本發(fā)明屬于水下目標識別領域，用于從目標輻射的噪聲信號中提取特征，并應用于目標的分類或識別。

背景技術：

水下目標識別是現(xiàn)代聲納系統(tǒng)和水聲對抗系統(tǒng)的重要功能，目前主要由聲納員人工完成。而聲納員的培訓工作需要大量的時間成本和資金成本，且聲納員的實際表現(xiàn)易受到生理、心理以及環(huán)境因素的影響。隨著現(xiàn)代聲納系統(tǒng)和水聲對抗系統(tǒng)的自動化和智能化，不依賴人工的自動水下目標識別技術成為了水下目標識別領域內(nèi)的重要研究內(nèi)容，具有重大的現(xiàn)實及長期戰(zhàn)略意義。

目標特征提取是自動水下目標識別技術的核心內(nèi)容之一。目前已經(jīng)提出和實現(xiàn)了時域波形特征提取、基于譜分析的特征提取和基于人耳聽覺特征的特征提取等特征提取方法。這些目標特征在一定的條件下具有良好的識別性能，但同時也受到噪聲干擾等各種實際應用條件的限制。發(fā)展新的水下目標特征提取方法一直以來都是該領域的重要研究課題。

水下目標信號中往往包含數(shù)量有限的強能量窄帶線譜成分，而且這些線譜成分是區(qū)分艦船類別的重要標志。本方法借助層次貝葉斯模型，根據(jù)水下目標輻射噪聲信號的特點，通過選取合適的先驗概率，利用貝葉斯結(jié)構化稀疏算法，提取水下目標的多幀聯(lián)合塊稀疏特征。

技術實現(xiàn)要素：

要解決的技術問題

為了避免現(xiàn)有技術的不足之處，本發(fā)明提出一種水下目標結(jié)構化稀疏特征提取方法。

技術方案

一種水下目標結(jié)構化稀疏特征提取方法，其特征在于步驟如下：

步驟1：對水下目標輻射噪聲信號y進行分幀、去直流和能量歸一化預處理；

步驟2：將各幀信號基于離散傅立葉字典D分解展開：

y(n)＝Dx(n)

式中，x(n)是時域幀信號y(n)基于字典D的分解系數(shù)；

其中，字典D的各個列向量為字典原子，它們是具有單位長度的傅立葉正交基；字典的行數(shù)與各幀樣本的長度保持一致，列數(shù)根據(jù)信號時頻譜中線譜成分出現(xiàn)的頻率范圍以及數(shù)量確定；字典中每一列傅立葉基函數(shù)應從包含線譜成分的頻段中進行選?。?/p>

步驟3：采用層次貝葉斯模型對幀信號基于離散傅立葉字典的分解過程進行建模，構建的層次貝葉斯模型中假設信號y基于字典D的分解系數(shù)x服從多元高斯分布，均值和協(xié)方差分別用隨機變量μ,∑表示，對于相鄰的M幀信號，噪聲n_i＝y(tǒng)_i-Φx_i,i＝1,2,…,M也服從高斯分布，均值都為0，精確度即方差倒數(shù)均為α₀，其中α₀和α＝{α₁,α₂,…,α_N}均服從Gamma分布，即α₀～Gamma(a,b)，α～Gamma(c,d)，a，b，c，d均為模型的超參量，字典

步驟4：對構建的層次貝葉斯模型，運用貝葉斯變分算法對隱隨機變量進行推斷，用均值μ作為分解系數(shù)x的估計；相鄰的M幀信號聯(lián)合求解得到M組信號稀疏分解系數(shù)；設最大迭代次數(shù)N_maxiter，所采用的貝葉斯變分算法推斷過程如下：

