（信息与通信工程专业论文）基于时频特征提取和支持向量分类的主动目标识别.pdf

摘要 主动目标识别问题是水声信号处理中的一个关键性课题，它在军用和民用两方面都有 着重要意义。然而，它的进步显得相对缓慢。本文对主动目标识别问题进入了深入的研 究和探讨。一般来说，在主动目标识别中，接收到的回波信号是一个高维的数据，因此， 如何从高维的数据得到回波类别信息是最基本的问题。主动目标识别问题分为两个部分， 一部分是目标特征提取，即运用信号分析或者其他数据处理的方法将高维的数据空间映 射到较低维的特征空间。另一部分是分类器设计，即较低维特征空间映射到类别空间， 完成最后识别工作。 本文在现代信号处理理论的框架和目标散射的物理机理的指导下，对回波信号的特征 提取部分进行了研究，同时也对分类器的设计有着一定的探讨。在特征提取部分，本文 研究了两种回波特征提取算法。一种是基于时间一频率分析和回波强度的特征提取算法。 时间一频率分析是一种经典的分析非平稳信号的方法，它在各种非平稳信号的处理和分 析中取得了良好的效果。本文应用了频谱图来提取目标的回波强度这一重要特征。第二 种是运用多种正交变换结合的算法对回波进行特征提取工作。信号的正交变换是将信号 从时域转换到另一个域里面，如果在这个新的域中，回波的特点能被有效的表征出来， 那么该正交变换将有助于特征提取工作。本文应用了傅立叶变换、小波变换和离散余弦 变换三种变换进行了信号正交变换并对变换之后得到的系数依据一定的准则进行组合聚 类。在分类器设计问题中，本文研究并应用了近年来得到极大发展的支持向量分类器， 在对它的基本理论进行分析的基础上，根据主动目标识别的特点一样本少和受混响影响 严重，应用了c 一支持向量机和相关向量机作为整个分类系统最后的分类器。 本文的主要创新点包括： ( 1 ) 本文在研究各种时频分布、目标特性和发射信号的特点的基础上，提出了基于频 谱图和回波强度的特征提取算法，对窗的形式和参数的确定也进行了定的研究。 不仅如此，针对混响的非高斯性，本文分析了频谱图的鲁棒性并应用其于特征提 取过程。 ( 2 ) 本文在研究了正交变换的性质和各种正交变换的物理意义的基础上，针对回波的 特性，创新性的提出了根据信号可鉴别性的准则进行多种正交变换结合的回波特 征提取算法。同时，本文也将传统的可鉴别性算法扩展到任意噪声污染下的信号 可鉴别性算法。 1 a b s t r a c t u n d e 刑a t e ra c t i v et a 唱e tc l a s s i 丘c a t i o nh a sb e e nac m c i a lp r o b l e mo fu n d e n v a t e ra c o u s t i c s 追n a lp m c e s s i n 吕w h i c hi si m p o r t a n tf o rb o t l lm a r t i a la n dc i v i l 印p l i c a t i o n s + h o 、v c v e r i t s d e v e l o p m e ms e e m st ob er e l a t i v e l ys l o w t h i s 掣a d u a t et h e s i sc o n c e n t r a t e so nm e 蚰d e n v a t e r a c t i v e 切r g e tc l a s s m c a t i o np r o b l e m g e n e r a l l ys p e a l 【i n 岛t h cr e c e i v e de c h oh a sah u g e d i m e n s i o no fd a t a s o ，廿1 ek e yt ot h j sp m b l e mi st of i n dt h cc l a s s e s 肺m 协eh i g h - d i m e n s i o n a l d a t as p a c e t h e1 1 1 l d e n v a t c ra c t i v ct a r g e tc l a s s i f l c a t i o ni sd i v i d e di n t ot w op a n s ，o n eo f w l l i c hi s t l l ee x 雠i c t i o no ff e a t u r e sf b mt l l e 谢g i n a ld a t a h ld e t a i l ，协i sp r o c e s si st 0u s em es i 郾m a n a l y s i sm e m o d so rs o m eo t l l e ra l g o r i t l l m so fd a t ac o m p r e s s i o nt om a pt h eh i g h _ d i m e n s i o n a l 谢g i n a ld 砒ai m oar e l a t i v el o wd i n l e n s i o n f e a t u r es p 踮e t h eo t l l e