一种基于小波分频带统计特征的舰船分类识别方法

潘 琳, 张效民, 刘义海



一种基于小波分频带统计特征的舰船分类识别方法

潘 琳, 张效民, 刘义海

(西北工业大学 航海学院, 陕西 西安, 710072)

为了有效提高舰船目标的识别率, 提出了一种基于小波分频带统计特征的舰船分类识别方法。该方法利用小波变换分别提取了舰船辐射噪声带内信号的小波模极大值和带外信号的分频段能量两类特征, 并将两类目标特征的联合量作为舰船的目标特征用以识别舰船目标。同时利用实测海录58组舰船的辐射噪声数据对上述舰船目标特征的分类识别方法进行了验证, 结果表明, 利用联合特征对目标的检测概率可以达到97%以上。

舰船辐射噪声; 小波变换; 特征提取;目标分类识别

0 引言

传统的目标识别技术[1]一般基于傅里叶分析方法。傅里叶变换是一种全局变换, 要么完全在时域, 要么完全在频域, 给信号的分析带来一定的局限性, 很难获得信号的时频局部性质。尽管后来人们提出了短时傅里叶变换(short-time Fourier transform, STFT)[2], 其窗口函数通过函数时间轴的平移与频率限制得到, 但由此得到的时频分析窗口具有固定大小。对于非平稳信号而言, 需要时频窗口具有可调的性质, 即在高频部分具有较好的时间分辨率, 低频部分具有较好的频率分辨率的特征, 为此引入时间和尺度可调的窗函数, 并定义了小波变换。水下被动探测系统接收到舰船目标的辐射噪声具有非平稳特性[3], 舰船辐射噪声经小波变换之后, 不同的尺度上的小波系数反映了对应频段上的舰船信息。研究发现, 舰船辐射噪声最为丰富的频段是0~1 kHz[4], 1 kHz以上的信号主要是螺旋桨空化所产生的连续噪声分量, 因此, 本文规定1 kHz以下的信号为带内信号[5], 1 kHz以上的信号为带外信号。文献[6]中, 对辐射噪声在整个频段内提取了小波模极大值和分频段能量, 重复处理且计算量大, 不利于工程实践。文献[7]中, 虽然计算量小, 只提取一种噪声特征, 但检测概率低。本文分别提取舰船辐射噪声带内信号的小波模极大值和带外信号的分频段能量两类特征, 将两类特征的联合特征作为目标特征, 识别舰船目标。经过大量的试验仿真, 利用联合特征作为舰船的目标特征分类目标, 取得了良好的分类效果。

1 舰船辐射噪声的分频段统计特性提取

本文利用离散小波分解将舰船辐射噪声分解为带内信号和带外信号, 根据不同频带携带信息量的差异采用合理的特征提取方法, 充分利用噪声包含的所有舰船信息, 在获得携带信息量最丰富的频带信息的同时, 又不浪费信息量较少的频带所包含的信息, 将两类特征的联合量作为目标特征识别舰船目标, 提高识别率。利用小波变换多分辨率特性, 若选择合适的信号采样率和小波变换尺度可得到辐射噪声的带内信号(是舰船信息量最丰富的频段, 对应小波变换低频系数)和带外信号(对应小波变换细节系数), 然后对带内信号提取小波模极大值, 对带外信号提取分频段能量, 得到舰船辐射噪声的联合目标特征。获得舰船目标特征的流程如图1所示。

图1 舰船目标特征提取流程图

1.1 带内信号和带外信号的小波获取方法

1.2 提取带内信号的模极大值特征

则称0为小波变换在尺度下的局部模极大值。

图2 A目标带内的小波模极大值

图3 B目标带内的小波模极大值

由图2和图3可知,目标的小波模极大值的数量在每个尺度上明显多于目标的小波模极大值数量, 在尺度2上尤为突出。因此, 选取带内信号在各个尺度上模极大值的数量与总点数的比值可以作为目标特征, 4个尺度对应有4个特征量。

1.3 提取带外信号分频段能量特征

利用小波变换获得的带外信息, 统计带外信号各个频段内信号的能量。文献[10]所述小波变换是2个希尔伯特空间的等距变换, 即

以采样间隔对信号()进行采样后, 连续小波变换的定义变为

式中:为采样点数;为对应的平移点数。可得与对应的频率=/的输出信号功率谱, 即为离散情况下的尺度-小波能量谱

式中:D为带宽。

在1.1节中, 带外信号的信息主要由细节系数1,2,3,4,5携带, 用上文所述统计1,2,3,4,5尺度上携带的能量即分频带能量, 作为舰船目标带外信号特征。在图4和图5中分别为目标和目标带外信号的每一层能量占总能量的百分比[6]。

并由图4和图5可知,目标和目标的分频段能量百分比有较大差异, 每个细节系数对应的频段上, 两类目标的能量走势不同,目标的主要能量分布在第5层,目标的能量在第5层最大, 在2, 3, 4层也包含了大量能量, 因此分频段能量可以作为这两类舰船目标的带外特征, 区分舰船。如图4和图5所示, 5个细节信息对应5个特征量。

