一种基于多特征的舰船辐射噪声样本长度选取方法与系统

1.本发明涉及水声通信对抗技术领域，尤其是一种基于多特征的舰船辐射噪声样本长度选取方法与系统。


背景技术：

2.未来的战争是信息战的较量，信息战在现代军事战争中占重要位置。
3.近年来，在水声通信对抗领域，水下目标特征提取与识别成为了世界各国研究的热点。一般来说，水下环境中，声信号的传播距离要远远大于其余信号的传播距离，并且能够通过声呐设备截获，所以水下目标的特征提取与目标识别往往是基于目标的声信号来进行。
4.舰船能够搭载大量的武器设备和运送人员，在现代海洋战争中占据重要地位。不同的舰船目标需要不同的打击策略，所以舰船目标的识别分类在军事部署中有着十分重要的作用。舰船辐射噪声是舰船目标在行进过程不可避免产生的噪声信号，也就是说能够通过这种不可避免的声信号对舰船目标进行识别分类是一种行之有效的方式。
5.船舶辐射噪声通由机械、水动力和螺旋桨噪声组合而成。机械噪声由柴油机、发电机和空调机组产生，主要包括线谱。水动力噪声是具有连续频谱的时间平稳信号，而螺旋桨噪声一般分为非空化噪声和空化噪声。后者是主要成分，包括连续谱和线谱，其叠加导致非正态频率分布。同时，存在环境噪声，以及传播过程中的多径和多普勒效应，使舰船辐射噪声具有非线性、非高斯、非平稳三种特性。
6.对舰船辐射噪声进行识别时，首先就要考虑在进行样本分割时每个样本的长度。当样本长度过短，就很难提取到舰船辐射噪声的特征；样本长度过长，就会造成提取特征的时间过长，同时也会导致分类时间较长。但在现有的对舰船辐射噪声的研究中，并没有一个具体的舰船辐射噪声长度的选取标准。


技术实现要素：

7.本发明提出了一种基于多特征的舰船辐射噪声样本长度选取方法与系统，以解决上文提到的现有技术的缺陷。
8.在一个方面，本发明提出了一种基于多特征的舰船辐射噪声样本长度选取方法，该方法包括以下步骤：
9.s1：以不同的样本长度对舰船辐射噪声进行分割，形成不同的舰船辐射噪声样本集；
10.s2：分别对每个所述舰船辐射噪声样本集进行特征提取，所述特征提取包括分别提取多种特征；
11.s3：针对每个所述舰船辐射噪声样本集，将提取出的每种特征分别输入到分类器中进行训练，计算出每种特征对应的识别率；
12.s4：针对每种特征根据其对应的识别率确定样本长度和识别率的关联信息，对每
种特征所得到的所述关联信息进行综合判决，从而选取出所需的样本长度。
13.以上方法根据舰船辐射噪声信号的特点，通过梅尔频率倒谱系数(mfcc)、伽玛通频率倒谱系数(gfcc)、样本熵(se)、色散熵(de)和多尺度加权排列熵(mwpe)这五种能够反应信号不同方面参数的特征作为分类的依据，并采用支持向量机(svm)作为分类器观察其在不同样本长度下的识别结果，选取合适的样本长度。利用上述步骤选取的样本长度，既能够保有信号绝大部分的特质，能够保证样本能够提取出有效的特征；同时又在此基础上尽可能减少每个样本的长度来减少在进行特征提取和目标识别过程的处理时间。本方法相较于传统的随机选取样本长度的方式，增加了样本携带的信息量，减少后续过程的处理时间。
14.在具体的实施例中，每个所述舰船辐射噪声样本集中包含多个具有相同的样本长度的样本，不同的舰船辐射噪声样本集中的样本具有不同的样本长度。
15.在具体的实施例中，所述特征包括：梅尔频率倒谱系数(mfcc)、伽玛通频率倒谱系数(gfcc)、色散熵(de)、样本熵(se)和多尺度加权排列熵(mwpe)。本方法采用了mfcc，gfcc,de,se,mwpe五种能够反应信号不同方面性质的特征作为参数。
16.在具体的实施例中，所述将提取出的每种特征分别输入到分类器中进行训练，计算出每种特征对应的识别率，具体包括：
17.将提取出的每种特征分别输入到支持向量机(svm)中进行训练。
18.在具体的实施例中，所述s3具体包括：
19.针对每个所述舰船辐射噪声样本集，将提取出的每种特征分别输入到分类器中进行训练，从而根据每个所述舰船辐射噪声样本集基于每种特征进行训练识别出结果，再根据结果计算对应的识别率。
20.在具体的实施例中，所述s4具体包括：
