水声目标线谱检测技术研究

王南 马世龙

（1.海装驻杭州地区军事代表室，杭州，310023；2.第七一五研究所，杭州，310023）

目标辐射噪声的功率谱通常有连续形和线形谱结构，后者也叫线谱。随着舰艇减振降噪技术的发展，舰艇的辐射噪声级已有很大程度的降低，并仍在持续降低，但不可否认的是，某些频率的线谱噪声依然存在。线谱信号通常具有较好的相位稳定性，较连续谱有较高的强度，是被动声呐目标检测的重要方式，已成为世界各国声呐科技人员研究的热点。俄罗斯科学家S V Burenkov等对228 Hz频率线谱信号的传播距离进行试验研究，经测试线谱信号的传播距离可达9 000 km，并具有稳定的相位[1]。利用目标辐射噪声中的线谱信号进行目标被动检测，可提高被动声呐的作用距离[2]，尤其对探测低噪声、安静型的水下目标具有重要意义[3-4]。

线谱信号检测属于周期信号检测，通常建模为非平稳噪声背景下频率、幅度、相位均未知的周期信号检测，且该周期信号存在不连续或频率偏移等特征。近些年来，随着信号处理技术的快速发展，出现许多新的周期信号检测理论和方法。结合实际水下线谱信号的特点，研究人员将这些理论和方法用于被动声呐目标线谱检测，有望提高被动声呐检测性能。

1 DFT基线谱检测方法

离散傅里叶变换（Discrete Fourier Transform，DFT）是经典的周期信号检测方法。早期因算法运算量较大，在实际工程中一直未得到广泛应用。直到快速傅里叶变换（Fast Fourier Transform，FFT）出现，才使得DFT算法在实际工程中得到推广。虽然有许多与DFT相对应的谱估计方法，如参数模型类谱估计方法，包括AR（Auto Regressive）、MA（Moving Average）、ARMA （Auto Regressive-Moving Average）模型法等，其功率谱估计结果较平滑，频率分辨力较高，但是其模型的阶次不易选择。子空间分解类谱估计典型方法有MUSIC（Multiple Signal Classification）、ESPRIT（Estimating Signal Parameters Viarotational Invariance Techniques）方法等，此类方法可获得较高的频率分辨力，但是需要信号子空间维数的先验信息，且在低信噪比、色噪声等背景下性能退化严重。从工程实现难易及性能等方面综合考虑，DFT类谱估计方法更适合实际应用。目前，涌现出大量以DFT为基础的线谱检测方法。

1.1 基于功率谱估计的线谱检测

最经典的功率谱估计方法是周期图和Welch功率谱估计方法[4]。首先，通过分段DFT处理来对接收信号进行功率谱估计；然后对功率谱估计值进行幅度门限判决，得到线谱信号的检测结果。鉴于实际接收信号的功率谱背景起伏较大，难以通过简单的幅度门限判决对线谱实现恒定的检测性能，因此利用连续谱平滑的方法对起伏的趋势项进行估计，并在功率谱中减去趋势项，以避免功率谱背景起伏的影响，获得恒定的线谱检测性能。常用的背景均衡方法有α滤波法、排序截断法、中值滤波法[5-7]等。

文献[8,9]利用线谱信号在功率谱估计结果中的形状特征，进行多个门限判决来实现线谱信号检测，主要包括三个判决准则：（1）斜率，线谱谱峰包含左右两个边界，左边界斜率为正，右边界斜率为负。因线谱谱峰处的功率谱通常会突然上升之后又很快下降，故边沿斜率值应不小于某一门限。（2）峰宽，虽然线谱频率的漂移会使线谱谱峰展宽，但其宽度通常不会超过10个频域采样间隔，因此，通过设置峰宽门限可以去除连续谱峰值（峰宽即为线谱谱峰左右边界间的距离）。（3）峰高，受随机噪声的影响，所估计的功率谱往往存在方差，即含有一些满足斜率、峰宽门限的幅度较小的伪峰，因此需进一步经峰高门限判决来去除这些伪峰。峰高门限大小的设置与线谱信噪比的关系紧密且较难设定。文献[7,9]中根据连续谱的概率分布特性设置峰高门限，但在实际应用中上述概率分布特性不易获得。