rp a r to f t l l i sp m b l e i l li st h e c l 踮s i f i e rd e s i 弘，删c hm 印st h ef e a 劬es p a c ei m ot l l el a b e ls p a c e 趾dt o t a l l ys 0 1 v e st l l ew h 0 1 e l l i l d e r w a t e r 剁v et a r g e td 鹪s i 6 c 雕i o np r o b k m t h i s 删i l a t e 也e s i sl l a sr e a r c h e dt l l e s et 、op a r t st os o m ee x t e n t h lt l l ef e a _ t t i r ee x 仃a c t i o n p a n ，i tf o c l l s e s 0 nt w oh n d so fs i 弘a la n a l y s i sm 砒o d s ，f i r s to f w m c hi sb a s e do n 也c t i m e f k q u e n c y 锄m y s i sa n ds 廿i 如g mo fe c h of r o mt a 玛e t t h et i m e - f e q u e n c ya n a l y s i si sa t y p i c a lm 幽d t oa n a l y z e 也en o n s t a t i o n a r ys i g n a l ，w h i c hp e i f - o r m sw e l l 血t h ep r o c e s 曲呜o f r i o u sk i n d so fn o n s t a t i o n a r ys i g n a l s t l l i st h e s i si sm a i n l yc o n c e n 订a t e do nt h eu s eo f s p e c 仃d g m mt oe x t r a c tt 1 1 ep b y s i c a li n f o m l a t i o no fs t m n g t t lo fe c h o 五r o mt a r g e t t h eo t l l e ro n e i st oa p p l ym 、1 l t i p l es o f t sa fo n h o 9 0 1 l a ls i 酗a lt r a n s f o r m “o nt o 勃【廿a c tm ei n f b n n a t i o no f 也e t a r g c t s t h es i g i l a lt r a n s f o 咖a t i o ni st 0 岫s f o 加t l l eo r i 百i l a ld a t ai nd m ed o m a i ni n t oo t l l e r d o m a i n s ，w h i c hm i g h tb ea b l et or 印r e s e n tt l l ee s s e n t i a li n f b 咖a t i o no f 恤芎e t sa n dh c l p 削f o r t 1 1 eu n d e r w a t e ra c t i v e t a 唱e t c i a s s m c a t i o n p r o b l e m t h i st l l e s i s a d o p t s t 1 1 ef o u r i e r t r a n s f b n n a t i o n w a v e l e t 订a n s f b m l a t i o na n dt 1 1 ed i s c r e t ec o s i n e 仃a n s f o m a t i o nt oe x t r l c tm e f b a t u r e st o g e m e r 、v i t hac e r t a i nc r i t e r i o n i nt l l ec l a s s i f i e rd e s i g np 础，m en e w l y d e v e l o p e d t h e o 驴一s u p p o nv e c t o rm a c h i n e ( s v m ) i si m p l e m e n 僦w i t h 也ea 1 1 a l y s i so fi t st 1 1 e o 栅c a l f b i l i l d a t i o na n dc o m b i n i n g 、v i t l lt l l ec h a r a c t e r i s t i c so fl l n d e m ，a t e ra c t i v et a 娼e tc i a s s i f i c a t i o n p m b l e m ，m eg r a d u a t et i l e s i sa d o p t st l l ec