪聲或非目標(biāo)噪聲。因此，使用這個(gè)數(shù)據(jù)庫(kù)承擔(dān)了兩個(gè)任務(wù)。任務(wù)一涉及從采集的水聲信號(hào)數(shù)據(jù)中識(shí)別船舶信號(hào)，其中包括背景噪聲信號(hào)。任務(wù)二的目標(biāo)是從混合的多目標(biāo)船舶輻射噪聲信號(hào)中識(shí)別出三種特定類型的船舶信號(hào)，分別是快艇、觀光船和工作船。

（一）確定音頻中是否包含船舶輻射噪聲（任務(wù) 一）

任務(wù)一的目標(biāo)是確定音頻是否包含船舶輻射的噪聲。通過(guò)選擇前5000個(gè)船舶噪聲記錄，以及來(lái)自第一天的最初30個(gè)錄音和來(lái)自第二天的20個(gè)錄音，組成最終的數(shù)據(jù)庫(kù)。使用70%的數(shù)據(jù)庫(kù)進(jìn)行訓(xùn)練，15%用于驗(yàn)證，15%用于測(cè)試。對(duì)數(shù)據(jù)提取Log Mel頻譜特征，采用深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行特征分類。每個(gè)實(shí)驗(yàn)進(jìn)行10次，計(jì)算均值和方差。除了BiLSTM（雙向長(zhǎng)短期記憶網(wǎng)絡(luò)），其他方法的分類準(zhǔn)確率超過(guò)99%。值得注意的是，CRNN（卷積循環(huán)神經(jīng)網(wǎng)絡(luò)）表現(xiàn)出最穩(wěn)健的分類性能，準(zhǔn)確率達(dá)到99.79%。實(shí)驗(yàn)結(jié)果表明，船舶輻射噪聲數(shù)據(jù)與背景噪聲數(shù)據(jù)之間具有較高的可區(qū)分性，顯示了數(shù)據(jù)庫(kù)的重要應(yīng)用價(jià)值。

（二）確定是否有任何感興趣的目標(biāo)多船混合數(shù)據(jù)（任務(wù)二）

在任務(wù)二中，主要目標(biāo)確定在多船混合數(shù)據(jù)中是否存在任何感興趣的目標(biāo)。所選擇的研究對(duì)象包括快艇、觀光客船和工作船。為每個(gè)研究對(duì)象構(gòu)建相應(yīng)的數(shù)據(jù)庫(kù)，為了方便不同特征之間的性能比較，將特征維度限制在16384（128×128）到16900（130×130）的范圍內(nèi)。采用深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行特征分類，其網(wǎng)絡(luò)結(jié)構(gòu)與任務(wù)一一致。對(duì)于一維特征（頻譜、功率譜密度、DEMON頻譜），CNN、CRNN和BiLSTM專門(mén)用于比較實(shí)驗(yàn)。使用復(fù)原率、精度、準(zhǔn)確率評(píng)估模型性能。對(duì)于所建立的三個(gè)目標(biāo)數(shù)據(jù)庫(kù)，用不同的特征和網(wǎng)絡(luò)進(jìn)行各種比較實(shí)驗(yàn)，從不同角度以更好地分析與總結(jié)實(shí)驗(yàn)結(jié)果。

1.網(wǎng)絡(luò)的比較

在本節(jié)中，為了比較不同網(wǎng)絡(luò)的性能，我們分別計(jì)算在使用同一網(wǎng)絡(luò)不同數(shù)據(jù)庫(kù)的實(shí)驗(yàn)中，一維和二維特征的平均指標(biāo)。

