复杂干扰条件下水下声学目标检测算法研究

关键：是否涵盖动态目标特征处理

背景

针对浅海条件下被动声呐系统对目标探测信号的处理需求，包括主要任务目标——运动要素解算，经过对各种水下目标声学特征的分析，发现线谱特征具有稳定、明显的优点，较为适合解决这一问题，于是，落脚于线谱特征的提取任务上。

线谱特征提取任务一般分为三个流程：预处理、线谱提取、线谱跟踪。其中，预处理包括降噪和对线谱的增强，线谱提取包括找到线谱位置、估计线谱中心频率、提取线谱瞬时频率，线谱跟踪包括线谱优化、连接时频图中断续的线谱、对线谱进行预测。

得到完整的线谱特征之后，即可通过多普勒效应，判断目标状态、解算目标速度。

问题

如何对被动声呐测得的低信噪比信号进行预处理，滤去海洋环境噪声和自噪声，得到更高信噪比的目标辐射噪声。
如何判别是否是线谱特征，找到线谱在频域和时频域的位置。
如何提取出更准确的线谱瞬时频率，包括连接断续线谱。
如何通过提取的特征得到动态目标运动要素的问题。

方法

小波阈值降噪及其改进、经验模态分解、变分模态分解、奇异谱分解

基于线谱形状特性的线谱提取，采用时间序列预测的办法连接断续线谱

互谱法、瞬时频率法

未解决问题

降噪方面：

自噪声问题未解决

线谱特征提取方面：

线谱断续

如何判定是否采集到中心频率时刻，如果未采集到，如何处理的问题

线谱跟踪问题

线谱分析方法

LOFAR (Low frequency analysis and recording)谱可反映信号的非平稳特性，进而可提取信号中的宽带线谱分布特征。但是轴频及其倍频却因为基本上都淹没在低频宽带噪声中而无法直接获取。

而舰船宽带噪声高频段存在调制现象，DEMON (Detection of Envelope Modulation On Noise)分析通过对接收的宽带信号进行解调以获得低频的包络谱，从而获得了诸如目标轴频、叶频等低频段较强的物理特征。

可以说，由LOFAR分析可获得反应舰船目标各部件结构特征的宽频带特征，而DEMON分析则获得较低频段的强制线谱特征，弥补了LOFAR分析在低频段的不足，共同描绘了目标信号的谱系特征。

LOFAR谱图分析

LOFAR谱图分析是较具代表性的被动声纳信号处理方法之一。该方法通过对采样数据作短时傅立叶变换而构成信号表达的三维图（声谱图）。

当噪声信号随时间发生比较明显的变化，即信号出现非平稳特性时，建立在平稳性假设基础上的传统的傅立叶表示方法已不适合应用。而信号的LOFAR谱图从时间和频率两个角度对信号进行联合域分析，适宜于水声目标辐射噪声的局部平稳特性。

LOFAR谱图的具体实现步骤如下：
（1）将原始信号的采样序列分成连续的若干段，每段N个采样点。根据具体情况，段间可有部分重叠。
（2）对每段信号采样样本L(n)作归一化和中心化处理，归一化处理的目的是使接收信号的幅度（或方差）在时间上均匀；中心化是为了使样本的均值为零。

(3)对信号x(n)作短时傅立叶变换得到LOFAR谱图。

DEMON谱图分析

DEMON谱是从接收信号的高频调制谱中解调出的线谱信息，是一种常用的获取轴频与倍频的方法。

在舰船辐射噪声中，螺旋桨节拍对舰船的辐射噪声存在着明显的振幅调制，调制频率等于螺旋桨转速或螺旋桨叶片频率（轴频乘以叶片数目）。因此舰船辐射噪声具有鲜明的节奏感。这种幅度调制信号即包络信号是一种慢变化信号，它反映了能量随时间的变化，由周期性成分和非周期性成分组成。通常采用宽带噪声包络调制分析技术测量其基频和各次谐波，提取螺旋桨的轴频和叶片频，这种方法称为DEMON。

在DEMON分析中，一般选取调制最强的时变谱频段进行包络检测，然后进行频谱分析得到DEMON谱。根据信号调制的原理，舰船噪声以周期性局部平稳过程为模型可表示为：

n(t)是宽带平稳白色高斯随机过程；
f(t)是调制函数，它是慢变化的周期函数，它所在的频域比n(t)所在频域的频率要低得多。
利用平方解调方法即可获得调制信号f(t)。
再对获得的解调信号进行FFT处理即可得到解调信号的DEMON谱。
这可以称为基本的DEMON分析过程，流程图：–>带通滤波–>平方检波–>低通滤波–>FFT