s v ma 1 1 dt 1 1 er e l e v a n c ev e c t o rm a c h i n ea st 1 1 ef i n a i c l a s s i f i e r s ， t h em a i nc r e a t i v ep o i m so f t h j sg r a d u a t et h e s i si n c l u d e ： ( 1 ) f e a t u r ee x t r a c t i o na l g o r i 血mb a s e do nt h et i m e 一舶q u e n c ya l l a l y s i sa n dt a 曙e t sp h y s j c s c h a r a c t e r i s t i c s _ s t r e n 垂ho fe c h o 行o mt a 蟾c t w i t t lt l l er c s e a r c ho nv a r i o u s “n d so ft 1 1 e t i m e 一丘e q u e n c yd i s 仃i b u t i o n s ，m ep h y s i c a lc h a r a c t 甜s t i c so ft a r g e ta i l dt h ep r o p e r t i e so f t r a n s m m e ds i g n a l ，m ca l g o r i t h i nb a s e do nt l l es p e c t r o 斟a ma n ds t r e n g t ho fe c h o 舶m t a 喀e th a sb e e np m p o s e d f o rt 1 es p e c 咖g r a m ，t h ep a t t e mo fw i n d o wa r l di t sp a r a m e t e r s l l a v cb e e ns p c c i a l l yc h o s e n m o r e o v e r ，t 0s u p p r e s st l l en o i 卜g a u s s i a nr e v c r 删o n ，也e m b u s m e s so f m es p e c t r o g r a mh a sb e c ns t u d i e d 协t l l i sa l g o r i t i l l l l ( 2 ) f e a t u r ee x t r a c t i o na l g o r i t l l 】 1 lb a s e do nt l l em u l t i p l es i 掣l a lt r a n s 缸m a t i o n sa 1 1 dt 1 1 e c o m b i n a t i o no f 也e i r 仃a n s f o 瑚撕o nc o e 位c i e l l 招b y 也ee x p l o m t i o no fm ep h y s i c a la i l d m a t l l e m a t c a li n t e i p r e 觚o no fm u l t i p l es i g n a l 订如s f o m a t i o n s ，t h ea l g o r i t b 瑚b a s e do nt h e c o m b i 删o no f 订趾s r ) r i n a ：t i o nc o e 丘i c i c n t sh a sb e e n 口r c s e n t e dw i t l lt 1 1 ed i s c 栅n a n t 酾t e r i o ni nt h en o n g a u s s i a nn o i s e ，w h i c hi sa l s op r o p o s e di nt h i s 掣a d u a t e 也e s i s w ba d o p t 似os e t so fd a 协t ov e r i f y 也ee 能c t i v e n e s so f m e p r o p o dm e 也o d si nt l l i s 也e s i s o n ei sa c q l l i r e di n 也el a b o r a 幻r yw a v e g l l i d ea n dt h eo t l l e ri i lal a k e t h ed a t as e tf 沁mm e l a b o r a t o r ) rw a v e g u i d eh a sp r 0 v e d 血ep r 叩o s e dm e t h o dl l s e f i l lt oi d e n t i 匆t l l e 协j et a r g e t 丘o m p m b a b l yt h e 铷s et a 唱e t a n dt l l ed a t as e t 筋mal a k ev a l i d a t e sm a tt l l ed i 舵r e m 咖e so ft 