在大多數(shù)情況下，工作船實(shí)驗(yàn)和觀光客船實(shí)驗(yàn)的結(jié)果為性能優(yōu)于快艇實(shí)驗(yàn)，這可能由于快艇實(shí)驗(yàn)中包含的船只范圍不同，導(dǎo)致不同船只更復(fù)雜的組合。我們記錄了三個(gè)實(shí)驗(yàn)數(shù)據(jù)庫(kù)中每種船舶對(duì)應(yīng)的范圍，快艇實(shí)驗(yàn)共包含2309個(gè)數(shù)據(jù)點(diǎn)，涉及四人座、六人座、十人座、摩托艇等13種船舶；觀光客船實(shí)驗(yàn)包括649個(gè)數(shù)據(jù)點(diǎn)，包括觀山湖風(fēng)景區(qū)的三種觀光船舶；工作船實(shí)驗(yàn)只有300個(gè)數(shù)據(jù)點(diǎn)，包含打撈、漁船等船只。在相同特征和網(wǎng)絡(luò)條件下，模型在較小、較不復(fù)雜的數(shù)據(jù)庫(kù)上表現(xiàn)出更好的分類性能，導(dǎo)致工作船實(shí)驗(yàn)的表現(xiàn)優(yōu)于觀光客船實(shí)驗(yàn)，進(jìn)而優(yōu)于快艇實(shí)驗(yàn)。

一維數(shù)據(jù)的網(wǎng)絡(luò)分類結(jié)果表明，CNN網(wǎng)絡(luò)的表現(xiàn)優(yōu)于CRNN和BiLSTM。在觀光客船實(shí)驗(yàn)中，CNN基于復(fù)原率、精度、準(zhǔn)確率都優(yōu)于CRNN。在快艇實(shí)驗(yàn)中，CNN比CRNN表現(xiàn)出更好的準(zhǔn)確性，而CRNN在復(fù)原率、精度指標(biāo)方面都優(yōu)于CNN。兩者在精度方面具有相對(duì)的可比性。值得注意的是，BiLSTM在所有實(shí)驗(yàn)中始終表現(xiàn)出較差的性能。除基于BiLSTM的快艇實(shí)驗(yàn)外，其他所有網(wǎng)絡(luò)的分類結(jié)果均達(dá)到90%以上。結(jié)合以上實(shí)驗(yàn)結(jié)果，推斷一維特征包含相對(duì)簡(jiǎn)單的信息，通過(guò)直接使用網(wǎng)絡(luò)分類可以獲得令人滿意的結(jié)果。因此，基于一維特征的水聲目標(biāo)識(shí)別任務(wù)，提出對(duì)于小規(guī)模數(shù)據(jù)庫(kù)（工作船），可以使用CNN網(wǎng)絡(luò)進(jìn)行分類，而對(duì)于中大型數(shù)據(jù)庫(kù)（觀光客船，快艇），可以使用CRNN網(wǎng)絡(luò)進(jìn)行分類。

二維數(shù)據(jù)的網(wǎng)絡(luò)分類結(jié)果表明，網(wǎng)絡(luò)性能從好到壞，分別是CRNN、CNN、BiLSTM。在使用CRNN網(wǎng)絡(luò)進(jìn)行的平均識(shí)別準(zhǔn)確率可達(dá)97.78%，包含工作船目標(biāo)的數(shù)據(jù)中有96.96%被準(zhǔn)確識(shí)別，而網(wǎng)絡(luò)預(yù)測(cè)的數(shù)據(jù)中有97.93%是正確的目標(biāo)。結(jié)合實(shí)驗(yàn)結(jié)果，二維特征分類整體性能最好的網(wǎng)絡(luò)是CRNN，此外，CNN在對(duì)大規(guī)模和復(fù)雜的數(shù)據(jù)庫(kù)（快艇）進(jìn)行分類方面具有更明顯的優(yōu)勢(shì)，而分類性能最差的網(wǎng)絡(luò)是BiLSTM。

2.特征比較

在特征比較分析中，為了適用于不同環(huán)境和神經(jīng)網(wǎng)絡(luò)識(shí)別，直接對(duì)每個(gè)特征得到的結(jié)果進(jìn)行平均。LOFAR頻譜在二維特征中表現(xiàn)最好，準(zhǔn)確率超過(guò)95%。實(shí)驗(yàn)結(jié)果表明，船舶輻射噪聲的頻譜和功率譜密度在分類中起著至關(guān)重要的作用。船舶輻射噪聲的頻譜由連續(xù)譜、線譜和調(diào)制譜組成，提供關(guān)于船舶操作、發(fā)動(dòng)機(jī)狀態(tài)和水下環(huán)境的基本信息[3]。同時(shí)，基于人類聽(tīng)覺(jué)感知設(shè)計(jì)的功率譜密度，通過(guò)Mel濾波器對(duì)信號(hào)進(jìn)行處理，并采用對(duì)數(shù)縮放和離散余弦變換（DCT）等方法減少冗余特征。這種方法能更好地捕捉船舶輻射噪聲中不同頻率的特征。