1.2 基于信号统计特性的线谱检测

该类方法以分段DFT频域结果为基础，利用不同数据段相同频率单元上的复数值构建二元假设检验问题，通过对检测统计量的统计判决，实现对线谱信号的检测[10-15]。文献[11]构建了一种广义似然比线谱检测器，该检测器的检测统计量通过对周期图谱估计结果能量归一化计算得到，具有恒定虚警概率特性。文献[10]依据单频率点功率谱的统计特性，由不同数据段相同频率单元上的复数值构建了一种广义似然比检测器，该方法检测性能优于平均周期图法，但不同数据段间为能量累积，没有获得相干处理增益。文献[16]对各段间相位差进行补偿，利用补偿后的各段复数值构建广义似然比检测器，各段间可获得相干处理增益。文献[17]通过内插的方法提高文献[16]中各段间补偿相位差精度，以进一步提高检测器性能。上述假设检验类线谱检测方法，依据信号的统计特性构建检测器，容易获得恒虚警概率检测特性，但当真实信号统计特性偏离设定的统计模型时，该类算法检测性能会出现较大损失。

1.3 基于幅相稳定性的线谱检测

实际接收到的目标线谱信号易受海洋信道波动、多普勒频移等影响而出现频率扰动，同时也会混杂着大幅度起伏噪声。此时，对目标线谱接收信号进行长时间积分处理，会因频率扰动致使性能损失。文献[18]利用水下目标辐射信号幅度平缓而噪声幅度扰动剧烈的特点，通过对分段DFT所得同频点各复数值进行几何平均，以抑制幅度起伏剧烈的噪声信号，而保留幅度相对平缓的线谱信号，提升对目标线谱积分增益。文献[19]利用线谱信号相位短时稳定性而噪声信号相位随机的特性，对相邻分段DFT所示复数值相位进行差分补齐，对补齐相位后的分段复数值进行累积可获得长时间相干累积增益，该方法适用于频率缓慢变化的线谱信号长时间积分，可获得足够的时间处理增益。

1.4 基于多时刻延迟判决的线谱检测

线谱信号具有时间连续性，对线谱信号进行多时刻延迟判决即线谱频率跟踪，能够提高线谱检测能力，降低虚警概率。低频线谱分析历程图(Low Frequency Analysis And Recording，LOFAR)为经典的线谱检测手段，对多时刻接收数据连续进行短时傅里叶变换(Short-Time Fourier Transform，STFT)计算得到。LOFAR图的主要思想是利用人眼的视觉累积效应对一定时间内连续的线谱信号进行检测。为实现线谱自动检测，以LOFAR图为基础，实施线谱频率自动跟踪，提高线谱检测性能。线谱频率跟踪主要包括：最大似然方法、基于统计模型类方法、基于图像处理类方法、基于神经网络类方法以及专家系统等[20-27]。文献[20]采用的多阶段判决方法为一种图像处理类方法，定义代价函数，在LOFAR方法中寻求一条使代价函数最小的最优路径，路径上的时间—频率点具有较高概率的为线谱信号。文献[28]构建关于线谱信号的含马尔可夫模型，以该模型为基础，对多个时刻的数据进行延迟判决，实现线谱频率跟踪，该算法对弱线谱信号具有较好频率跟踪性能，但运算复杂度较高。文献[29]在隐含马尔可夫模型的谱线跟踪器的基础上，引入EM（Expectation-Maximization）算法思想，实现多频率谱线跟踪，所提方法大大降低原HMM线谱频率跟踪方法的运算复杂度。目前，线谱频率跟踪方法众多，各方法都有不同的适用条件，往往采用不同方法组合，以获得更好的线谱频率跟踪效果。

2 自适应线谱增强器

自适应线谱增强器(Adaptive Line Enhancer，ALE)于20世纪70年代被提出[30]。ALE算法的核心思想是利用周期信号（线谱信号）的时间相关半径大于噪声信号时间相关半径的特性，对接收信号中的宽带信号进行解相干延时，保持周期信号相干，继而对二者进行LMS自适应抵消处理，分离宽带信号，增强周期信号[31]。文献[32]指出稳态ALE在频域上等价于频率自跟踪的窄带滤波器。Rickard详细地分析了ALE稳态二阶统计特性[33]。Zeidler等对ALE多线谱下的滤波特性进行仿真分析[34-35]。文献[36-40]通过自适应改变LMS步长来权衡ALE稳态权噪声与收敛速度之间的矛盾。综上，ALE等效于中心频率随线谱频率变化的窄带滤波器。与DFT等线谱检测方法相比，ALE能够自适应地滤除宽带噪声，保留线谱信号，获得相对平坦的功率谱背景，故ALE在非平稳噪声下具有更好性能[41]。