1 1 e t r u et a 唱e t sc o u 】db ed a s s i 矗e db yt h ep r o p o s e dm c 也o d sw 1 1 i 】e 也ef e v e r b e r a t i o nc o u 王da l s ob e d i f i b r e n t i a t e df 硒mm et a 唱e t sn om a t t e rw h e m e rt l l e ya r en u eo rf 甜s et a r g e t s a d d i t i o n a l l y ， w h e nt 1 es i m m 砒e dn o n g a u s s i a r in o i s e 明dt h ep m c t i c a l l yc o l l e c t e dr e v e r b e r a t i o ni sa d d e d i m om ee c h o e s ，也ec l a s s i f i c a t i o nr e s l l l t sr e m a i na c c e p t a b l e s o ，i ti s 订u et h a tu n d e rs o m e c i r c l m i 咖n c e ，a u rm e t h o dc o l l l de f f b c t i v e l yr e c o g 【l i z et h e 订u ct a r g e ta n df m s et a r g e tu n d e rt h e s 仃o n gr e v e r b e 枷o nb a c k 铲o t l l l d 4 第一章概述 1 1 引言 声纳是利用水中声波进行探测、定位和通信的电子设备。“声纳”( s o n a r ) 这个名 词是在第二次世界大战后期，利用了英语“s o u n dn a v i g a t i o na n dr a n g i n g ”( 声波导航 和测距) 的首位字母缩写，后被人们广泛采用。声纳属于逆问题研究的声海洋学范畴，它 利用声波来研究海洋中声源( 被动声纳) 和散射体( 主动声纳) 的存在与否一检测( d ) 、 所在位置一定位( l ) 、属性信息一分类( c ) 以及运动状态分析一跟踪( t ) 这四大问题。 信号处理，作为一门经典的学科，已经取得了极大的发展和广泛的实际应用。同时，海 洋信道中声场的表征与建模研究亦获得了巨大的突破。作为两者的结合体，水声信号处 理的最基本的问题则是如何有效的结合并利用现代信号处理理论与海洋信道中声场的表 征，提出适合海洋环境的处理方法。 作为水声信号处理的一个分支一一主动目标识别，它的核心问题也是如何运用现代 信号处理理论和海洋信道中声场的表征进行目标的特征提取，因为特征提取是决定整个 分类系统成功与否的关键性步骤。随着现代信号处理的快速发展和人们对海洋信道和目 标特性更深入的了解，目标识别中的特征提取算法也得到了较大发展和进步。在信号处 理的角度上看，传统的傅立叶分析方法已经被更多其他的算法用如时频特征提取算法所 取代，这些新方法能更好的表征目标特性所对应的参数。本文则着重研究了特征提取算 法部分并采取了合适的分类器，以完成主动目标识别这一重要任务。 1 2 立题意义 我们知道，声纳是各国海军进行水下监视使用的主要技术，是海军的眼睛和耳朵。例 如，在水下通信问题，潜艇的隐身和保护问题和以及水雷和鱼雷的排除问题中，声纳是 一个主要的工具，没有声纳的协助，这些工作将会非常的困难。在民用的问题上，声纳 也有着广阔的用途。对捕鱼业，我们可以利用声纳对鱼群进行探测，从而提高了捕鱼的 效率。对石油勘探和开发这个问题，声纳可以帮助准确和快捷的寻找到石油源。水底地 质的地貌的勘测，声纳已经取得了一定的成功。它可以帮助人们较为准确的将水底的物 体分布，性质，形状等等“照”出来。船舶导航、水下作业、水文测量和海底地质地貌 的勘测等。因此，声纳不论是对国防还是对民用，都有着重大的意义。 l 第一章概述 声纳笼统的来说可以分为军用声纳和民用声纳两大类。不仅如此，声纳还可以按照工 作方式或者工作原理、按照装备对象、按照技术特性等的概念方面来分类。如果按工作 方式或者工作原理，我们可以将声纳可分为主动声纳和被动声纳；按装备对象可分为水 面舰艇声纳、潜艇声纳、航空声纳、便携式声纳和海岸声纳，等等。按照技术特性分类 的声纳种类就更多了，例如按照信号波形分类有脉冲声纳、阶梯调频声纳、双曲线调频 声纳等等。本文所重点研究的是主动声纳。主动声纳是有目的的从系统发出声波的声纳。 它可以用于探测水下目标的各种性质，例如大小、材质、形状等等。主动声纳发射出某 些声信号，这些发射信号遇到目标将会反射，所得到的回波包含了目标的丰富信息，主 动声纳的基本工作框图如下图所示： 图1 1 ：主动声纳工作原理示意图 主动目标识别是水声工程中的一个公认的难题，简单来说，该问题重点在于从散射回 波信号中提取散射体属性信息。水下目标识别一般分为两个部分，水下目标的特征提取 以及分类器设计。水下目标的特征提取问题是这个问题的核心。如果不能有效的提取目 标特征，解决这个问题则变成了空话。