图4 A目标分频段能量百分比

图5 B目标分频段能量

2 仿真验证

本文使用的分类器是反向传播神经网络分类器[11], 共2层, 第1层有10个神经元年, 第2层有1个神经元, 利用1.2节和1.3节所述的方法, 试验数据是实测58组舰船辐射噪声, 信噪比为6 dB, 取舰船正横通过时大约1 min的辐射噪声, 并进行归一化处理, 提取辐射噪声带内信号的小波模极大值和带外信号的分频段能量这两个特征, 结合这两类目标特征作为舰船目标的联合特征, 可获得58组联合特征, 其中每组目标联合特征中包含9个特征量, 这9个特征量作为反向传播神经网络分类器的输入。取10组联合特征作为分类器的学习样本训练分类器, 获得分类器合适的系数和阈值。

剩余48组特征量作为验证样本输入已训练好的神经网络分类器中, 计算联合特征识别目标的识别概率。用同样的方法分别计算小波模极大值和分频段能量作为目标特征的识别概率, 表1是比较小波模极大值、分频段能量和联合特征3种目标特征的识别概率。

表1 3种目标特征的分类结果

Table 1 The classification results of three kinds of target characteristics

由表1可知, 应用小波模极大值作为目标特征的识别概率高于分频段能量的, 这是由于带内信号携带的信息量多于带外信号, 与理论一致。此外, 使用舰船目标的联合特征作为目标特征比用一类特征时的识别率有明显的提高。

3 结束语

小波变换的多分辨率使信号分布在不同频带上, 可以根据频带内信息量差异提取合适的目标特征。本文正是利用小波变换的多分辨率将舰船辐射噪声分为带内信号和带外信号, 并提取带内外的目标特征。大量的试验仿真表明, 使用目标的联合特征作为目标特征识别舰船目标可以提高舰船目标的识别率。

[1] 张贤达, 保铮. 非平稳信号分析与处理[M]. 北京: 国防工作出版社, 1999.

[2] 程礼智, 郭汉伟. 小波域离散变换理论及工程实践[M]. 北京: 清华大学出版社, 2004.

[3] 陶笃纯. 螺旋桨空化噪声[J]. 声学技术, 1982, 7(6): 344-350.

[4] 梁学章. 小波分析[M]. 北京: 国防工业出版社, 2005.

[5] 王攀, 沈继忠, 施锦河. 基于小波变换和时域能量熵的P300特征提取算法[J]. 仪器仪表学报, 2011, 32(6): 1285-1289.Wang Pan, Shen Ji-zhong, Shi Jin-he. P300 Feature Extraction Algorithm Based on Wavelet Transform and Temporal Energy Entropy[J]. Chinese Journal of Scientific Instrument, 2011, 32(6): 1285-1289.

[6] 张静远, 张冰, 蒋兴舟. 基于小波变换的特征提取方法分析[J]. 信号处理, 2000(6): 156-162.

[7] 马君国, 赵宏重, 李保国, 等. 基于二维小波变换的空间目标识别算法[J]. 国防科技大学学报, 2006, 28(1): 58-61.Ma Jun-guo, Zhao Hong-zhong, Li Bao-guo, et al. Space Target Recognition Algorithm Based on Two-dimensional Wavelet Transform[J]. Journal of National University of Defense Technology, 2006, 28(1): 58-61.

[8] 飞思科技产品研发中心. 小波分析理论与matlab7实现[M].北京: 电子工业出版社, 2005.

[9] Mix F D, Olejniczak J K. Elements of Wavelets for Engineers and Scientists[M]. 杨志华, 译. 北京: 机械工业出版社, 2005.

[10] 辛欣. 基于时频分析水下目标特征提取[D]. 西安: 西北工业大学, 2007.

[11] 周开利, 康耀红. 神经网络模型及其MATLAB仿真程序设计[M] . 北京: 清华大学出版社, 2004.

An Identification Method of Ship Classification Based on Wavelet Frequency Band Statistical Features

PAN Lin, ZHANG Xiao-min, LIU Yi-hai

(College of Marine Engineering, Northwestern Ploytechnical University, Xi′an 710072, China)

This paper proposes an identification method of ship classification based on wavelet frequency band statistical features to improve effectively the detection probability of a ship. In this method, the maximum of wavelet modulus for in-band signal of ship-radiated noise and the frequency band energy of outer band signal are extracted, respectively, by using wavelet transform, and the combination of the two target features is used for identifying a ship target. This method is verified by 58 sets of measured data of radiated noise from sea trial, and the results show an improved detection probability of 97%.

ship-radiated noise; wavelet transform; feature extraction; target classification identification

TJ630.34; TB533.2

A

1673-1948(2013)01-0076-05

2012-09-17;

2012-10-08.

潘 琳(1988-), 女, 在读硕士, 主要研究方向为水下航行器目标识别.

(责任编辑: 许 妍)