仅仅做基本的DEMON分析是不够的，不能获得理想的DEMON线谱。舰船噪声调制信号对不同频带噪声信号的调制程度不一样，对某些频带调制强，对其它频带则相对调制弱些。另外，各个频带的DEMON谱线也不可能完全相同，不同频段存在不同的谱线缺失现象，同时还可能存在“虚假谱线”。采用分频段处理结果的方法可以弥补单一频段解调DEMON谱处理的不足。
由于所获得的DEMON谱中存在连续谱而使线谱成分不明显，还存在谱线靠的太近而无法分辨的情况，使DEMON谱看起来比较“模糊”。这就要求将分频段处理再融合获得的DEMON谱中的连续谱去除，并进一步进行线谱净化处理，使谱线更加清晰。

应用α双向滤波器获得DEMON谱的趋势项，再以趋势项适当的倍数为门限，保留原始DEMON谱中过此门限的谱线即可做到线谱与连续谱的分离，获得DEMON谱线。

α双向滤波器是一阶递归滤波器，设某采样信号s(n)长度为N，当n=1,2,…,N−1,m-1，m=1,2,…,N时，α双向滤波器的基本原理可表示为

sm(k)为经过α双向滤波器后获得的信号，Q为递归系数，递归系数的值越大，跟踪能力越好，滤波效果越差。当递归系数取2的整数幂的形式时，用移位就可以实现整个滤波，并且不用担心溢出问题。

综上所述，将DEMON分析方法的具体实现步骤归纳整理如下：
（1）选取可能具有较强振幅调制的目标噪声信号的频带，一般选择大于1000Hz某频带范围（例如3000-5000Hz）的信号，将此频带内的信号按照一定的规律（平均或按比例或按频程）分为N个频带进行时域滤波，对每个频带的信号分别进行平方检波以得到其包络信号，对包络信号进行FFT运算获得到该频带的DEMON谱，假设为Pi,i=1,2,…,N。
（2）对每个频带的解调信号的DEMON谱Pi进行加权处理。将第i(1≤i≤N)个频段的DEMON谱Pi经过α双向滤波器，适当选取递归系数Q的值，可得到趋势项即连续谱Pi。
（3）将以上获得的N个归一化处理的DEMON线谱和与其相应的加权系数相乘，再进行求和就得到了较完善的DEMON谱P。
（4）DEMON线谱P的净化。经过α双向滤波器，适当选取递归系数Q的值，得到趋势项即连续谱P。

LSTM网络

LSTM网络是一种改进后的RNN网络结构，由Hochreiter & Schmidhuber (1997)[1]提出，并在近期被Alex Graves[2]进行了改良和推广，通过一种特殊的信息交互单元，使得输入信息在梯度中传递时能保持更长时间的历史数据，进而能够处理时间序列的长度大大增加，完善了RNN存在的长时依赖的问题，被广泛用于各种时间序列信号的预测任务[3] 。

在结构上，LSTM的基本单元具有三个信息门结构，如下图所示，由遗忘门、更新门以及输出门组成。

遗忘门决定对哪些信息进行更新，以及丢弃哪些历史信息。具体计算公式为：

$f_t=\sigma(W_f \cdot [h_{t-1},x_t]+b_f )$

更新门丢弃掉这些信息，进而更新下一步的候选值,并更新当前的状态，具体计算公式为：

$i_t=\sigma(W_f \cdot [h_{t-1},x_t]+b_i )$

$\tilde{C}t=\sigma(W_C \cdot [h{t-1},x_t]+b_C )$

$C_t=f_t * C_{t-1}+i_t * \tilde{C}_t$

输出门确定要输出以及迭代至下一步的信息。具体计算公式为：

$o_t=\sigma(W_o \cdot [h_{t-1},x_t]+b_o )$

$h_t=o_t * tanh(C_{t})$

[1] Hochreiter S , Schmidhuber J . Long Short-Term Memory[J]. Neural Computation, 1997, 9(8):1735-1780.

[2] Graves A , Wayne G , Danihelka I . Neural Turing Machines[J]. Computer Science, 2014.

[3] Gers F A , Eck D , Jürgen Schmidhuber. Applying LSTM to Time Series Predictable through Time-Window Approaches[C]// International Conference on Artificial Neural Networks. Springer, Berlin, Heidelberg, 2001.