专利名称：一种水下目标辐射噪声信号的特征提取方法
技术领域：
本发明涉及ー种水下目标辐射噪声信号的特征提取方法，
背景技术：
水下目标的自动识别是现代声纳与水声对抗系统的重要组成部分。目标识别中最为关键的技术是特征提取。特征參数是否有效，在于其中包含的类别信息是否足够多，而干扰信息是否足够少，如果不能采用有效的特征，即便有出色的分类器也无法得到理想的分类识别結果。几十年来，已出现了一系列针对水下噪声信号的特征提取方法，主要有以下几种基于谱分析的特征提取、基于舰船噪声的非线性特征提取、基于小波变换的特征提取 法、神经网络特征提取法以及基于人耳听觉特征的特征提取方法。已有大量研究表明这些方法在实验室条件下具有良好的识别性能，但也都有一定的不足或受到ー些因素的限制。水下目标识别技术分为主动识别和被动识别两类。前者利用声纳发射脉冲声信号，根据接收到的回波信号特征对目标属性作出判决，其优点在于接收到的回波信号中携带着大量有利于分类识别，且反映目标本质特性的信息，但存在一个明显缺点，即易于暴露，不利于自我保护。被动目标识别可以弥补这ー不足，它利用被动声纳接收到的水下目标辐射噪声特性进行分类判决，具有隐蔽性好的优点，但是也存在接收信号信噪比低等不利于识别的问题。特征提取是水下目标识别中最为关键的技术之一，特征參数的种类及维数直接决定着分类识别的正确率。多年来已发展了大量的声学特征提取方法，在一定条件下都具有较好的分类识别效果。但对于复杂环境，提高识别系统鲁棒性仍是ー项难题，除了解决通道失配等问题外，仍需要不断探索新的稳健特征提取方法。到目前为止，还没有哪种特征參数能适用于不同环境下的水下目标识别，因此针对水下噪声信号的特征提取仍就是一个开放性的研究内容。本专利拓展了水下噪声信号的特征提取方法。
发明内容
要解决的技术问题为了避免现有技术的不足之处，本发明提出ー种水下目标辐射噪声信号的特征提取方法，首先将声信号转化为图像即可视化，然后提取其图像特征。这主要是考虑到图像是ニ维信号，相比于ー维时间序列可能包含更多潜在的特征信息，且图像特征提取与识别已有大量成功的应用。技术方案ー种水下目标辐射噪声信号的特征提取方法，其特征在于步骤如下步骤I :对水下目标的离散时域采样信号X(P)进行分帧处理得到分帧处理后信号Xn(m),其中p为时域米样点序号，p = 0,1,2, ···, P-I, P为信号长度；n是中贞序号，m是中贞同步的时间序号，N为帧长，m = 0，1，2，-,N-I ；
步骤2 :对分帧处理后信号Xn (m)进行短时傅里叶变换X (n，eJw) = Σ xn (m) w (n_m) e_Jwm其中w (m)为窗序列；步骤3 :计算X(n，eJw)的短时幅度谱X(n, k) |，其中O彡k彡N_l，得到功率谱函数 Y (n, k) = IX (n, k) 12 = (X (n, k)) X (con j (X (n, k)));步骤4 :以n为横坐标，以k为纵坐标，将Y(n，k)的值以图像表示得到声谱图；步骤5 :采用纹理特征提取方法和图像中心矩特征提取方法对声谱图进行图像的特征提取，得到30维可视化特征參数；步骤6 :对得到的30维可视化特征參数，利用主成分分析PCA及线性判别分析LDA 的方法进行特征的优化选择及降维处理，得到20维混合特征。所述步骤5中的纹理特征提取方法和图像中心矩特征提取方法的先后次序不受限制。所述纹理特征提取方法为基于灰度共生矩阵的纹理特征提取或基于灰度-梯度共生矩阵的纹理特征提取。有益效果本发明提出的ー种水下目标辐射噪声信号的特征提取方法，首先对声信号的可视化方法进行了研究，得到了时频可视化图像。接着，以时频可视化图像中声谱图为研究对象，对其进行可视化特征提取方法研究，包括基于图像纹理特征提取和图像中心矩特征提取。在此基础上，分别利用PCA和LDA算法对上述方法得到的可视化特征进行了优化选择和降維，最后将其应用于水下目标识别的仿真中，实验结果表明，该混合特征下三类水下噪声信号的平均识别率可达91. 97%。经过选择后的可视化特征參数的识别率与传统方法提取的特征參数相比，有了显著的提高。
图I :A类中两个声样本的声谱图；图2 :B类中两个声样本的声谱图；图3 :C类中两个声样本的声谱图；图4 :三种方式不同维度下的总平均识别率；图5 :本发明方法的流程图。
具体实施例方式现结合实施例、附图对本发明作进ー步描述在本实施例中的步骤中步骤I :对水下目标的离散时域采样信号X(P)进行分帧处理得到分帧处理后信号xn(m),其中p为时域米样点序号，p = 0,1,2, ···, P-I, P为信号长度；n是中贞序号，m是中贞同步的时间序号，N为帧长，m = 0，1，2，-,N-I ；步骤2 :对分帧处理后信号Xn (m)进行短时傅里叶变换 X (n，eJw) = Σ xn (m) w (n_m) e_Jwm其中w (m)为窗序列；
