基于辐射噪声的舰船目标识别研究现状及展望

基于辐射噪声的舰船目标识别研究现状及展望

王学敏1陈朝志2 宋广明2

（1.海军航空大学 山东烟台 264001；2 92635部队 山东青岛 266000）

舰船目标识别在海上安全监测、反潜作战和交通指挥等方面发挥着重要作用。使用舰船的辐射噪声进行识别分类主要内容是利用舰船产生的辐射噪声信号，提取出舰船目标特征，并根据这些特征进行识别分类。舰船的辐射噪声主要包括其部件的机械振动噪声、螺旋桨噪声及水动力噪声。本文总结舰船辐射噪声特征提取和目标识别技术的研究现状和发展趋势。研究舰船的辐射噪声特征离不开大量的实测数据作为支撑。首先，介绍常用的水声目标辐射噪声数据库，并总结了该领域发展较为成熟的辐射噪声特征提取方法。其次，阐述了舰船目标的识别方法。最后，随着深度学习的不断发展，舰船目标分类识别的研究也逐渐向着高效、准确、实时的方向发展。

一、研究现状

（一）水声目标辐射噪声数据库

⒈ShipsEar舰船辐射噪声数据库。该数据库是一个专门采集舰船辐射噪声的数据库，该数据库包含11种舰船的数据和1组海洋环境噪声数据。该数据库详细记录了每条数据的采集时间、采集位置信息、目标类型、舰船图片、水听器采集参数、采集环境数据等信息，为后续的数据处理和分析提供参考。

⒉Soundscape声压级数据库。该数据库记录的原始数据为声压数据，使用自主被动水听器记录数据，水听器设置为以48kHz的采样率连续记录。

⒊NoiseEgg设备采集的数据库。该数据库目的测试NoiseEgg声源设备的性能所做的实验，数据可以用于分析低频辐射噪声特性，为低频噪声的研究提供参考。

⒋Watkins海洋哺乳动物声学数据库。该数据库是一个基于海洋哺乳动物噪声的海洋环境噪声数据库。数据库里有约2000只海洋哺乳动物共计15000多组噪声数据，可以较为全面地分析不同海洋生物的声学特征。

（二）辐射噪声特征提取方法

水声信道非常复杂，不仅有舰船的辐射噪声在信道里传播，还会存在其它干扰目标检测的噪声，因此需要首先对原始信号进行降噪以提高信噪比。舰船辐射噪音是一种宽频带噪声，其能量谱包含多个频段的窄带的线性成分，因此线性成分的探测与提取在舰船辐射噪音的信号分析中起着重要作用。此外，使用小波理论分析舰船辐射噪声的特征同样是水下目标识别领域的重要研究内容。另外，随着非线性动力学的发展与完善，将其应用在舰船辐射噪声特征识别领域的工作也越来越多。

⒈辐射噪声信号预处理技术

信号的预处理工作就是将信号中的噪音和杂波剔除提高信号的信噪比，这个过程称为滤波。由最初的基于最小均方差准则的最佳滤波方法、卡尔曼滤波方法发展到自适应滤波方法，再到改进自适应滤波方法，实现水听器具备较高的灵敏度和信噪比，并有效抑制了脉冲干扰。此外，为了得到最佳的信噪比和均方误差，小波分析也被应用到辐射噪声信号预处理。

⒉辐射噪声线谱分析技术

线谱中的能量稳定集中，含有丰富的舰船螺旋桨的特征信息。目前，对于舰船辐射噪声线谱的研究主要集中在低频端的离散线谱方向。采用不同频率计算功率谱分析舰船辐射噪声的功率谱信息，利用线谱的时空特性研究舰船噪声目标线谱，在不同条件下均能提取出舰船辐射噪声线谱特征；利用低频分析记录谱（LOFAR）、调制噪声包络检测（DEMON）分析及其优化方法，都不同程度提高了线谱的信噪比和分辨率。

⒊小波分析技术

声呐信号是非平稳信号，但传统的傅立叶变换方法很难处理非平稳信号。小波变换优良的非平稳信号分析能力使得其在舰船辐射噪声特征提取领域取得了广泛应用。相对于传统的线谱提取方法，小波分析在对线谱进行微弱提取方面具有显著的优越性。根据小波多分辨分析的特点，可以提取舰船辐射噪音的功率谱；采用小波包分析的方法，将舰船辐射噪声在空间中分解，再用统计学的方法来获得各个分频段中的能量分布；采用小波变换改进方法，可以将信号正交且无冗余地分解到独立的频段，取得了良好的辨识效果。