21.结合每个所述舰船辐射噪声样本集的不同的样本长度，绘制出每种特征对应的用于表征样本长度和识别率关系的识别率曲线，再根据所述识别率曲线的收敛状态进行决策级的综合判决，从而选取出所需的样本长度。
22.在具体的实施例中，所述根据所述识别率曲线的收敛状态进行决策级的综合判决，从而选取出所需的样本长度，具体包括：选取每种特征对应的所述识别率曲线中曲线开始收敛时的样本长度，再对选取出的样本长度进行分析，选取使得所有识别率曲线都收敛的样本长度作为所需的样本长度。
23.根据本发明的第二方面，提出了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机处理器执行时实施上述方法。
24.根据本发明的第三方面，提出一种基于多特征的舰船辐射噪声样本长度选取系统，该系统包括：
25.噪声样本分割模块：配置用于以不同的样本长度对舰船辐射噪声进行分割，形成不同的舰船辐射噪声样本集；
26.特征提取模块：配置用于分别对每个所述舰船辐射噪声样本集进行特征提取，所述特征提取包括分别提取多种特征；
27.特征识别模块：配置用于针对每个所述舰船辐射噪声样本集，将提取出的每种特征分别输入到分类器中进行训练，计算出每种特征对应的识别率；
28.样本长度选取模块：配置用于针对每种特征根据其对应的识别率确定样本长度和
识别率的关联信息，对每种特征所得到的所述关联信息进行综合判决，从而选取出所需的样本长度。
29.本发明以不同的样本长度对舰船辐射噪声进行分割，形成不同的舰船辐射噪声样本集；分别对每个所述舰船辐射噪声样本集进行特征提取，所述特征提取包括分别提取多种特征；针对每个所述舰船辐射噪声样本集，将提取出的每种特征分别输入到分类器中进行训练，计算出每种特征对应的识别率；针对每种特征根据其对应的识别率确定样本长度和识别率的关联信息，对每种特征所得到的所述关联信息进行综合判决，从而选取出所需的样本长度。本发明相较于传统的随机选取样本长度的方式，增加了样本携带的信息量，减少后续过程的处理时间。
附图说明
30.包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点，因为通过引用以下详细描述，它们变得被更好地理解。通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本技术的其它特征、目的和优点将会变得更明显：
31.图1是本发明的一个实施例的一种基于多特征的舰船辐射噪声样本长度选取方法的流程图；
32.图2是本发明的一个具体的实施例的梅尔频率倒谱系数算法流程图；
33.图3是本发明的一个具体的实施例的梅尔频率倒谱系数特征图；
34.图4是本发明的一个具体的实施例的伽玛通频率倒谱系数算法流程图；
35.图5是本发明的一个具体的实施例的伽玛通频率倒谱系数特征图；
36.图6是本发明的一个具体的实施例的多特征识别结果图；
37.图7是本发明的一个实施例的一种基于多特征的舰船辐射噪声样本长度选取系统的框架图。
具体实施方式
38.下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
39.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
40.根据本发明的一个实施例的一种基于多特征的舰船辐射噪声样本长度选取方法，图1示出了根据本发明的实施例的一种基于多特征的舰船辐射噪声样本长度选取方法的流程图。如图1所示，该方法包括以下步骤：
41.s1：以不同的样本长度对舰船辐射噪声进行分割，形成不同的舰船辐射噪声样本集；
42.s2：分别对每个所述舰船辐射噪声样本集进行特征提取，所述特征提取包括分别提取多种特征；
43.s3：针对每个所述舰船辐射噪声样本集，将提取出的每种特征分别输入到分类器中进行训练，计算出每种特征对应的识别率；
44.s4：针对每种特征根据其对应的识别率确定样本长度和识别率的关联信息，对每种特征所得到的所述关联信息进行综合判决，从而选取出所需的样本长度。
45.在具体的实施例中，每个所述舰船辐射噪声样本集中包含多个具有相同的样本长度的样本，不同的舰船辐射噪声样本集中的样本具有不同的样本长度。