分类器的设计也是一个重要问题。 建立适合水下目标特征的分类器也有着重要意义。众所周知的是，水下目标识别问题 的解决将推动国防的建设与发展，对水下目标的正确识别是发现敌人并采取相应的策略 来进行下一步行动的关键。同时，水下目标识别技术在海洋开发的领域里也有着广泛的 应用。由于我国的海域辽阔，从上个世纪丌始，以海洋生物的研究、海底探索、海中资 源开发( 例如石油勘探) 等等为目的的研究逐渐兴起。在这些问题里面，水下目标识别 技术或多或少的起着作用。因此，对水下目标识别的研究，已经成为水声信号处理和海 洋工程的研究重点，我们对水下目标特征提取的研究及合适的分类器的设计有着重要的 意义。 1 3 主动目标识别的发展现状 主动目标识别问题在近十年来受到了很大的关注。无论是传统的还是新型的信号处 理、声学模型和模式识别的方法都广泛的并综合的运用在主动目标识别问题中。解决此 问题的先驱则是g o 衄a 1 1 和s e j n o 哪舾，他们在【l 】中应用了频谱特征和神经网络分类器对 区分水下的一个圆柱型的目标和类似的形状的石头。参考文献【2 j 中，g g o o 和w _ a u 运 用了“g t r a l l s f 0 瑚”，即对目标信号连续三次的f f t 来提取掩埋物体特征。与此同时， a k u n d u 、g c h e n 和e p e r s o n s 在【3 】中系统的分析了水下目标特征提取和分类方法。他们 比较了自回归模型的参数特征，f f t 参数特征以及小波系数特征的优劣。不仅如此，他 们还首次提出了隐马尔可夫分类器凹m m ) 和神经网络分类器的结合。随后在【4 】中， l b u n o n 和h l a i 运用频谱的相关性和匹配滤波的方法来进行水下目标的分类，他们同 时还提出了特征融合的方法。a s a d i a d i 等在龇6 】f 7 1 系统的提出了一类基于小波包分解的 分类系统，在每一个子带里，线性预测编码系数将被提取出来作为回波的特征，然后将 用特征选择的方法选择出少量最优特征完成特征提取工作。在分类器部分，他们提出了 一个基于反向神经网络的特征融合系统以及自适应特征映射系统。最后他们比较了几种 流行的分类器，例如k 最近邻法，神经网络法，支持向量机法等等的优劣。l c a r i n 等人 运用了最新的时反成像技术进行了目标特征提取【8 】【9 】f 1 0 1 ，对掩埋物体进行了有效的识别工 作。 1 4 本文主要研究思路 主动声纳问题属于逆散射问题，它是通过对经过波导传输、目标散射、波导传输三步 的发射信号进行信号处理和分析，从中反演目标存在与否，提取的目标位置信息和属性 特征、跟踪目标的运动轨迹等等。然而，由于海洋环境的复杂性和不确定性，我们从主 动声纳接收的信号往往是一个大量混响，大量假目标回波以及真目标的回波组成的，可 谓“满天星斗”。如何从这类复杂信号提取出目标的特征，即从这满天星斗中找到真正目 标，则是主动目标识别成败与否的关键性问题。通常来说，我们开展主动目标识别工作， 1 第一章概述 应该包含三个层次：从接收到的信号中分离目标回波信号和混响、从分离的目标信号中 区别真目标( 根据实际问题来定义) 和假目标( 例如鱼群，水下的礁石之类的) 、再从真 目标里面分辨具体是哪一类物体，从而完成整个主动目标识别工作。整个层次图如下所 不： 真目标1 ，真曩榕2 ，假目标，混响 标3 ，假目括 骰霉撩冀髑糯，i 冀壤翻 i 一| 。 嚣目标l真目标2 图1 2 ：主动目标识别的三个层次 在绝大多数模式识别问题中，如何准确提取特征则是整个分类过程中最关键一环。而 在主动目标识别问题里。特征提取算法的有效性取决于它能否准确的反映目标的物理本 质信息。我们知道，目标的回波信号是由发射信号经过波导传输到目标处再引起的。如 果能完全了解目标的物理特性，那么整个识别问题将会被极大的简化。然而，实际上水 下目标的复杂性制约了人们对目标特性的研究进展。粗略来说，回波的运动信息、回波 频域上的共振峰、回波亮点的位置和强度等等回波的物理特性，都可能成为模式识别的 依据，即作为特征。在本文中，我们的重点在于运用信号处理的方法分析和提取回波频 域上的共振峰信息，从而将高维的数据空间转化较低维的特征空间。利用这些回波的特 征，我们选用恰当的分类器来完成最后的识别任务，即将较低维的特征空间映射到最终 的类别空间。主动目标识别的算法流程图如下所示： 4 图1 3 ：主动目标识别的算法流程图 以目标物理特性和信号处理为基础，本文力求目标的物理特性和现代信号处理的基础 知识相结合来研究主动目标识别中的两个重要部分：特征提取算法以及后续的分类器设 计，加上并且分析了实验室波导数据和在松花湖实验中所采集的数据以验证本文所提出 的主动目标识别算法。全文分作六章，分别如下所述： 第二章主要讨论了现代信号处理理论的基础内容和主动目标识别的相关理论。在水 声信号处理中，信号处理起着一个奠基性的作用。因此，作为水声信号处理的一个分支 的主动目标识别，我们也需要对现代信号处理理论进行一定的探讨。信号处理在任何场 合下都可以归结为两类问题：估计和检测。( 事实上主动目标识别中的特征提取过程可以 认为是一个参数估计的问题，分类器的设计问题也可以视为一个多元检测问题。) 