步骤3 :计算X(n，eJw)的短时幅度谱|X(n，k) |，其中O彡k彡N_l，得到功率谱函数 Y (n, k) = IX (n, k) 12 = (X (n, k)) X (con j (X (n, k)));步骤4 :以n为横坐标，以k为纵坐标，将Y (n, k)的值以图像表示得到声谱图；步骤5 :采用纹理特征提取方法和图像中心矩特征提取方法对声谱图进行图像的特征提�。玫�30维可视化特征參数；步骤6 :对得到的30维可视化特征參数，利用主成分分析PCA及线性判别分析LDA的方法进行特征的优化选择及降维处理，得到20维混合特征。所述基于灰度共生矩阵的纹理特征提取方法是在图像灰度共生矩阵的基础上提取出能反映图像关于方向、相邻间隔、变化幅度的综合信息的8维特征參数，具体如下设图像的水平方向的像素总数为Nx，垂直方向的像素总数为Ny，为了降低计算量， 将图像灰度作归ー化，令其最高灰度级为Ng，记Lx = {1,2,…，Nx}，Ly = {1，2，...，Ny}(4)G= {1,2, -,NJ(5) 可以把待分析的图像理解为从LxX Ly到G的ー个映射，即LxX Ly中的每个点，对应属于G中的ー个灰度。灰度共生矩阵描述的是在Θ方向上，相隔d像元距离的ー对像元，分别具有灰度层i和j出现的概率，其元素可记为P(i，j，山Θ)，通常Θ取0° ,45° ,90° ,135°。易知灰度共生矩阵是ー个对称矩阵，其阶数是由图像中的灰度层数来決定。这个矩阵是距离和方向的函数，在规定的计算窗ロ或图像区域内统计符合条件的像元对数。四个方向的灰度共生矩阵的定义如下P(i，j，0。，d) = #{[k, I), (m, η) ] e (LxXLy) X (LxXLy),(6)k-m = 0，11-η | = d, f (k, I) = i, f (m, η) = j}P(i, j,45° , d) = #{[(k, I), (m, n) ] e (LxXLy)X(LxXLy),
(7)I k_m| = d, | l_n | = d，f (k，I) = i, f (m, n) = j}P(i, j,90° , d) = #{[(k, I), (m, n) ] e (LxXLy)X(LxXLy),
(8)I k-m = d, l_n = 0, f (k, I) = i, f (m, n) = j}P(i, j, 135° , d) = #{[(k, I), (m, n) ] e (LxXLy) X (LxXLy), k-m = d,I - n = - d 或 k_m = - d , I - n = d ,(9)f (k, I) = i, f (m, n) = j}一般来讲较小的距离d会取得较好的效果，这里取d为I。为了方便地的对共生矩阵的统计量进行描述，首先对共生矩阵进行正规化处理P(i, j) = P(i, j)/R(10)这里R代表正规化常数，当Θ = 0°或90。时，R = 2Ny(Nx_l)，当Θ =45。或135。时，R = 2 (Ny-I) (Nx-I)。记
权利要求
1.一种水下目标辐射噪声信号的特征提取方法，其特征在于步骤如下 步骤I :对水下目标的离散时域采样信号X(P)进行分帧处理得到分帧处理后信号Xn(m),其中p为时域米样点序号，P = O, 1,2, ···, P-I, P为信号长度；n是中贞序号，m是中贞同步的时间序号，N为帧长，m = 0，1，2，-,N-I ； 步骤2 :对分帧处理后信号Xn (m)进行短时傅里叶变换 X(n, ejw) =Σ xn(m)w(n-m)e-JWD1其中w(m)为窗序列； 步骤3 :计算X(n，e>)的短时幅度谱|X(n，k) |，其中O彡k彡N-1，得到功率谱函数Y(n，k) = IX (n, k) 12 = (X (n, k)) X (conj (X (n, k))); 步骤4 :以n为横坐标，以k为纵坐标，将Y(n，k)的值以图像表示得到声谱图； 步骤5 :采用纹理特征提取方法和图像中心矩特征提取方法对声谱图进行图像的特征提�。玫�30维可视化特征参数； 步骤6 :对得到的30维可视化特征参数，利用主成分分析PCA及线性判别分析LDA的方法进行特征的优化选择及降维处理，得到20维混合特征。
2.根据权利要求I所述水下目标辐射噪声信号的特征提取方法，其特征在于所述步骤5中的纹理特征提取方法和图像中心矩特征提取方法的先后次序不受限制。
3.根据权利要求I或2所述水下目标辐射噪声信号的特征提取方法，其特征在于所述纹理特征提取方法为基于灰度共生矩阵的纹理特征提取或基于灰度-梯度共生矩阵的纹理特征提取。
全文摘要
本发明提出的一种水下目标辐射噪声信号的特征提取方法，首先对声信号的可视化方法进行了研究，得到了时频可视化图像。接着，以时频可视化图像中声谱图为研究对象，对其进行可视化特征提取方法研究，包括基于图像纹理特征提取和图像中心矩特征提取。在此基础上，分别利用PCA和LDA算法对上述方法得到的可视化特征进行了优化选择和降维，最后将其应用于水下目标识别的仿真中，实验结果表明，该混合特征下三类水下噪声信号的平均识别率可达91.97％。经过选择后的可视化特征参数的识别率与传统方法提取的特征参数相比，有了显著的提高。
文档编号G01S7/527GK102662167SQ20121010617
公开日2012年9月12日 申请日期2012年4月11日 优先权日2012年4月11日
发明者何佳若, 曾向阳 申请人:西北工业大学
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