46.在具体的实施例中，所述特征包括：梅尔频率倒谱系数(mfcc)、伽玛通频率倒谱系数(gfcc)、色散熵(de)、样本熵(se)和多尺度加权排列熵(mwpe)。
47.在具体的实施例中，所述将提取出的每种特征分别输入到分类器中进行训练，计算出每种特征对应的识别率，具体包括：
48.将提取出的每种特征分别输入到支持向量机(svm)中进行训练。
49.在具体的实施例中，所述s3具体包括：
50.针对每个所述舰船辐射噪声样本集，将提取出的每种特征分别输入到分类器中进行训练，从而根据每个所述舰船辐射噪声样本集基于每种特征进行训练识别出结果，再根据结果计算对应的识别率。
51.在具体的实施例中，所述s4具体包括：
52.结合每个所述舰船辐射噪声样本集的不同的样本长度，绘制出每种特征对应的用于表征样本长度和识别率关系的识别率曲线，再根据所述识别率曲线的收敛状态进行决策级的综合判决，从而选取出所需的样本长度。
53.在具体的实施例中，所述根据所述识别率曲线的收敛状态进行决策级的综合判决，从而选取出所需的样本长度，具体包括：选取每种特征对应的所述识别率曲线中曲线开始收敛时的样本长度，再对选取出的样本长度进行分析，选取使得所有识别率曲线都收敛的样本长度作为所需的样本长度。
54.为了详细的介绍本发明的内容，下面对一些概念进行阐述或者规定：
55.定义一：梅尔频率倒谱系数(mfcc)
56.mfcc是基于通过耳蜗的模拟声信号的特性的特征参数，其中mel标度描述了人耳频率的非线性特征，mfcc是在这个频率的非线性特征下提取的倒谱系数。频率和梅尔标度之间的关系可以使用以下等式来近似：
[0057][0058]
其中，f为信号的频率，其余参数是由耳蜗模型得到的参数。信号通过高通滤波器进行预加权，分成长度为256帧的帧，同时对每一帧应用汉明窗，增强两端的连续性。接下来，对这些帧应用快速傅立叶变换，然后基于梅尔尺度通过三角形滤波器组。之后，计算每个滤波器输出的对数能量，并应用离散余弦变换(dct)最终获得mfcc特征。
[0059]
定义二：伽玛通频率倒谱系数
[0060]
伽玛通滤波器模拟人耳的频谱分析和选频特性，具有很强的抗噪能力，在强干扰环境下保持良好的分类性能。它是一个带通滤波器，在时域中定义为：
[0061]
g(t,fc)＝at
n-1
e-2πbt
cos(2πfct φ)
[0062]
其中，n为滤波器阶数，a为滤波器增益，b为滤波器的衰减因子，fc为中心频率，φ
为滤波器的相位。
[0063]
伽玛通滤波器组是使用一系列具有不同中心频率的伽玛通滤波器组合形成的。中心频率首先通过将等效带宽标度等分得到，然后映射到线性标度以确定每个伽玛通滤波器的中心频率。之后，可以使用对数运算和离散余弦变换(dct)获得特征gfcc参数。
[0064]
定义三：样本熵
[0065]
样本熵是通过度量信号中产生新模式的概率大小来衡量时间序列复杂性，新模式产生的概率越大，序列的复杂性就越大。样本熵的计算不依赖数据长度；样本熵具有更好的一致性，即参数m和r的变化对样本熵的影响程度是相同的。样本熵的值越低，序列自我相似性就越高；样本熵的值越大，样本序列就越复杂。
[0066]
对n个数据组成的时间序列{x(n)}＝x(1),x(2),...,x(n)，样本熵的计算方法如下：
[0067]
(1)按序号组成一组维数为m的向量序列，xm(1),...,xm(n-m 1)，其中， xm(i)＝{x(i),x(i 1),...,x(i m-1)},1≤i≤n-m 1，这些向量代表从第i个点开始的m的连续的x的值。
[0068]
(2)定义向量xm(i)与xm(j)之间的距离d[xm(i),xm(j)]为两者对应元素中最大差值的绝对值。即：
[0069]
d[xm(i),xm(j)]＝max
k＝0,...,m-1
(|x(i k)-x(j k)|)
[0070]
(3)对于给定的xm(i)，统计xm(i)与xm(j)之间的距离小于等于r的 j(1≤j≤n-m,j≠i)的数目，并记作bi。对于1≤j≤n-m，定义：
[0071][0072]