3 高阶谱方法

高斯信号为自然界中普遍存在的噪声形式，可由信号一、二阶统计特性进行完全描述，其高阶统计量为零。而对于非高斯信号，高阶统计量则含有更丰富信息。高阶谱因能更全面地描述舰艇辐射噪声，目前被更多地用于舰艇目标识别[42-45]。文献[46, 47]利用双谱提取舰艇辐射噪声特征量进行目标识别，双谱较功率谱（二阶统计量）含有更多的特征量（如相位信息等），有利于目标识别。1(1/2)谱能够增强谐波线谱成分，去除非谐波谱成分，常被用来提取目标辐射噪声中的低频谱或包络调制谱中的谐波线谱[44,48,49]。此外，利用高斯信号的高阶统计量为零的特性，可对高斯噪声进行抑制，以提高线谱检测算法的检测性能。但高阶谱的物理意义不易明确，有碍直观地对其进行分析和理解，高阶谱用于线谱检测还需更深入的研究。

4 稀疏重构类方法

近年来稀疏重构理论被广泛用于周期信号频率估计[50-55]，其主要思路为构建一个过冗余频率基底，在其中寻求最少的频率元素来表示目标信号，之后由选定的频率元素计算目标信号周期，该类方法具有较高的频率分辨率。正交匹配追踪 (Orthogonal Matching Pursuit, OMP) 算法为一种经典的稀疏重构类方法，主要思路通过迭代的方式依次从当前残量信号中分离出最相关的频率元素，实现对目标信号频率的估计[53-54]。但该方法需要预先已知目标线谱个数，在实际条件下难以满足要求。基于迭代最小化的稀疏学习(Sparse Learning via Iterative Minimization，SLIM)方法采用迭代的方式对线谱信号频率、幅度及背景噪声功率进行估计，无需目标线谱个数信息，参数设置相对简单[50-52]。上述稀疏重构类线谱估计方法可在样本条件下获得较高的频率分辨率及频率估计精度。但在色噪声频率背景下，线谱信号在频域的稀疏性遭到破坏，无法有效地对线谱信号进行估计。

5 非线性混沌振子类方法

混沌检测为一种非线性处理方法，其仿照非线性动力学系统，构建一个处于混沌状态的系统模型，当对该系统模型施加一个与其固有周期相近的微小策动力时，会使该系统模型脱离混沌状态。故对该系统模型的状态判断，可实现对微小周期性策动力信号检测，即对微弱线谱信号检测[56-63]。文献[64]验证了利用Duffing振子检测弱周期信号的有效性，文献[65]分析了Duffing振子大幅度地提高信号检测信噪比的理论机理。文献[66]利用Lyapunov指数作为混沌状态的判决依据，实现了对目标线谱信号的有效检测。文献[67]提出了一种变尺度的Duffing振子线谱检测方法，使线谱信号检测突破了线谱频率及相位的限值。文献[62]将变尺度方法和间歇混沌振子方法相结合，实现对未知频率的弱线谱信号检测。该类方法对噪声信号不敏感，实现了对微弱线谱信号的有效检测，但在系统模型的状态定量判断、未知频率线谱检测、算法的复杂度等方面还有待于改进[63]。

6 未来发展方向

随着新的信号处理理论、新传感器技术的发展，水声目标线谱检测技术取得了一定的进步。但舰艇减振降噪使线谱强度不断减弱甚至消失，而海洋环境噪声级、干扰强度不断升高，弱线谱信号检测成为关键。此外，随着海洋活动范围的扩展，水声信道的时变、空变性更加凸显，加剧了线谱特征的不确定性。同时作战平台多样化发展（如无人平台的出现），对线谱自动检测带来新的挑战。围绕线谱检测的难点，未来线谱检测技术的发展可能有以下四个方向：

（1）非线性线谱检测，如非线性混沌振子线谱检测方法等，突破现有线性检测理论局限，具有较强的周期信号检测能力。随着相关理论的成熟，一旦应用到实际工程中将会大大提升被动声呐对弱线谱信号的检测能力。

（2）线谱检测与频率跟踪联合处理，如检测前跟踪等方法对多帧数据联合处理，检测与跟踪信息融合互补，有助于充分发掘数据信息，提高弱线谱检测能力。

（3）利用水声传播信息的线谱检测，目标辐射线谱信号受传播信道影响，幅度衰减或谱线间断，可利用水声传播信息将目标辐射线谱信号与水声传播信道解耦合，减弱传播信道的影响，以提升复杂海域的线谱检测能力。

（4）无人平台的兴起，对线谱检测与识别提出了更高的自主性需求，基于人工智能技术的线谱自主提取有望提升线谱检测与识别的自主化水平与综合性能。