步驟5：從相鄰M幀信號y₁,y₂,…,y_M的M組分解系數(shù)x₁,x₂,…,x_M中，選擇最中間的一組分解系數(shù)：若M為偶數(shù)，取x_M/2；若M為奇數(shù)，取x_(M+1)/2；并作能量歸一化處理，作為該組連續(xù)M幀信號的多幀聯(lián)合塊結(jié)構化稀疏特征。

一種衡量多幀聯(lián)合塊結(jié)構化稀疏特征的分類性能方法，其特征在于：

步驟1：從樣本集中隨機選擇一部分作為訓練樣本，剩下的作為測試樣本；對用于訓練的樣本進行目標特征提取，與相應類標信息一起送入分類器中，用交叉驗證訓練出一個最佳分類器模型；

步驟2：對測試樣本進行特征提取，送入分類器模型計算識別正確率；

步驟3：重復步驟1～2若干次，計算平均正確識別率，用于衡量該特征的分類性能高低。

所述步驟1中的選擇一部分樣本為1/3。

有益效果

本發(fā)明提出的一種水下目標結(jié)構化稀疏特征提取方法，從圖2～圖7中可以發(fā)現(xiàn)，在添加了白噪聲的低信噪比失匹配條件下，多幀聯(lián)合塊結(jié)構化稀疏特征依然恢復出水下目標信號時頻譜中的強能量窄帶線譜成分，是一種對噪聲具有魯棒性的目標特征。

附圖說明

圖1特征提取以及特征用于目標識別分類過程的完整示意圖

圖2～圖3信噪比為5dB時，時頻圖和相應的多幀聯(lián)合塊結(jié)構化稀疏特征對比圖

圖4～圖5信噪比為-5dB時，時頻圖和相應的多幀聯(lián)合塊結(jié)構化稀疏特征對比圖

圖6～圖7信噪比為-10dB時，時頻圖和相應的多幀聯(lián)合塊結(jié)構化稀疏特征對比圖

具體實施方式

考慮到水下目標輻射噪聲信號中往往存在稀疏的強能量線譜成分，同時這些線譜成分在時頻譜上的分布具有一定的時間連續(xù)性，本方法將分幀后的水下目標輻射聲信號基于離散傅立葉字典展開分解，其分解系數(shù)中大系數(shù)元素具有稀疏性，并且對于一段連續(xù)時間內(nèi)的相鄰若干幀信號，其分解系數(shù)中的大系數(shù)元素位置應相同或者相近。同時，水下目標信號的時頻域內(nèi)中存在時間相關性信息，而水下聲環(huán)境中的噪聲信號在時間上往往不具有相關性。因此，水下目標輻射噪聲中的時間相關性信息是目標識別和分類的有用信息。為了利用這些信號中的結(jié)構先驗信息，本特征提取方法利用層次貝葉斯模型，引入合適的先驗分布和超參數(shù)的共享方式，能夠有效利用分解系數(shù)中大系數(shù)呈塊狀分布的特點，在低信噪比條件下仍能較好地恢復目標輻射噪聲中的強能量窄帶線譜成分。與此同時，通過相鄰幀信號間的超參數(shù)共享機制，幀間的相關性可以通過超參數(shù)的更新學習過程，反映到信號均值隱隨機變量的推斷結(jié)果中。這一推斷過程可借助貝葉斯變分算法來完成。所提取的多幀聯(lián)合塊結(jié)構化稀疏特征能夠有效利用具有可區(qū)分性的強能量窄帶線譜成分以及時間相關性信息，是一種有效且對噪聲具有魯棒性的目標特征。該特征提取方法的具體技術方案如下：

步驟1：對采集到的連續(xù)時間信號進行預處理。預處理包括信號分幀、信號減均值去除直流成分和能量歸一化。分幀時，若采樣頻率為fs，幀信號時長為t秒，則幀信號包含l＝t*fs個數(shù)據(jù)點。同時相鄰幀信號之間有1/3個幀長的部分重疊，能夠保留幀信號間的部分時間相關性信息。各幀信號具有類別信息，它們組成具有類別信息的樣本集，用于之后的進一步處理。

