基于听觉特征的舰船辐射噪声分类研究

刘　磊，段俊奇，刘轶铭， 翁丽娜

(中国电子科学研究院，北京　100041)



工程与应用

基于听觉特征的舰船辐射噪声分类研究

刘磊，段俊奇，刘轶铭， 翁丽娜

(中国电子科学研究院，北京100041)

本文根据人耳听觉机理，分析了人耳听觉感受和辨物过程，针对舰船辐射噪声识别，从音色的角度寻求新的基于听觉模型的目标识别特征。提出了舰船辐射噪声的谱通量、最大谱峰对应的频率值和时间重心三个听觉特征，研究了这三个听觉特征量的物理意义及提取方法，设计了适用于舰船辐射噪声分类识别的BP神经网络分类器。采用实际的舰船辐射噪声进行综合试验，从分类的结果可以得出，基于听觉特征提取方法对舰船辐射噪声识别率高于传统的统计特征提取方法，达到了预想的效果。

舰船辐射噪声；听觉特征；特征提取；神经网络；目标识别

0　引　言

水面舰艇及水下潜艇在海战中先敌发现并快速有效地对敌采取水声对抗措施，正确快速地识别目标是取得胜利的前提[1-2]。因此，依据声纳接收到的舰船辐射噪声信号对目标进行分类识别是当前热点研究的关键技术。

舰船辐射噪声识别的关键在于舰船辐射噪声有效特征的提取[3]，因此，国内外研究学者在特征提取方面进行了大量的研究。目前基于舰船辐射噪声的特征提取方法主要是统计特征提取方法，即对各种域内信号的变换技术。在时域中，采用平均、匹配滤波、相关等处理方法提取舰船辐射噪声的波列面积分布、过零点分布、波长差分布和峰间幅值分布等波形的结构特征[4-5]。在频域中，对目标信号进行功率谱分析，提取舰船辐射噪声信号中的功率谱的线谱特征、形状特征等[6]。在时-频分析方法中，主要利用短时傅立叶变换、Gabor变换、小波变换及Wigner-Ville分布等提取舰船辐射噪声的信息特征[7-8]。这些方法虽然在实验室中有效，但由于自噪声影响、海洋环境复杂及水下目标发声机理复杂等原因这些方法在实际应用中目标识别率仍然无法达到预期要求。

听觉特征在水声信号处理领域的研究较少，国内外现有的听觉特征分析方法的研究主要是针对语音声学信号方面[9]，提出了大量的基于听觉模型的语音特征提取算法[10]，例如: 基于中心削波的自相关算法，时域并行处理法，平稳恒Q特征法，基于语音的倒谱法，简化逆滤波法，基于听觉模型的子波变换处理法等。这些算法从不同角度，根据人耳听觉感受和辨物过程，对声音信号的特征进行了有效提取，并取得了很好的效果。虽然听觉特征应用于目标识别领域的研究相对较少，然而己有研究者通过建立人耳听觉模型，采用与人耳特性相近的小波变换方法来提取目标特征[11]。

本论文通过对人耳听觉机理的研究，针对舰船辐射噪声识别，从音色的角度寻求新的基于听觉模型的舰船辐射噪声特征提取方法。同时，设计BP神经网络分类器[12-13]，对实测舰船辐射噪声进行识别。

1　听觉特征提取方法

本文主要从声音的音色来提取舰船辐射噪声的听觉特征。音色是指人对声音的感觉，是由声音波形的包络和谐波频率决定。因此，声音的音色与声音的频域特性、时域特性和时-频特性均有关。其中，谱通量特征对应声音的频域特性，最高谱峰值特征对应声音的时-频特性，时间重心特征对应声音的时域特性，这三个特征能较全面地描述舰船辐射噪声音色的三个方面。本文将根据音色的三个方面来研究的舰船辐射噪声，从而进行识别分类。

1.1谱通量特征

声音信号的谱通量描述人耳随时间对声音的感受程度，即在时间轴上的频率过渡特性。它模拟了人耳听觉的非线性分辨特性，反映了声音信号大量且重要的特征信息，强烈地影响了主观音色，更接近于人的听觉感受。

皮尔森相关系数表示两个变量的线性相关程度，取值范围从+1到-l。当相关系数为+1时，两个变量是完美的正线性相关；当相关系数为-l时，两个变量是完美的负线性相关；当相关系数为0时，两个变量没有线性相关性。一般的相关系数在-1到1之间[14]。