因此在 本章首先阐述了检测和估计的基本理论。 其次，结合主动目标识别这个具体问题，我们又从回波的基本流程和声纳方程来阐 述产生回波的机理。声纳方程是从能量的角度综合考虑了水下可能存在的各种效应所建 立的。因此作为声纳的基本任务之一的主动目标识别，声纳方程是最基本的，它指导着 声纳的设计和应用。然后，对于主动目标识别问题，我们必须从目标的物理特性出发来 指导特征提取而用于模式识别过程。因此对目标共振散射的基本性的论述也是不可或缺 的。本章的最后一部分讨论了主动目标识别中重要干扰一混响的产生原理和统计特性。 对它的认识有助于在特征提取过程能够得到更准确的目标的物理特性。 第三章则是本文的核心部分。目标的物理特性存在于回波的时间序列中。本章的目 的则是用时频特征提取的角度来分析和获取目标的物理特性。时频特征提取是分析信号 的时间和频率之间的相互关系，并从中发现目标的特性，从而完成特征提取的工作。作 者重点从时间一频率分析和信号正交变换两个角度来开展工作。信号的时间一频率分析 第一章概述 是将信号从单个时域映射到一个由时间、频率联合组成的两维平面星。由于宽带发射信 号和接收信号都是时变的，运用时间一频率分析可以捕捉到目标回波信号的时变特征。 而传统的方法例如傅立叶变换则显得不太适合。因此，我们可以从这个二维平面寻找和 表征目标的特性。信号的j 下交变换是将信号从时域投影到另一个或者几个域里面。各种 正交变换都有其物理意义，它们有可能表征目标特性。因此本文从这两个方面入手来讨 论特征提取算法，并在最后一章中用实际数据来验证特征提取算法的有效性。 第四章是对主动目标识别中分类器构造进行一定的研究和推导。我们在本文中选用的 是支持向量分类器。支持向量分类器 1o 】f 1 1 】【1 2 j 【1 3 】【1 4 】 4 9 】州是建立在统计学习理论的v c 理论 和结构风险最小原理基础上的，根据有限的样本信息在模型的训练正确率和泛化能力之 间寻求最佳折衷，以期获得最好的推广能力。在主动目标识别问题中，虽然特征提取部 分尽力抑制混响的干扰，但是所提取的特征仍然会或多或少受到一些影响。因此，在分 类器这个层面上，我们需要追求强的泛化能力，这是我们采用支持向量分类器的原因之 一。不仅如此，主动识别问题中，实际能采集到的样本是有限的，而支持向量分类器对 有限样本情况处理得很好。所以，本文重点研究了支持向量分类器在主动目标识别中的 应用。 在最后一章中，本文分析了实验室波导所获得的多类目标的回波数据和松花湖湖试所 获得的数据。再运用本文所提出的特征提取算法和所应用的分类器有效的进行了目标识 别工作。其中波导实验所获得的数据验证了本算法对目标和非目标的识别的有效性，而 松花湖湖试数据则证明了本文所提出的算法是能够分类多类真实目标和鉴别目标回波和 纯混响。而当更多的混响加入原始回波的时候，本文所提取的特征能够较好的抑制混响 的干扰，依然可以取得令人满意的分类正确率。从本章的实际数据处理结果来看，基于 时频的特征提取算法和后续的支持向量分类器的结合在一定条件下有效的辨别混响和目 标，真目标和假目标以及真实目标的类别。 第二章主动目标识别的信号处理基础 这一章我们重点阐述主动目标识别的相关理论。现代信号处理的检测与估计理论是整 个信号处理的核心部分，也是主动目标识别的基础。不仅如此，主动声纳的工作流程也 是主动目标识别的重要内容之一。特别是在目标识别问题里，目标特性和主要干扰混响 需要重点讨论，它们直接指导着接下来的特征提取和模式识别工作。最后，本文阐述了 一些模式识别相关理论，它们对特征提取后的优化过程是有帮助的。 2 1 现代信号处理检测与估计理论 信号处理在任何场合下都是围绕着检测和估计两个目的开展的： 检测。在不可避免的存在的各种噪声、混晌以及其他干扰时，通过检验统计量与 门限作比较，判断信号存在与否。 估计。在信号存在的前提下，对它的有关参量进行估计。 根据s c h a r f 的说法o ，检测和估计都是一种统计推理的过程： o 图统计推理过程 输入数据z 的分布函数f ( 工i 目) 对是先验知识，其中臼是分布中的参量。统计推理的 任务就是要从测量数据：f 和先验的分布知识f ( x i 口) ，估计存在着的某个函数或者统计量 s ( | 舀) ，使它符合某种准则。其中关键的问题是如何将测量数据j 映射到被口所参量化的 估计函数s ( | 毋) 中。 n e y m a n p e a r s o n 准则是声纳中常用的检测准则。任何检测的问题都可以归结为一个 寻找统计量、寻找门限和判决的基本问题。例如，如果给定了一个统计量或者说是变换 7 釜三耋主蛰量垂蓝型塑2 j ：錾罂善型 丁( x ) ，并且让柏概率密度独立于参数口，即有弓( x ) = p ( x ) 厶( ? ) 且p ( 功与_ 9 无关，那么 7 ( x ) 就可以称作是x 的充分统计量。充分统计量，( x ) 包含了参数所有的信息却仅用了少 量的维数来表征参数，因此计算量得到了减少了。下图表示了检测的一般过程： 图 估计理论则是针对已检测到的信号，对其包含的参数进行估计的过程。和检测理论 一样，估计理论也有着它自己的准则，一种普遍而又有效的准则是最大似然准则( x i m u m l i k e l i h o o d ，简称m l 准则) 。