(4)定义b
(m)
(r)为：
[0073][0074]
(5)重复(1)～(4)中的步骤，得到b
m 1
(r)。
[0075]
(6)得到样本熵：
[0076]
定义四：色散熵
[0077]
色散熵是用于衡量时间序列复杂性和不规则性的度量，它对频率、幅度和时间序列带宽的变化很敏感，不需要对每个嵌入向量的幅度值进行排序。色散熵的计算效率很高。计算方法如下：
[0078]
(1)用正态分布函数把x映射到y＝{yj,j＝1,2,...,n},yj∈(0,1)，正态分布为：
[0079][0080]
其中，μ和σ表示为时间序列x的期望和标准差。
[0081]
(2)使用线性映射将y映射到[1,2,...,c]范围内：c为种类数量。
[0082]
(3)计算嵌入向量(3)计算嵌入向量
[0083]
其中，m和d为嵌入维数和时间延迟。
[0084]
(4)计算色散模式：如果如果如果的色散模式为
[0085]
(5)计算每个色散模式的概率：
[0086]
(6)得出色散熵：
[0087]
定义五：多尺度加权排列熵
[0088]
排列熵适用于时间序列，因为它测量它们的随机性并检测它们的动态变化。它可以通过相邻值的比较快速获得。加权排列熵是一种基于pe的改进算法，它充分考虑了同阶相邻向量的幅度可能不同。多尺度分析可用于估计不同尺度原始数据的复杂度。基于多尺度分析和加权排列熵，多尺度加权排列熵可以更好的分析信号多个尺度的加权排列熵，更加适合三非信号的分析。计算方法如下：
[0089]
(1)对时间序列进行重构：
[0090]
xi＝{x(i),x(i τ),...,x(i (m-1)τ),i＝1,2,...,n-(m-1)τ}
[0091]
其中，m为嵌入维度，τ为时间延迟。
[0092]
(2)对序列按增序，x(i (j
1-1)τ)≤x(i (j
2-1)τ)≤
…
≤x(i (j
m-1)τ)，进行重排，若两个重排的元素相等，排序可写为： x(i (j
1-1)τ)≤x(i (j
2-1)τ)(j1≤j2)，然后可得到一组符号为：
[0093]
s(g)＝(j1,j2,...,jm)
[0094]
(3)若符号序列的概率为p1,p2,...,pk，可得到排列熵：
[0095][0096]
(4)加权排列熵中的权重可以计算为：
[0097][0098]
(5)计算相对加权频率：
[0099][0100]
(6)得到加权排列熵：
[0101][0102]
(7)多尺度加权排列熵则是在此基础上将时间序列进行粗粒化，并求取每个粗粒度序列的加权排列熵。进行粗粒化的时间序列为：
[0103][0104]
(8)得出多尺度加权排列熵：
[0105][0106]
下面结合具体的特征提取过程来阐述本发明的方案的具体过程：
[0107]
图2示出了本发明的一个具体的实施例的梅尔频率倒谱系数算法流程图，如图2以及定义一中所示，首先要对信号进行一定的预加重，进行分帧和加窗。之后通过fft将信号转换到频域，然后再通过梅尔滤波器组：
[0108][0109]
其中f为信号频率，其余参数为耳蜗模型得出的参数。之后对梅尔频率参数取对数并进行离散余弦变换即可得到最终的梅尔频率倒谱系数。
[0110]
图3是本发明的一个具体的实施例的梅尔频率倒谱系数特征图，如图3 通过求出不同样本长度下的梅尔频率倒谱系数，并将其输入到支持向量机中进行分类，得出识别率，并以此作为综合判决的判据之一。
[0111]
图4是本发明的一个具体的实施例的伽玛通频率倒谱系数算法流程图，如图4所示，和梅尔频率倒谱系数不同之处在于，直接对信号进行快速傅里叶变换，将信号转化到频域，之后通过伽玛通滤波器组转化到伽玛通频率，再进行取对数和离散余弦变换求取倒谱系数，最终得到伽玛通倒谱系数。
[0112]
图5是本发明的一个具体的实施例的伽玛通频率倒谱系数特征图，如图 5所示，通过得出不同样本长度下的伽玛通频率倒谱系数，并将其输入到支持向量机中进行分类，得出识别率，并以此作为综合判决的判据之一。
[0113]
在本实施例中，选取样本长度以100个采样点为基本单位，同时，设置样本长度的范围为：从100个采样点到2500个采样点，以此范围的样本长度分别对舰船辐射噪声样本进行切割。