步驟2：各幀信號樣本基于離散傅立葉字典D展開式為：

y(n)＝Dx(n)(1)

式中，x(n)是時域信號y(n)基于字典D的分解系數(shù)。

式中，字典D的各個列向量為字典原子，它們是具有單位長度的傅立葉正交基。字典的行數(shù)與各幀樣本的長度保持一致，列數(shù)根據(jù)信號時頻譜中線譜成分出現(xiàn)的頻率范圍以及數(shù)量確定。字典中每一列傅立葉基函數(shù)應從包含線譜成分的頻段中進行選取。

步驟3：采用層次貝葉斯模型對信號基于離散傅立葉字典D的分解問題進行建模。該貝葉斯概率模型采用塊稀疏貝葉斯學習框架。模型假設N維幀信號y基于字典D的L維分解系數(shù)x服從多元高斯分布。x的各個元素x_i的先驗分布是均值為0，精確度(方差倒數(shù))為α_i的高斯分布。x的后驗分布仍然是高斯分布，均值和協(xié)方差分別為μ,Σ。對于相鄰的M幀信號，噪聲n_i＝y(tǒng)_i-Φx_i,i＝1,2,…,M亦服從高斯分布，均值都為0，精確度(方差倒數(shù))均為α₀，其中α₀和α＝{α₁,α₂,…,α_N}均服從Gamma分布，即α₀～Gamma(a,b)，α～Gamma(c,d)，a，b，c，d均為模型的超參量。觀測向量Y＝{y₁,y₂,…,y_M}，字典

步驟4：對構建的層次貝葉斯模型，運用貝葉斯變分算法對隱隨機變量進行推斷，用均值μ作為分解系數(shù)x的估計。相鄰的M幀信號聯(lián)合求解得到M組信號稀疏分解系數(shù)。設最大迭代次數(shù)N_maxiter，所采用的貝葉斯變分算法推斷過程如下：

具體迭代步驟：將M幀信號按列拼接得到Y(jié)＝[y₁；y₂；…；y_M]_NM×1。隱隨機變量的推斷過程是各個隱變量逐次迭代更新的過程。給隱隨機變量a,b,c,d設置初值a₀，b₀，c₀，d₀,并由以下公式計算α₀和α的初值，并令迭代次數(shù)為1，開始以下迭代過程。

對每一組相鄰M幀信號依次進行Σ_x和μ_x的迭代更新：

組內(nèi)第i幀信號的分解系數(shù)x_i的協(xié)方差矩陣Σ_xi的更新公式為：

Σ_xi＝(Σ₀-Σ₀D^T(α₀I+DΣ₀D^T)DΣ₀),i＝1,2,…,M，I為單位矩陣；其中，

μ_xi的更新公式：μ_xi＝Σ₀D^T(λI+DΣ₀D^T)^-1y_i,i＝1,2,…,M

然后更新超參數(shù)b，d，進而更新α₀和α。

b的迭代公式：

α₀的迭代公式：其中a＝a₀+M×N。

d的迭代公式：

其中

α的迭代公式：其中c＝c₀+MN,1<i<L,1<j<M。

最后迭代次數(shù)加1，若迭代次數(shù)達到上限N_itermax，停止迭代，否則重復以上過程。

步驟5：從相鄰M幀信號y₁,y₂,…,y_M的M組分解系數(shù)x₁,x₂,…,x_M中，選擇最中間的一組分解系數(shù)(若M為偶數(shù)，取x_M/2；若M為奇數(shù)，取x_(M+1)/2)，并作能量歸一化處理，作為該組連續(xù)M幀信號的多幀聯(lián)合塊結(jié)構化稀疏特征。

步驟6：從樣本集中隨機選擇一部分(如1/3)作為訓練樣本，剩下的作為測試樣本。對用于訓練的樣本進行目標特征提取，與相應類標信息一起送入分類器中，用交叉驗證訓練出一個最佳分類器模型。