⒋非线性特征提取技术

随着混沌理论和非线性动力学的发展，舰船辐射噪声特征提取中也将其作为一个新的研究方向进行了研究。采用混沌和分形理论分析舰船噪声的非线性特征，为水下目标识别与处理提供了新的途径。通过完善混沌运动规律的状态方程，提高了舰船噪声线谱提取的精度和分辨率。

（三）基于舰船辐射噪声的识别方法

水声信号的自动识别与分类技术是实现水声装备智能化和自动化的重要手段。最初使用辐射噪声进行分类识别是通过受过训练的专业人员实现的。这种方法受限于人的主观因素影响，很容易出现误判的情况。随着信号处理技术的发展和机器学习的出现，出现了特征提取结合机器学习分类的方法，这种分类方法提高了识别效率，减少了主观因素的影响。近些年，随着深度学习的发展，水声领域出现了很多使用深度学习对辐射噪声信号进行分类识别的研究。

⒈传统舰船目标识别方法

传统的舰船目标识别方法主要可以分为基于人工的分类方法、基于统计学的分类方法和机器学习的分类方法。对于舰船目标的分类识别，最初是水声目标领域的专家通过自身经验对舰船进行识别。基于统计分析的舰船目标识别方法主要有贝叶斯模式分类方法、聚类分析方法、支持向量机（SVM）、决策树、近邻法、隐马尔可夫模型等。

⒉基于深度学习的舰船目标识别方法

深度学习的多层神经网络结构使得算法可以模仿人脑中的神经元来进行学习与预测，从而更好地处理与分析复杂数据。利用深度学习技术对舰船辐射噪声进行识别是近年来的一个热点问题。在水声目标识别领域中，主要使用卷积神经网络、深度置信网络和长短时记忆网络对目标进行识别。

（四）待解决的研究问题

根据上述内容可知，目前舰船辐射噪声识别的研究中还存在一些问题。

⑴辐射噪声特征选择问题。随着现代信号处理技术的进步与发展，根据舰船辐射噪声提取的特征信息越来越多，成熟的深度神经网络同样很多，通过不同特征提取方法提取的特征参数，往往适用于特定的神经网络，因此，选取合适的特征提取方法并搭配合适的神经网络进行目标识别是当前需要重点研究的问题。

⑵训练数据较为缺乏问题。深度学习是实现舰船目标自动识别的关键技术。使用深度学习的重要条件就是需要大量的训练数据作支撑，尽管目前有大量的数据库可供使用，但这些数据库内容不同，目标类型和数据量也不同，使得深度学习在舰船目标识别领域的应用有一定的限制。因此，构建丰富的训练数据是深度学习的应用使得舰船目标识别技术正逐步实现从人工到智能化的转变重要支撑。

⑶识别训练模型适配问题。近些年发展起来的迁移学习技术能够为相似目标的识别提供新的研究方向，而数据增广技术则可以增加相似数据的质量。由于制造工艺、航行状态等的影响，即使是同一类型的舰船，辐射噪声也可能存在差异。为解决这一问题，可以通过迁移学习的方法解决数据不匹配情况下造成的识别错误。

二、展望

围绕舰船辐射噪声识别的研究现状，总结了其未来发展方向如下。

1.智能化和自动化识别。舰船的辐射噪声数据采集相对比较容易，可以获取大量实测数据，仅靠人工进行识别比较困难。随着人工智能技术的飞速发展，将其应用于舰船辐射噪声智能化和自动化识别将是未来研究方向之一。此外，适用于舰船的辐射噪声数据处理大数据算法也需要同步开展研究。

2.多目标检测分类识别。除了海洋环境背景噪声干扰，现实中往往会存在多个目标信号混合干扰的情况，因此，多目标混合信号检测与识别是舰船辐射噪声识别的重要发展方向。

3.微弱信号检测与识别。随着减振降噪技术发展和消声措施的进步，舰船的辐射噪声强度有了显著降低，辐射噪声在水声信道长距离传播再被接收后信号强度也会明显下降。因此，检测与识别微弱舰船辐射噪声信号将是水声目标探测的重要研究方向。