[0114]
图6是本发明的一个具体的实施例的多特征识别结果图，从图6中可以看出，在样本长度小于等于500个采样点的时候，mfcc特征的识别率为0。这是因为mfcc算法需要对样本信号进行分帧，而此时样本长度过短，难以获得完整的帧，所以就难以提取到有效的特征，因此识别率0。随着样本长度的不断增大，所有特征下的识别率均有稳定的上升趋势，直到长度1600 个采样点的时候，识别率达到顶峰，之后再次增加样本长度，这些特征下的识别率并没有明显的增长，而是在一定范围内不断波动，我们可以认为此时各个特征的识别率已经达到了收敛状态，因此最终选取的舰船辐射噪声的样本长度为1600个采样点。
[0115]
应当认识到，以上内容是具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施方式局限于这些说明，本发明以舰船辐射噪声的样本长度选取展开，对于具有非线性，非高斯，非平稳特性，难以确定信号周期等信息的信号的样本长度选取在不脱离分发明构思的前提下，做出若干简单的推演或替换，都应当属于本发明的保护范围。
[0116]
图7示出了本发明的一个实施例的一种基于多特征的舰船辐射噪声样本长度选取
系统的框架图。该系统包括噪声样本分割模块701、特征提取模块 702、特征识别模块703和样本长度选取模块704。
[0117]
在具体的实施例中，噪声样本分割模块701被配置用于以不同的样本长度对舰船辐射噪声进行分割，形成不同的舰船辐射噪声样本集；
[0118]
特征提取模块702被配置用于分别对每个所述舰船辐射噪声样本集进行特征提取，所述特征提取包括分别提取多种特征；
[0119]
特征识别模块703被配置用于针对每个所述舰船辐射噪声样本集，将提取出的每种特征分别输入到分类器中进行训练，计算出每种特征对应的识别率；
[0120]
样本长度选取模块704被配置用于针对每种特征根据其对应的识别率确定样本长度和识别率的关联信息，对每种特征所得到的所述关联信息进行综合判决，从而选取出所需的样本长度。
[0121]
本系统以不同的样本长度对舰船辐射噪声进行分割，形成不同的舰船辐射噪声样本集；分别对每个所述舰船辐射噪声样本集进行特征提取，所述特征提取包括分别提取多种特征；针对每个所述舰船辐射噪声样本集，将提取出的每种特征分别输入到分类器中进行训练，计算出每种特征对应的识别率；针对每种特征根据其对应的识别率确定样本长度和识别率的关联信息，对每种特征所得到的所述关联信息进行综合判决，从而选取出所需的样本长度。本发明相较于传统的随机选取样本长度的方式，增加了样本携带的信息量，减少后续过程的处理时间。
[0122]
本发明的实施例还涉及一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机处理器执行时实施上文中的方法。该计算机程序包含用于执行流程图所示的方法的程序代码。需要说明的是，本技术的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。
[0123]
本发明以不同的样本长度对舰船辐射噪声进行分割，形成不同的舰船辐射噪声样本集；分别对每个所述舰船辐射噪声样本集进行特征提取，所述特征提取包括分别提取多种特征；针对每个所述舰船辐射噪声样本集，将提取出的每种特征分别输入到分类器中进行训练，计算出每种特征对应的识别率；针对每种特征根据其对应的识别率确定样本长度和识别率的关联信息，对每种特征所得到的所述关联信息进行综合判决，从而选取出所需的样本长度。本发明相较于传统的随机选取样本长度的方式，增加了样本携带的信息量，减少后续过程的处理时间。
[0124]
以上描述仅为本技术的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本技术中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本技术中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。