步驟7：對測試樣本進行特征提取，送入分類器模型計算識別正確率。

重復步驟6～7若干次，計算平均正確識別率，用于衡量該特征的分類性能高低。

具體實施例1：

步驟1：選擇包含3類目標，共有45個wav格式的樣本文件，每類各15個的數(shù)據(jù)集。每個樣本文件時長5～6秒不等，采樣頻率為8000Hz。讀取wav數(shù)據(jù)樣本，使用MATLAB軟件對數(shù)據(jù)樣本進行預處理，并進行分幀處理。每幀時長為0.25s，即2000個數(shù)據(jù)點，相鄰幀之間有1/3個幀長的部分重疊。最后對各幀樣本去除直流成分，并把能量歸一化到[0,1]之間，消除絕對大小對分類識別效果的影響。

步驟2：選擇合適的頻段和頻率分辨率，構建離散傅立葉字典。字典的的行數(shù)與各幀樣本的長度保持一致，列數(shù)根據(jù)信號時頻譜中線譜成分出現(xiàn)的頻率范圍以及數(shù)量確定。字典中每一列傅立葉基函數(shù)應對應包含線譜成分的頻段進行選取。3類目標輻射噪聲中線譜成分主要集中在50Hz～199Hz，則可選取該頻段內(nèi)的傅立葉基函數(shù)。頻率分辨率為1Hz，共個150個傅立葉基函數(shù)。

步驟3：采用層次貝葉斯模型對信號基于離散傅立葉字典D的分解問題進行建模。對于相鄰的3幀信號，概率模型假設信號y₁,y₂,y₃基于字典D的分解系數(shù)為x₁,x₂,x₃。分解系數(shù)的先驗分布都服從均值為0，精確度為α_i的高斯分布，后驗分布服從均值分別為為μ₁,μ₂,μ₃，協(xié)方差矩陣為Σ₁,Σ₂,Σ₃的高斯分布，噪聲n_i＝y(tǒng)_i-Φx_i,i＝1,2,3也服從高斯分布，均值都為0，精確度(方差倒數(shù))均為α₀。α₀和α₁,α₂,α₃都服從Gamma先驗分布，超參量分別為a,b和c,d。觀測向量Y＝{y₁,y₂,y₃}，字典Φ＝{D；D；D}。

步驟4：將屬于一段連續(xù)時間信號分幀后，以相鄰連續(xù)的M幀信號進行分組。假設M幀(本例中M＝3)連續(xù)幀信號的下標為d₁,d₂,…,d_M，初始時設置d₁＝1,d₂＝2,…,d_M＝M。采用貝葉斯變分算法推斷模型中的隱隨機變量，求解該組M幀信號基于離散傅立葉字典的M組分解系數(shù)。然后更新d₁＝2,d₂＝3,…,d_M＝M+1，重復步驟4，直到M+1>N時停止。N為一段連續(xù)信號分幀后的幀數(shù)。這樣對于該段連續(xù)信號，一共得到N-M+1個特征樣本。

步驟5：對每一組M幀信號，取最中間的一組分解系數(shù)(若M為偶數(shù)，取x_M/2；若M為奇數(shù)，取x_(M+1)/2)，并作能量歸一化處理，作為該組連續(xù)M幀信號的多幀聯(lián)合塊結(jié)構化稀疏特征。

步驟6：從樣本集中隨機選擇1/3作為訓練樣本，剩余的2/3作為測試樣本。將訓練樣本的稀疏特征與樣本類標一起送入SVM分類器，在訓練集數(shù)據(jù)通過cv交叉驗證獲得分類器參數(shù)，進而求解得到分類器模型。

步驟7：將測試樣本及其類別信息送入分類器模型進行預測，計算識別正確率。

重復步驟6～7多次，計算平均識別正確率，作為測試結(jié)果。