對(duì)于其他特征，在Log Mel頻譜中利用冪律非線性，而不是傳統(tǒng)的對(duì)數(shù)非線性，引入一種基于非對(duì)稱濾波的噪聲抑制背景激勵(lì)的抑制算法和一種實(shí)現(xiàn)時(shí)間掩蔽的模塊。然而，這些調(diào)整不利于識(shí)別船舶噪聲信號(hào)，所以更換成伽馬通濾波器，增強(qiáng)對(duì)脈沖信號(hào)的識(shí)別，由于船舶噪聲包含的脈沖信號(hào)很少，它們的識(shí)別效果魯棒性（Robust）較差。DEMON頻譜特征對(duì)船舶螺旋槳葉片數(shù)量等信息有響應(yīng)，但由于本文識(shí)別的信號(hào)是多目標(biāo)信號(hào)，這種特征不能很好地區(qū)分不同的信號(hào)。

結(jié)論

根據(jù)原始的實(shí)驗(yàn)結(jié)果可以觀察到，在觀光客船實(shí)驗(yàn)和快艇中，表現(xiàn)最好的識(shí)別網(wǎng)絡(luò)都是結(jié)合了具有頻譜特征的CRNN網(wǎng)絡(luò)。在工作船實(shí)驗(yàn)中，性能最好的識(shí)別網(wǎng)絡(luò)都是將CNN網(wǎng)絡(luò)與頻譜特征結(jié)合起來(lái)。頻譜特征在三個(gè)實(shí)驗(yàn)中都表現(xiàn)良好，在三次實(shí)驗(yàn)中，包含目標(biāo)特征的最高準(zhǔn)確率分別達(dá)到97.15%、95.40%和99.56%。此外，它們?cè)谑畟€(gè)測(cè)試中表現(xiàn)出極端的穩(wěn)定性，絕大多數(shù)的方差幾乎接近于零。即使像BiLSTM這樣的網(wǎng)絡(luò)表現(xiàn)出相對(duì)較差的整體性能，使用頻譜特性仍然可以產(chǎn)生較高的精度。這也間接地表明，在水下目標(biāo)識(shí)別領(lǐng)域，特征決策的重要性可能超過(guò)網(wǎng)絡(luò)決策。

基于實(shí)驗(yàn)結(jié)果，我們提出了以下針對(duì)水聲目標(biāo)識(shí)別任務(wù)的特征和深度學(xué)習(xí)網(wǎng)絡(luò)選擇策略。首先，特征選擇比網(wǎng)絡(luò)選擇更重要。頻譜是一維特征的首選，而LOFAR特征是二維特征的首選。其次，對(duì)于一維特征分類，CNN可以用于小規(guī)模數(shù)據(jù)庫(kù)，而CRNN適用于中、大規(guī)模數(shù)據(jù)庫(kù)；對(duì)于二維特征分類，CRNN推薦用于中小型數(shù)據(jù)庫(kù)。

參考文獻(xiàn)：

[1]劉忠東，劉雨?yáng)|，劉文帥，等.艦船噪聲特性數(shù)據(jù)庫(kù)系統(tǒng)的設(shè)計(jì)和實(shí)現(xiàn)[J].艦船電子工程，2004，24（04）：68-71.

[2]戴衛(wèi)國(guó)，程玉勝，王易川.支持向量機(jī)對(duì)艦船噪聲DEMON譜的分類識(shí)別[J].應(yīng)用聲學(xué)，2010（03）：206-211.

[3]冉磊，李慶民，申志偉，等.艦船噪聲模型可信度評(píng)估方法[J].海軍工程大學(xué)學(xué)報(bào)，2011，23（01）：94-99.