此外，其他准则有贝叶斯准则、最大后验准则、最小二乘准 则等等。其中最大似然准则在声纳参数估计中也是最基本和最普遍的。 令x 是由未知参数目参量化的概率密度函数为五( 工) 的随机变量，定义对数似然函数 为： 三( 口，x ) = l i l 石( x ) 最大似然估计是使得对数似然函数最大的那个参量参，我们对似然函数关于p 求导并 令其为o ，即： 芝工( 幺x ) = o a 口 、7 上述方程的解即为最大似然估计。 在n e y m a l l 一p e a r s o n 准则指导下的检测器和m l 原则的与估计器则是现代信号处理最 基本最核心的内容，它支撑着整个信号处理的框架。实际上，检测和估计总是伴随着进 行。例如声纳信号处理中，一面搜索( 检测) ，检测的同时也必须进行目标位置估计。这 就要求滤波器必须同时进行检测和估计。在输出搜索并选大期间中判断有无信号状态出 现，若有，同时估计参量，如目标的位置、属性、运动轨迹等等参量。 釜三耋主蛰目量丑型盟互：耋 耋董j 一 2 2 主动声纳相关理论 2 2 1 声纳方程 作为主动声纳的一个重要应用一主动目标识别，本节我们介绍声纳方程17 1 ，它将介 质、目标和设备的作用和参数结合在一起，形成一个关系式。具体来说，它是从能量的 角度定量的描述了海水介质、声纳目标和声纳设各的特性以及效应。它由五个声纳参数 来组成： s l 2 t l 斗t s r l = 这些参数具体描述如下： 声源级s l 声源级参数s l 是用来描述主动声纳所发射信号的强弱，指距发射换能器声轴中心 l 米处，换能器所产生的声强级与一个参考压强的比例的对数： 乩：1 0 l g 丛掣 o 传播损失t l 传播损失，顾名思义，是由于海水本身的吸收、声传播过程中波阵面的扩展以及 海水中各种物体( 包括海水自身) 各向不均匀散射造成的。它定义为声波传播了一定 距离后的衰减，即衰减后的声强相对于距声源声中心l 米处的声强的比： 觋：1 0 l g 螋 q ，( r ) 目标强度t s 目标强度是指距目标的声中心l 米处的声源方向上目标所产生的回波的声强度和 入射声强度的差级： 耻1 0 k 南 其中l 。和，。分别是入射声强度和回波声强度。值得一提的是，目标强度是描述目标 反射本领的，它和目标的特性和发射信号是密切相关的，因此它是目标识别的重要的 理论依据。在下一节中我们将重点阐述之。 等效平面波混响级r l 对于主动声纳来说，特别是对浅海的主动声纳处理来说，混响是主要的背景干扰。 9 第二章主动目标识别的信号处理基础 我们用r l 表示它。 检测闽d t 检测闽指在输出端完成特定职能所需要的最小信号和干扰功率级差的对数比： 一川g 攀然糕擎 此外，一般的声纳参数还包括海洋环境噪声级和接收指向性指数两个参数。从声纳方 程的角度来说，本文研究的问题是在目标强度那一部分的，同时也要考虑混晌的影响。 从回波信号处理的角度也可以看到声纳方程的最基本的意义【14 】f 1 5 j 【1 6 1 。图2 1 是一个 经典模型。考虑一个发射信号，它经过波形发射器和投射器以后得到了一定的增益( 声 源级的影响) ，然后进入水下( 传播损耗的影响) ，被目标反射或者散射( 目标强度的影 响) 以后再由传感器接收最后送入回波处理器进行信号处理。 图2 1 回波的基本流程【1 5 】 2 2 2 目标识别的理论依据一共振散射现象 回波是目标在入射声波激励下产生的一种物理过程，它既与目标( 含周围介质) 的固 有振动或波动特性有关，又与入射声波特性有关。对于一般的弹性目标( 声纳的大多数 目标都属于弹性目标这类) ，入射声波能穿透表面进入目标内部，形成驻波声场并且回 波强度将随着频率而变化。共振散射的基本原理是：当目标被入射波激励以后，会在共 振模态上产生振动的现象。特别是当入射波的频率与目标自身的振荡频率一致的时候， 目标就会产生共振现象，即在此频率出现一个“峰值”，形成所谓的共振峰。从空间的角 1 0 兰三耋圭垫量堑望型墼j 叠三丝堡董型 度来看，当波数与目标的空间频率相同时，也会产生共振的现象。我们可以看到，目 标固有共振频谱结构反映了其一种固有特性。这种频谱与目标的尺寸、形状和材料性质 有关，但是和入射信号无关。共振散射这种现象给了我们进行模式识别的一个重要依据。 我们把入射声波看作是一种信号。在大多数情况下，入射声波( 发射信号) 的振幅不大， 而回波的形成又有着线性的性质，而且还是和时间无关的。因此可以将目标看成是一个 线性时不变系统，那么回波s 。( f ) 就是入射声波通过个线性系统的输出，可以表示成入 射信号量( ，) 与目标散射函数 ( f ) 或者日( 国) 的卷积即为： ( r ) = i ( f 弦( f f ) 咖( 2 1 7 ) 在频域中，也有m 1 ： ( 曲= s ) 日( 叻( 2 1 8 ) 其中： 琊) = 去p ( 咖删如 ( 2 _ 1 9 ) 从模式识别的意义来说，我们需要的是找到目标的不变并且有可鉴别性的特征，而目 标的形态函数( 等效为系统冲击响应) 则提供了一个依据。因此，在本节内容的指导下， 如何提取和利用它进行主动目标识别工作则是下一章的重点内容。 