设两个样本空间X、Y，每个样本空间均有n个样本，它们之间的皮尔森相关系数的计算公式如下：

(1)

谱通量是描述舰船噪声信号用在时间上频谱的变化量，即为短傅立叶变换(STFT)的频谱之间的平均相关性，计算公式如下：

(2)

其中，M是噪声信号所分成时间框的数量；rk，rk-1是相邻两个时间帧的频谱向量之间的皮尔森相关系数。

1.2最高谱峰值特征

信号功率谱表示信号能量随机分布情况，表示信号的频率成分以及相应频率成分的能量大小情况。噪声信号功率谱最大峰值对应的频率值(最高谱峰值)代表信号能量最大的频率值，这反应了人耳感受到的响度最大的音调，将听觉主观感受的响度和音调特征结合起来，也反映了音色的描述声音特征的综合性。

最高谱峰值特征的提取步骤如下：

(1)首先对时域波形预处理，即对波形进行归一化处理；

(2)对时域序列加海明窗后做2048点离散FFT，取模的平方得到信号的离散功率谱，并将功率的单位转化为分贝；

(3)最后找出噪声信号功率谱最大峰值对应的频率值。

1.3时间重心特征

信号时域图反映了信号能量随机分布情况，即反映了信号能量随时间的变化情况，当信号中的时间序列的能量比发生变化时，时间重心位置也将发生变化，影响着声音强度的时间特性，它反应了人耳感受到的声音强度随时间变化的情况。由此可见，通过描述时间重心位置的变化可以较好地描述舰船噪声信号时域特征地变化。

为了能够比较全面而又简便地反映能量随时间的变化情况，引人时间重心指标TC来描述整个时域图及其变化：

(3)

这里，我们假定每个时间序列均为独立的时间序列，且从t=0开始。其中，E(t)为时域图上t时刻所对应的能量值：

(4)

其中，x(t)为时域舰船噪声信号。

2　BP神经网络分类

BP神经网络是一种多层前馈神经网络，是人工神经网络中的模型结构。BP神经网络的激活函数采用S型函数，输出0到1之间的连续量，可实现从输入到输出的任意非线性变换。

本文研究适用于舰船辐射噪声识别与分类的神经网络分类器。由于其背景噪声以及水声信道的复杂性，舰船辐射噪声信号存在强的非线性性，而且舰船辐射噪声的各个类别之间相互交错严重。因此，舰船辐射噪声信号的分类器需要使用具有非线性隐层的网络。本文所研究的舰船辐射噪声目标共有八种，目标类别比较少，因此采用包括一个非线性隐层单元的三层BP神经网络，如图1所示。

图1　BP神经网络舰船辐射噪声分类器

设输入为(p1,p2,…,pr)T，输出为 (y1,y2,…,yc)T。c为输出层的节点个数，通常为分类的类别数，y0=1，wk0=bk为阈值。输出层的各个节点的输入输出为：

(5)

(6)

输入层的神经元个数由所提取特征的维数来确定，本文采用听觉特征和传统的统计特征两种提取方法，输入层的神经元个数分别根据提取的特征向量维数来确定。

隐层为非线性层，激活函数采用S型激活函数tansig。经过试验分析，隐层神经元个数一般取为8-12个。

输出层为线性层，激活函数采用采用线性激活函数purelin。输出层的神经元个数为目标类别个数，本文包含八种舰船辐射噪声，因此输出层的神经元个数为8个。

该BP神经网络的训练参数采用最大循环次数max-epoch=5000，修正权值的学习率为1r-0.01，期望误差的最小值为err-goal=0.001，其学习算法使用Gradient-Descent-Backpropagation算法，用函数traingd实现。

3　综合分类试验

3.1舰船辐射噪声实例

本论文涉及到八个种类的舰船辐射噪声实例：主动声纳信号(ACT)、航母(AIR)、军火船(AUX)、潜艇(CSB)、渔船(FSH)、潜艇水面航行(NSB)、海洋噪声(OCEAN)、鱼雷(TPD)。其中，航母、军火船、潜艇水面航行为水面大型舰船；渔船为水面小型舰船；潜艇为水下舰船；鱼雷、主动声纳信号均属于主动声纳信号。八条不同类别的舰船辐射噪声的频谱图如图2所示。

