基于渔探仪的目标双谱特征提取

引言

在水声信号分析与处理领域中相关函数及相应的功率谱得到了广泛的应用，对于高斯随机过程来说，掌握了其均值与自相关函数就等于掌握了由高斯过程所确定的任意维高斯随机变量的概率密度函数，通过高斯过程的均值与自相关函数就有可能充分利用过程所包含的全部统计特性。然而对于非高斯随机过程来说，并不具有这样的特点。研究高于二阶的高阶矩，目的是为了有可能在更充分的意义上分析并利用非高斯随机过程。由高阶矩分析引出了与它直接相联系的高阶累积量与高阶累积量谱(高阶谱)的概念［1］。双谱是高阶谱中阶数为三的一种情况，其应用也最广泛。本文基于水下目标辐射噪声信号的非高斯特性，提取了渔探仪采集到的5类水下目标信号的双谱特征，取得了令人满意的效果。

1目标信号的双谱特征提取方法［2］

在实际的随机信号分析与处理中，不论是决定随机变量或随机过程统计特性的概率密度函数，也不论是各类统计特性，比如：自相关函数、均方差、均值、高阶谱往往不能得到严格意义上的真值，而不得不代之以实际“真实值”存在差异的所谓“估计值”。如同谱估计被分为非参数和参数化两大类方法一样，双谱估计也分为非参数化和参数化两种［3］。下面给出非参数化双谱估计的一种直接算法。

步骤 1 将数据{X1，…，XN，}分成K段，每段M个样本，即N=KM，并减去每段的样本均值。

步骤 2 计算每段的DFT系数

上式中：x(i)(t)(t=0，1，…，M-1)为第i段的数据：

步骤3计算

(i=1，2，…，K)式中：0≤λ2≤λ1，λ1+λ2≤fs／2且fs为采样频率：Δ0=fs／N0是频率

样本间所要求的空间：N0和L1满足M=(2L1+1)N0；

步骤4所给数据的双谱估计值由K段的平均结果给出［4］，即

2 渔探仪目标信号的双谱特征提取

本文在湖上实验时采用发射换能器发射的不同频率信号代替鱼群信号。在实验数据当中取五类发射频率不同的信号代表五类目标，分别为A类、B类、C类、D类、E类。所用数据的采样频率为50kHz，信噪比不小于6dB，分析信号的样本长度为102400点。计算双谱时，将每个样本划分为100段，每段长为1024点，最后得到512×512点的双谱幅度谱。考虑到渔探仪的硬件滤波带宽，在特征提取时只采用信号低频段(0
图１五类渔探仪目标信号的双谱三维特征图 [page]

在归一化双谱三维特征图中按fs／M的间隔沿着y轴做平行于xz平面的等间隔截面，可得到双谱低频端的100个截面，取100个截面中各截面的最大双谱值作为特征向量，由以上方法可以得到100维特征向量，频率范围从100Hz——5kHz。图2表示五类目标的100个最大双谱幅度值的连线图，可见不同类别的目标特征存在着一定的差异，且数据量得到很大的压缩。

图2五类渔探仪目标信号的双谱二维特征图

3双谱特征提取的性能分析

利用BP神经网络对五类目标的双谱特征进行识别，以检验双谱估计提取渔探仪目标特征的有效性。

表 1基于双谱估计的五类目标识别结果(已学习样本)

表 2基于双谱估计的五类目标识别结果(非学习样本)

由五类目标识别结果可以看出：

BP神经网络目标分类器对已学习过的样本的识别率比较高，均能达到95％以上，而对未学习过的样本的识别率相对来说比较低，这是因为未学习过的样本信号形式与目标分类器学习过的样本信号形式存在一定差异，总的目标识别率和其它已有的神经网络目标分类器相比较高，体现了利用双谱估计对渔探仪目标信号进行特征提取是有效的。同时也是因为湖上试验数据均是在强信噪比的情况下所获得的，而且五类目标信号之间的差异性比较大。

4结论

前面讨论了双谱特征提取方法，利用双谱估计算法对渔探仪目标信号进行特征提取，通过BP神经网络来对目标的双谱特征进行分类。通过湖上实验，结果表明，该方法能够有效的提取水下目标辐射噪声的非高斯特征分量。采用高阶谱进行目标特征提取是当今目标特征提取方法中比较前沿的方法之一，尚存在诸多问题，有待今后做进一步的研究。

参考文献
〔1〕 张贤达，保铮．通信信号处理[M]．北京：国防工业出版社，2000，277—286
〔2〕 沈凤麟，叶中付，钱玉美．信号统计分析与处理[M]．合肥：中国科学技术大学出版社，2001，112—125
〔3〕何振亚．多维数字信号处理[M]．国防工业出版社，1995，205—214
〔4〕彭圆，申丽然，李雪耀，王科俊．基于双谱的水下目标辐射噪声的特征提取与分类研究[J]．哈尔滨工程大学学报，2003，24(4)：390—393(end)