关键词:
目标辐射噪声
特征提取
特征降维
特征选择
摘要:
近年来,随着海洋防御在国防事业的发展,水声目标识别备受瞩目。目标特征是目标识别的关键内容,由于水声目标信号的复杂性,单域特征很难全面而准确地描述目标特性。为了提高目标识别率,考虑将不同域的特征进行组合,但是组合特征中往往包含与分类无关的冗余信息,这些冗余信息可能会干扰目标识别的准确率。为此,如何组合和选取特征、最大限度地提升目标识别的准确率成为当前研究的重点。
本文聚焦于舰船目标辐射噪声的功率谱特征、调制谱特征和模态域特征的提取,并基于Ships Ear数据集构建特征库,为水声目标识别提供有力支持。
在目标辐射噪声功率谱特征提取方面。首先采用多项式拟合方法对连续谱特征进行提取,并通过实际数据验证了目标连续谱特征的可分性。在线谱特征提取部分,研究了基于功率谱的线谱特征提取方法,由于海洋环境复杂,单帧功率谱进行线谱检测时会出现较大的虚警概率,因此可通过LOFAR谱对线谱特征进行提取,但是实际情况下目标工况的变化以及环境复杂性等因素,线谱可能会出现抖动变化、低信噪比等情况。因此,本文研究了基于LOFAR谱的卷积自编码器线谱特征提取方法,实验结果表明,与传统的线谱特征提取方法相比,该方法检测到的噪声点较少,提取出的线谱清晰度和连续度更高。
在目标辐射噪声的调制谱特征提取方面。首先对目标三种解调算法进行性能分析,通过仿真和实际数据处理可知,平方解调算法在轴频提取角度具有一定的优势。对目标辐射噪声进行解调后即可获得DEMON谱,DEMON谱蕴含着目标的调制信息,利用倍频检测法和最大公约数法对DEMON谱的轴频进行提取,利用专家系统法对目标桨叶数进行识别。专家系统估计桨叶数时依赖于DEMON谱的谐波结构,针对DEMON谱中可能出现的谐波簇不明显的情况,研究了DNN神经网络桨叶数估计方法,实验结果表明,DNN算法在估计桨叶数时的准确率相较于SVM算法和专家系统有明显提升。
在目标辐射噪声模态域特征提取方面。阐述了经验模态分解及噪声辅助模态分解算法并对它们进行性能分析,通过仿真可知,CEEMDAN算法表现出了良好的模态分解性能,在4种模态分解算法中它具有最高的相似性指数及最小的正交性指数。利用CEEMDAN算法对实际渔船和客船辐射噪声进行模态分解,提取各阶IMF的平均瞬时频率、中心频率、能量分配比例、能量差值、能量熵及斜率熵特征,通过不同目标的特征分布可知,目标模态域特征具有可分性。
在特征库构建方面,对特征库构建方法进行研究并基于网上公开数据集Ships Ear构建特征库。对Ships Ear数据集中的不同类别目标的数据进行功率谱、调制谱及模态域特征提取,基于上述特征构建了单域特征库。对不同目标特征进行可分性分析和目标识别实验,结果表明不同类别目标间单域特征的识别效果具有各自优势,单域特征不能全面地描述某类目标的特性。考虑到单域特征的局限性,本文进一步研究了多域特征,将功率谱特征、调制谱特征、模态域特征通过不同组合方式形成多域组合特征。但是组合特征往往包含与分类无关的冗余信息,因此研究了动态权重的DK-Reilf F特征选择算法,利用该算法对组合特征进行了筛选。实验结果表明,在大多数情况下,基于DK-Reilf F算法的多域特征库相较于基于Reilf F算法和MRMD算法的特征库,其不同类别目标间的距离可分性更大、目标识别率更高。因此,利用特征选择算法构建多域特征库时,可以优先考虑采用DK-Reilf F算法。