2 2 3 混响的信号模型 我们知道，发射信号遇到目标返回产生回波，这里面携带了大量目标特性。但是水中 传播的信号不仅仅只遇到目标，还会遇到大量的其他物体，例如海洋生物、气泡、海底 的沉积物等等。发射信号遇到这些物体所产生的回波即为混响。混响一般分为体积混响、 海底混响和海面混响。下图是海底混响的模型图： 、 、 图2 2 ：简化的海底混响模型 l l 第二章主动目标识别的信号处理基础 本节我们着重从混响的信号模型和统计规律来研究。前面已经提到，r a y l e i g l l 包络的 得出源于高斯干扰或服从同一分布且数目巨大的散射物，由中心极限定理，干扰之和为 高斯分布。若散射物数目小，散射不服从高斯分布，或同一分布，则产生n 0 n r 丑y l e i 曲 包络。因此混响的模型通常被建为n o n r a y l e i 曲分布。 我们可以从一个简单的推导看到【1 4 】f 1 7 】1 18 【1 9 】【2 0 】 2 “，假设发射信号是t ( f ) ，那么接收到 的混响，( f ) 可以由下式表述： r ( f ) = 舡( f _ f f ) + 一( f ) ( 2 2 1 ) 其中肌表示散射体的数目，t 表示时延，4 表示幅度响应，聍( r ) 表示环境噪声。由于发 射信号已知，我们可以利用匹配滤波来进一步处理数据，如果我们( f ) 表示相关函数为 r 嚣( f ) = 弘。o ) s ，( f + f ) d f ( 2 2 2 ) 那么，对接收到的混响进行匹配滤波，可以得到 r ( r ) = 4 凡( 卜t ) + o ) ( 2 2 3 ) 此时，t 代表的是时延了，( r ) 是环境噪声和发射信号匹配滤波的结果。通过这一步，我 们可以利用相关函数的短时间性( 凡( f ) 仅在一个短时间内有幅值) 来消除很多其他散射 体所带来的混响。文献o 口州都从理论上和实际数据上都证明了五0 ) 的包络是一个非瑞 利分布。两种常见的非瑞利分布如下列出【1 8 】： ( 1 ) k 分布 分布为： m ) = 高小 0 ，则 。 其中r ( ) 为伽马函数，咒( ) 为第二类修正b e s s e l 函数。对应的： 邝) = 志( 矿1e x p ( - 争，删，口= 面 ( 2 ) w e i b u l l 分布 2 鎏三耋主垫量堑堡型盟互兰竺墨量型 分布为： 厂( “) = 口6 ”6 1e x p ( 一口“6 ) ， “2 0 ，n ，6 0 在0 6 2 时， 弛，= 嘉罅t c o s ，吲s i 耐丝1 、4 。 素b 刚小艘，日： r ( 1 + 纠素p 刚，o 曲蚰，归卜+ 争他1 2 通过对混响的非高斯性有着进一步的了解，我们可以帮助特征提取部分和分类器设计 部分进行有针对性的设计和改进。 2 3 主动目标模式识别的理论基础 2 3 1 信号的可鉴别性描述 这一部分我们重点叙述从模式识别的角度出发，如何描述信号的可鉴别性。换言之， 就是如何找到恰当的依据来描述不同信号之间的可区分度。准确的描述信号的可鉴别性 有如下重要意义。一方面，在信号特征提取环节中，如果加入信号的可鉴别性，所提取 的特征就会有一定的可分性，能帮助分类任务。另一方面，在信号处理或者信号滤波中， 我们如果选择对信号可鉴别性大的地方增强，那么对于整个模式识别任务来说将有着重 要意义【2 2 】。图2 3 是对可鉴别性的一个直观的描述，我们可以看到左图的可鉴别性比右 图要少了许多。在模式识别过程中，我们追求的是可鉴别性大( 即右图的效果) 。因此， 在本小节里面，我们重点阐述如何描述信号的可鉴别性 图2 - 3 ：三类特征的示意图 1 3 釜三耋圭垫目堑迟型监笙兰丝墨茔磐 考虑两个信号j ，s ：，它们分别被噪声啊，慢所污染，信号的差别性丑一岛和噪声的方差 盯2 ( 氇) ，盯2 ( 啦) 决定两个信号的可区分度。当然，信号差别越大，或者是方差越小，那么 信号的可区分度越高，因此，我们可以用如下的式予来描述信号的可区分度： 肚赫 ( 2 3 1 ) 盯2 ) + c r 2 ( ) 实际问题中，我们不可能知道信号的具体大小，也难以得到方差的精确值。一般来说， 我们能得到的是被噪声污染的信号的m 个样本，我们记为对，彳，铲和吐，。我 们可以用这些样本对墨，屯和盯2 ( 啊) ，盯2 ( 坞) 进行估计： 信号q ，j ：的估计可以看作一个噪声密度函数的参数估计问题。对于通常的噪声分布， 例如高斯，拉普拉斯，柯西等等分布2 3 1 ，信号岛，屯的加入只不过是将这些分布的“中心 点”( l o c a t i o n ) 移到了而，的位置，运用极大似然估计，我们可以得到口 置= 晶r 册c 砭r ( 毛，屯，；墨) ，f = 1 ，2( 2 _ 3 2 ) 其中，( x ) 是噪声的密度分布函数。而c r 2 ( 啊) ，盯2 ( 啦) 的估计可以用如下的矩估计进行： 矿( 班高荟( 一询2 ，扛1 ，2 3 ) 我们将( 2 3 3 ) 和( 2 3 2 ) 代入( 2 3 1 ) 就可以得到从样本估计信号的可区分度的表达式： 西：妞型煎普气掣止塑墼塑壹趔( 2 删 志善一i ) 2 + 吒一j 2 ) 2 ) 至此，我们获得了信号的可鉴别性的计算方法。它的一种特别形式则是模式