图2　八条不同类别的舰船辐射噪声时域波形

在试验中，共提取了八个种类的480个舰船辐射噪声样本的特征。每个种类中均包含有60个样本，将这八类舰船辐射噪声的前20个样本组成训练样本集，将剩下的后40个样本组成测试样本集。本次试验中的舰船辐射噪声信号的长度均为6 300个采样点，时间长度为0.785 s，信号首先经过预加重等预处理，然后进行分帧、加窗，每帧长为95.2 ms，并且相邻两个时间帧有47.6 ms的时间重叠，窗函数采用海明窗。

3.2听觉特征提取试验

分别取八类舰船辐射噪声的20个噪声信号样本进行试验，提取三个听觉特征，其二维图如图3所示。其中，‘星号’代表主动声纳信号(ACT)；‘正方形’代表航母(AIR)；‘圆圈’代表军火船(AUX)；‘加号’代表潜艇(CSB)；‘菱形’代表渔船(FSH)；‘右三角’代表潜艇水面航行(NSB)；‘下三角’代表海洋噪声(OCEAN)；‘五角星’代表鱼雷(TPD)。

图3　听觉特征的二维图

在图3中不同类别的舰船辐射噪声的特征点落在了不同的区域。航母、军火船和潜艇水面航行均为水面大型舰船，它们的特征会有一定的相似性，所以在图中看到航母、军火船和潜艇水面航行的特征点所在的区域位置很近。且航母、潜艇水面航行和潜艇的特征点所在的区域在图3(b)中重叠面结较大，但在图3(a)中它们所在的区域重叠面积较小，仍可分出舰船的种类。渔船、鱼雷、主动声纳信号和海洋噪声的特征点所在的区域均不同，几乎没有重叠。这说明舰船辐射噪声的听觉特征具有较好的可分性和聚类性。

3.3分类识别结果

在试验中，分别采用传统的统计特征提取方法和听觉特征提取方法对海上实际的舰船辐射噪声进行了特征提取，再使用BP神经网络分类器对这两种方法提取的特征进行分类识别。

为提高BP神经网络分类器的训练速度，首先提取第一类舰船辐射噪声的20个样本的特征，然后再提取第二类舰船辐射噪声20个样本的特征，依次进行下去，组成一个大的样本特征矩阵去训练BP神经网络。由于BP神经网络的输出层的八个神经元分别对应八个种类的舰船辐射噪声，因此，在训练神经网络时定义输出层中对应目标种类的那个神经元输出1，而其他七个神经元输出0。用训练好的BP神经网络对测试样本集的舰船辐射噪声信号进行识别，如果输出层某个神经元的输出值大于0.5，并且是输出层各神经元输出的最大值，则表示识别成功。

统计特征提取的方法已较为广泛的应用于舰船辐射噪声识别中，是一种传统的特征提取方法。将舰船辐射噪声的11维统计特征(功率谱峰值，平均功率，功率谱峰值的频率，平均频率，频率带宽，平均频率峭度，功率的标准差，功率斜度，在频率上功率斜度，功率峭度，在频率上功率峭度)作为目标识别的特征输入BP神经网络分类器，结果如表1所示。训练输入采用11×160的数组，识别输入采用11×320的数组。从表1中的识别率可以看出，传统的统计特征提取方法对舰船辐射噪声的平均识别率为87.81%，具有一定的分类性。

表1　基于传统统计特征的分类识别结果

表2为BP神经网络分类器根据本文提出的三个听觉特征进行分类的结果。依据对舰船辐射噪声的听觉特征提取方法，推出训练输入为3×160的数组，识别输入为3×320的数组。依据表2的结果可以看出，根据舰船辐射噪声的听觉特征进行分类识别，平均识别率达到了92.5%。与表1的结果相比可知，应用根据舰船辐射噪声的听觉特征进行分类有更高的识别率，说明采用基于听觉特征的特征提取方法具有更好的分类性。

表2　基于三个听觉特征的分类识别结果

将3个听觉特征和11个统计特征综合起来，构成14维矢量，作为目标识别的总特征输入BP神经网络分类器。表3所示为BP神经网络分类器对14维的综合特征进行分类的结果，训练输入为14×160的数组，识别输入为14×160的数组。与表1、表2相比，基于综合特征的目标识别方法的平均识别率最高，达到94.69%，说明将听觉特征和统计特征结合起来输入BP神经网络，具有最高的识别率。

表3　基于听觉特征和统计特征综合的分类识别结果

4　结　语

本文根据人耳听觉机理提出了谱通量、最大谱峰对应的频率值和时间重心三个听觉特征，设计了用于舰船辐射噪声分类的BP神经网络分类器。采用实际的舰船辐射噪声进行综合试验，从分类的结果可以得出，基于听觉特征提取方法对舰船辐射噪声识别率高于传统的统计特征提取方法，达到了预想的效果。当然，将听觉特征和统计特征结合起来输入BP神经网络，具有最高的识别率。因此，对听觉特征的研究有助于提高舰船辐射噪声的识别率。

[1]沈广楠. 舰船目标识别技术研究. 哈尔滨工程大学: 2012: 68.

[2]姜建平, 刘鹏仲, 张国龙. 舰船辐射噪声模拟技术实现方法研究[J]. 舰船电子工程, 2015, 35(4): 86-89.

[3]田池, 刘雨东, 张宇. 舰船辐射噪声总声级及总能量的统计分析[J]. 舰船科学技术, 2012, 34(8): 83-86.

[4]胡光波, 梁红, 徐骞. 舰船辐射噪声混沌特征提取方法研究[J]. 计算机仿真, 2011, 28(2):22-24, 34.

[5]杨玲, 郑思仪. 基于混沌理论的舰船辐射噪声特征提取[J]. 海军工程大学学报, 2014, 26(4):51-54,62.

[6]陈凤林, 林正青, 彭圆, 牟林, 等. 舰船辐射噪声的高阶统计量特征提取及特征压缩[J]. 应用声学, 2010, 29(6): 466-470.

[7]王梦璇, 基于小波包分解的舰船辐射噪声特征提取方法研究[J]. 电子设计工程, 2014, 22(4):81-83.

[8]胡伟文, 苑秉成, 杨鹏, 姜礼平. 基于小波能量谱的舰船目标信号特征量建模[J]. 系统仿真学报, 2007, 19(17): 4025-4027.

[9]朱坚民,张雷, 翟东婷, 雷静桃. 基于声音多特征贝叶斯网络融合的话者识别研究[J]. 仪器仪表学报, 2013, 34(9): 2058-2067.

[10]梁瑞宇, 赵 力, 奚 吉, 张学武, 王青云. 基于听觉仿生和压缩感知的助听器声源定位方法[J].仪器仪表学报, 2011，32(6): 1391-1395.

[11]Simon Tucker, Guy J. Brown. Classification of transient sonar sounds using perceptually motivated features[J]. IEEE Journal of Oceanic Engineering, 2005, ( 3): 1-13.

[13]张德慧, 张德育, 刘清云, 吕艳辉. 基于粒子群算法的BP神经网络优化技术[J]. 计算机工程与设计, 2015, 36(5): 1321-1326.

[12]WANG Yu-xi, LIU Bo, GAO Jixian, ZHANG Xuefeng. Auto recognition of carbonate microfacies based on an improved back propagation neural network [J]. Journal of Central South University. 2015, 22: 3521-3535.

[14]王涓, 吴旭鸣, 王爱凤. 应用皮尔逊相关系数算法查找异常电能表用户[J]. 电力需求侧管理, 2014,16(2): 52-54.

刘磊(1987—)，女，河北人，博士，主要研究方向为水下无线传感器网络、无线通信网络；E-mail：liulei_ioa@163.com

段俊奇(1987—)，男，湖南人，博士，主要研究方向为无线通信网络；

刘轶铭(1988—)，男，北京人，博士，主要研究方向为无线通信网络；

翁丽娜(1984—)，男，河北人，博士，主要研究方向为无线通信网络。

Classification of Ship Radiated Noise Based on Auditory Features

LIU Lei，DUAN Jun-qi，LIU Yi-ming，Weng Li-na

(China Academy of Electronic and Information Technology, Beijing 100041, China)

According to the features of the human auditory system, auditory perception and distinguish object mechanism are investigated. New object recognition features based on auditory mode are found from the perspective of timbre of ship radiated noise. The first key point is that three auditory features of spectral flux, highest frequency peak and center of time gravity are proposed. And the physical significance and the extraction methods of the three auditory features are studied in this paper. Moreover, back-propagation neural network classifier is designed to recognize ship radiated noise. Finally, a comprehensive experiment is carried on using the actual ship radiated noise signal. The results show that the method based on auditory features performed better than the method based on traditional statistical features.

ship radiated noise；auditory feature；feature extraction；neural network；target recognition

10.3969/j.issn.1673-5692.2016.04.013

2016-03-28

2016-06-21

高动态方向性多跳自组网传输调度理论研究与实现(61501415)

TB566

A

1673-5692(2016)04-401-06